- •Факультет обучения без отрыва от производства
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении»…….33
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)………………………………………………………………51
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)…………………………………64
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)………………………………………………………80
- •Раздел 1.«Модели процессов, явлений и объектов в машиностроении и методы их построения»(2 часа)
- •1.1.Введение. Классификация моделей по типам, свойствам и назначению. Методы моделирования сложных систем.
- •1.2. Основные принципы построения математических моделей
- •1.3. Средства математического моделирования технических объектов и обеспечение.
- •Раздел 2:«Разработка теоретических моделей исследования качества изделий, технологических процессов, средств и систем машиностроительных производств» (3 часа)
- •2.1. Теоретические основы математического моделирования в машиностроении.
- •2.2. Элементы теории множеств и ее применение в моделировании технических систем.
- •3.2. Моделирование технических систем на основе алгебры логики.
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении» (4 часа)
- •3.4. Основы кибернетического моделирования.
- •4.1. Основные понятия корреляционного, регрессионного и
- •4.2. Пассивный и активный эксперимент, их место и роль в машиностроении. Основные принципы планирования эксперимента.
- •4.3.Ортогональное планирование первого порядка
- •5.1.2. Рототабельное планирование экспериментов
- •5.2. Принципы построения экспертных систем и технология принятия статистических решений.
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)
- •5.3. Основные понятия. Цель и задачи имитационного моделирования.
- •5.4. Блок-схема решения задач имитационного моделирования.
- •6.1. Планирование машинных экспериментов. Моделирование по схеме Монте-Карло
- •20% Факторов определяют 80% свойств системы;
- •6.2. Анализ результатов и принятие решений.
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)
- •7.1. Марковские случайные процессы. Уравнения Колмогорова для вероятностей состояний.
- •7.2. Потоки событий.
- •7.3. Системы массового обслуживания.
- •8.1. Критерии оптимизации моделей в машиностроении.
- •8.2. Классификация методов оптимизации.
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)
- •8.3. Основные понятия и определения. Основы теории нечетких множеств.
- •3. Отрицание множества
- •5. Операции концентрации
- •6. Операция растяжения
- •9.1. Элементы нейросетевого моделирования процессов в технических объектах и системах.
- •9.2. Генетические алгоритмы и их применение в моделировании технических систем.
9.1. Элементы нейросетевого моделирования процессов в технических объектах и системах.
Нейронные сети(НС)–раздел искусственного интеллекта, для обработки сигналов в котором используются явления, аналогичные явлениям, происходящим в нейронах живых организмов.
Их важнейшей особенностью является возможность параллельной обработки информации всеми звеньями. Громадное количество межнейронных связей позволяет значительно ускорить процесс обработки информации и сделать возможным преобразование сигналов в реальном времени. Большое число межнейронных связей обеспечивает устойчивость НС к ошибкам: в этом случае функции поврежденных связей берут на себя исправные линии и деятельность сети не претерпевает существенных возмущений.
НС способны к обучению и обобщению накопленных знаний, они обладают чертами искусственного интеллекта, в частности, в обобщении полученной информации и в показании хороших результатов на не использовавшихся в процессе обучения данных
Основу каждой нейросети составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Под нейроном будет подразумеваться искусственный нейрон, то есть ячейка нейросети.
Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона. Каждый синапс характеризуется величиной синаптическойсвязи или ее весом. Выход нейрона есть функция его состояния – «функция активации», или «передаточная функция» нейрона. Одним из важных факторов не является способ ее обучения. Выделяют два подхода: обучение с учителем и обучение без учителя.
Решение задач с использованием НС включает, как правило, три этапа (рис.).
В каждом из названных приложений НС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию. Именно к аппроксимационному представлению могут быть сведены многие задачи моделирования, идентификации и обработки сигналов.
Рис. Этапы решения задачи с применением нейронных сетей
9.2. Генетические алгоритмы и их применение в моделировании технических систем.
Генетические алгоритмы (ГА)(geneticalgorithms) – большая группа методов адаптивного поиска и многопараметрической оптимизации, связанная принципами естественного отбора и генетики.
В общем случае при использовании ГА задачи оптимизации имеют следующую математическую формулировку:
найти такое значения варьируемых параметров , которые минимизируют целевую функциюпри условии, что указанные параметрыудовлетворяют допустимой области, задание которой диктуется спецификой решаемой задачи.
В качестве варьируемых параметров в этих случаях могут быть числовые коэффициенты регрессионной модели; число базисных функций; порядок уравнений регрессии; числовые коэффициенты ,,функций принадлежности; число функций принадлежности; число слоев и число нейронов в каждом слое нейронной сети.
При указанных варьируемых параметрах целевыми функциями могут быть: ошибка идентификации и прогноза в текущий или будущий момент времени; один из показателей качества процесса (функционал); ошибка обучения НС – рассогласование между выходными объекта и эталонной модели системы.
Наиболее общее определение: генетические алгоритмы(ГА) – этометоды случайного глобального поиска, копирующие механизмы естественной биологической эволюции.
Следует отметить, что существует много различных модификаций ГА. Здесь рассмотрим элементы простейшего его варианта – стандартного.
Стандартный ГА– методстохастической оптимизациидля задач дискретной оптимизации вида.
Максимизировать
при условии, что.
Здесь –функция пригодности(fitnessfunction);–-мерный двоичный вектор из дискретного множества–хромосома (chromosome) илидвоичная нить(string) длины. Множество– множество вершин- мерного гиперкуба с единичным ребром;– множество действительных чисел.
