55. Применение искусственной нейронной сети в качестве устройства управления.

Искусственная нейронная сеть (ИНС) имеет на выходе векторный сигнал. Представим, что

.

Такой объект можно представить, как:

Благодаря тому, что есть алгоритм обучения, система делается адаптивной. Адаптация:

1. Сигнальная (формирует компенсирующий сигнал, который улучшает динамику системы).

2. Параметрическая (перенастраивает параметры регулятора при отклонении динамики от оптимальной)

Достоинство: ИНС может обеспечивать как сигнальную, так и параметрическую настройку.

Недостаток: Отсутствуют методы расчета количества слоев и выбора количества нейронов в слое.

Структура ИМС с применением модели:

Где стрелки с полосой – основной контур, без полосы – контур адаптации.

- идеальный случай – процесс обучения не происходит.

Если ОУ изменился, то

. Начинается процесс обучения до тех пор, пока ,- заданная величина. Для обучения может быть применен метод обратного распространения ошибки.

56. Применение генетических алгоритмов для оптимизации управления электроприводами.

Область применения генетических алгоритмов: решение задач оптимизации, в частности, для обучения нейронной сети.

Рассмотрим применение генетического алгоритма для оптимизации:

где, X₁^*, X₂^* - ? (чтобы «Q» стремилось к min) Q=Q (x1,x1,…)

Обычно, для решения задач оптимизации применяют методы нелинейного программирования.

Метод генетических алгоритмов позволяет организовать движение к экстремуму.

Величина «x» должна быть задана в двоичном коде. (например в виде байта):

X=01110110

0 и 1 рассматриваются как генетический признак, а значение, в целом , «x» - по аналогии с хромосомой.

Следовательно, вначале берётся исходное множество значений:

Алгоритм имеет вид:

Селекция – это выбор «X», которые дают наименьшее значение «Q».

Новая популяция – это новое поколение значений «X», которые ещё больше уменьшают «Q».

Генетический оператор - а) склеивание;

б) мутация.