Главное отличие стандартного ГА от традиционных методов оптимизации – на каждом шаге ГА имеет дело сразу с несколькими значениями вектора параметров , которые образуют популяцию (population) хромосом. В начале процедуры поиска создается начальная популяция, например, издвоичных хромосом:=, каждая из которых содержитбитов. Такая популяция создается либо случайным образом, либо с учетом априорной информации об области нахождения оптимума в множестве.
Под двоичным вектором-хромосомой понимается двоичное кодирование исходного варьируемого параметра, физический смысл которого определяется задачей. Длина хромосомы(число битов) при таком кодировании зависит от требуемой точности нахождения оптимума параметраи должна удовлетворять условию
,
где ,– предельные значения параметра;– заданная погрешность определения его оптимального значения.
Число членов в популяции влияет на широту фронта поиска и задается эмпирически.
Вычисление последующих популяций ,и т.д. на базеосуществляется путем применения трех генетических операторов:отбора(selection),кроссинговера(crossingover) имутации(mutation).
Отборв стандартном ГА реализуется методом «колеса рулетки», при котором хромосомы-кандидаты из-го поколениявыбираются для выживания в следующем,-м поколениипутем использования колеса рулетки. Каждая хромосома в популяции представлена на колесе в виде сектора с шириной, пропорциональной функции пригодности. Для отборахромосом колесо рулетки вращаютраз. В результате по завершении каждого вращения выделяется одна из хромосом, которые принимаются в качестве кандидатов в следующем поколении. Перед их копированием в новую популяцию они должны подвергнуться кроссинговеру и мутации.
Оператор кроссинговера(скрещивания) применяется к паре хромосом из(пусть-четное), прошедших отбор.– назначаемая вероятность выполнения кроссинговера. Далее для случайно выбранной пары хромосом определяется случайное число(место или сайт кроссинговера), и затем биты из двух выбранных хромосом меняются местами после-го бита с вероятностью. Процесс повторяется до момента, когда популяцияне окажется пустой.
Оператор мутациисостоит в случайном изменении (на противоположное) значения каждого бита гена с вероятностью. Самым легким способом определения изменяемых бит (если это необходимо) – выбор независимого случайного числадля каждого бита хромосомы. Если, то-й бит следует изменить, в противном случае он сохраняется.
После мутации хромосомы-кандидаты копируются в новую популяцию хромосом и весь процесс повторяется с вычислением функции пригодности для каждой хромосомы и применением операторов отбора, кроссинговера и мутации (рис. 5.8.) [4].
Отбор методом«колеса рулетки»позволяет претендовать на выживание хромосомам с пригодностью выше среднего. Детерминированный подход по принципу выбора хромосом с наибольшей пригодностью не применяется в соответствии с допущениями генетического поиска, согласно которым даже хромосомы с низкой пригодностью могут содержать полезную информацию.
Наиболее критическим из перечисленных трех является оператор кроссинговера, так как он отвечает за смешивание информации хромосом поколение популяции, а от этого зависит глобальность получаемых результатов. Установлено эмпирически, что .
Операторы отбора и кроссинговера используются для улучшения структуры хромосом. Цель оператора мутации – диверсификация, т.е. повышение разнообразия поиска и введение новых хромосом в популяцию для большей полноты исследования пространства поиска. Мутация инициирует разнообразие в популяции, позволяя просматривать больше точек в пространстве поиска и преодолевать локальные эксперименты в ходе поиска. Частое применение мутации приводит к разрушению хромосом с высокой приспособленностью в популяции, что сказывается на сходимости решения. Поэтому применение мутации обычно осуществляется с малой вероятностью: .
В последнее время область применения ГА значительно расширилась. Данные методы оказываются эффективными при решении следующих задач :
идентификация сложных динамических объектов;
выбор оптимальной конфигурации многоагентных
робототехнических систем;
синтез оптимальных алгоритмов управления многозвенными
роботами-манипуляторами;
оптимальное управление стыковкой космических аппаратов;
планирование маршрутов движения транспортных средств в
условиях препятствий;
структурный синтез проектных решений, синтез расписаний
и многих других.
Таким образом, применение ГА охватывает не только класс традиционных задач оптимизации, но и быстро распространяется на задачи управления сложными динамическими объектами в условиях неопределенности. Нельзя не отметить, что область применения ГА существенно расширилась. Одним из таких расширений является генетическое программирование (ГП), под которым понимается применение генетической модели обучения в пространстве программ. В этом случае в качестве индивидуумов, составляющих популяцию, выступают уже не указанные выше достаточно простые линейные структуры – хромосомы, а компьютерные программы, которые, будучи исполненными, представляют собой кандидатов на решение поставленной задачи.
Вопросы для самопроверки
Нейронные сети: их место в моделировании технологических систем
Роль и место генетических алгоритмов в математическом моделировании технологических систем.
Какую математическую формулировку имеют задачи оптимизации при использовании генетических алгоритмов?
В чем заключается суть стандартного генетического алгоритма для задач дискретной оптимизации?
В чем заключается главное отличие генетического алгоритма от традиционных методов оптимизации?
Что такое двоичный вектор-хромосома?
В чем заключается отбор методом «колеса рулетки»?
Дайте определение операторов «кроссинговер» и «мутация».
Для каких задач методы оптимизации с использованием генетических алгоритмов являются наиболее эффективными?
Рекомендуемая литература
Аверченков, В.И. Основы математического моделирования технических систем: учеб. пособие / В.И. Аверченков, В.П. Федоров., М.Л. Хейфец – Брянск: Изд-во БГТУ, 2004.
2. Фёдоров, В.П. Математическое моделирование в машиностроении:
учебное пособие. / В.П.Фёдоров – Брянск: БГТУ, 2013.= 112 С.