«Методы интеллектуальных технологий в управлении техническими системами»

На современном этапе развития общества в условиях роста наукоемкости техники и технологии потребность в их информацион­ном обеспечении особенно велика. Этим объясняется широкое внедрение в практику научных исследований и промышленного производства информационных: экспертных систем, систем под­держки принятия решений, систем автоматизированного проекти­рования управления производством, т.е. всего комплекса методов, программных и технических средств, объединяемых понятием «новые информационные технологии».

В последнее время с ростом: сложности решаемых задач все большее распространение получают так называемые интеллектуальные технологии (ИТ). Традиционно к их числу относят нечеткую логику (НЛ), генетические алгоритмы (ГА) и нейронные сети (НС).

Широкие возможности для использования ИТ открываются при создании сложных систем управления. Современное устройст­во управления должно обеспечивать надежное управление объек­том в разных режимах его работы, быть устойчивым как к резким изменениям, так и деградации параметров системы управления, учитывать возможное наличие шумов и внешних предусмотренных и непредвиденных влияний и, наконец, должно обеспечивать лег­кую адаптацию к новым объектам управления в случае их замены.

Многие задачи управления аналогичны задачам, решаемым с помощью ИТ, что в значительной степени определяет перспектив­ность их использования при проектировании систем управления. Успех практического применения методов ИТ определяется не только их эффективностью, но и наличием комплекса инструмен­тальных средств, поддерживающих процесс разработки систем управления.

Основные ИТ, включая НЛ, ГА и НС, могут эффективно ис­пользоваться при создании систем управления. При этом целесооб­разность их использования определяется:

1) способностью реализовывать распределенные схемы выпол­нения вычислений, что позволяет расширить пространство поиска без значительного увеличения времени и сложности необходимых вычислений;

2) возможностью описания процессов управления средствами простого, близкого к естественному языка;

3) возможностью неаналитического представления нелинейных объектов управления и описания процессов, характеризующихся неоднозначностью и большим количеством особых ситуаций;

4) способностью осуществлять интеллектуальный поиск в про­странстве решений плохо формализованных задач.

Исследование требований, предъявляемых системами управле­ния к используемым при их создании методам, позволило сформу­лировать направления совершенствования ИТ, расширяющих воз­можности их применения в системах управления. Среди них мож­но выделить следующие:

1) разработка подхода к использованию НЛ в задачах управле­ния, позволяющего с единых позиций формально описывать ши­рокий класс нечетких систем управления и адаптации;

2) разработка новых генетических операторов, дающих возмож­ность представлять хромосомы непосредственно в виде векторов вещественных параметров; разработка динамических ГА. обеспечи- вающих поиск в реальном масштабе времени вещественных пара­метров, изменяющихся во времени объектов;

3) разработка процедуры настройки параметров нейронных се­тей на основе использования ГА, позволяющей расширить сферу применения нейронных сетей в системах управления за счет сни­жения уровня требований к параметрам функционирования сети.

Для обеспечения гибкости использования НЛ при решении за­дач автоматического управления рассмотрим подход к формально­му описанию широкого класса нечетких систем управления на ос­нове структурного представления алгоритма управления и адапта­ции.

В процессе разработки нечетких алгоритмов (НА) управления часто возникает ситуация, когда несогласованность правил, фор­мирующих НА, приводит к потере значимости реакции такого ал­горитма при увеличении числа правил, участвующих в выводе .

Критерий оценки непротиворечивости задаваемых экспертом правил, сформулированный для нечеткой подсистемы с одним вхо­дом, известен как интерполяционный принцип.

Применение ГА в адаптивных системах управления сдерживает­ся тем, что существующие ГА используют бинарное кодирование вещественных хромосом, что усложняет обработку вещественной информации.

Для поиска квазиоптимального решения в пространстве веще­ственных чисел предложено использовать представление хромосом непосредственно в виде вектора вещественных чисел. Такое коди­рование требует соответствующего определения генетических опе­раторов скрещивания и мутации.

В связи с этим для вещественного кодирования хромосом вво­дится операция линейного скрещивания, при которой потомки на­ходятся на линии, соединяющей точки, соответствующие родите­лям. Кроме этого вводится операция нормально-линейного веще­ственного скрещивания, которая является разновидностью линей­ного скрещивания с определением позиции потомков на линии, соединяющей родителей, в соответствии с нормальным законом распределениям.

Процедура нормальной вещественной мутации, введенная для случая вещественных хромосом, отличается от бинарной тем, что здесь изменяются не гены в хромосоме, а вся хромосома в целом. Конкретная позиция точки пространства поиска, соответствующая измененной хромосоме, определяется в соответствии с нормаль­ным законом распределения.

Генетический алгоритм представляет собой многократно повто­ряющийся процесс выбора родителей из популяции, применения к ним процедур скрещивания и мутации и, наконец, помещения по­лучаемых потомков в популяцию. Признаком окончания работы ГА является выполнения некоторого условия, связанного с дости­жением точности нахождения искомых параметров, которые не за­висят от времени. Однако в большинстве задач управления пара­метры исследуемых систем изменяются во времени. Для того чтобы использовать ГА в таких ситуациях, следует использовать новый тип ГА — динамические ГА, которые функционируют одновременно с работой самой системы управления.

Использование динамических ГА с вещественным кодировани­ем хромосом позволяет организовать процедуру поиска параметров динамических объектов, в том числе и процесс идентификации па­раметров объекта управления.

Одним из направлений развития методов ИТ является принцип обучения НС, позволяющий снизить уровень сложности ее практи­ческой реализации.

Проектирование НС заключается в задании ее топологии и оп­ределении ее параметров на основе обучающей последовательно­сти. Обычно используемая градиентная процедура обучения (на­пример, метод обратного распространения ошибки) накладывает жесткие ограничения на способ функционирования сети.

Генетический способ обучения позволяет использовать сеть с неполносвязной структурой, применять недифференцируемые энергетические функции и использовать целочисленные или заданные диапазоном значений веса связей и величины порогов.

Формализация основных методов ИТ позволяет при проекти­ровании устройств управления использовать их в самых различ­ных сочетаниях. Если существующие методы ИТ представить как вершины методологического треугольника, то стороны этой фигу­ры будут соответствовать различным их комбинациям: НЛ+ГА, НЛ+НС и НС+ГА. Центр треугольника соответствует объедине­нию всех трех базовых методов в единое целое: НЛ+ГА+. Комбинация НЛ+ГА нашла широкое использование в сис­темах поддержки принимаемых решений. Примером использова­ния комбинации НЛ+НС является нейронечеткий подход к про­ектированию нечетких алгоритмов. Большие перспективы сулит объединение НС+ГА, так как эти методы взаимно дополняют друг друга.

Моделирование процесса идентификации на основе ГА показа­ло, что:

1) процесс идентификации проходит успешно при резком изме­нении внутренних параметров объекта управления. Качество иден­тификации не зависит от входного воздействия;

2) при деградации одного из параметров объекта идентификация проходит успешно только при входном воздействии, поддерживаю­щем в системе управления непрерывный переходный процесс.

Сравнение результатов идентификации на основе методов ИТ с результатами, которые дают традици­онные подходы к идентификации ди­намических объектов, показало, что предлагаемый подход, проигрывая тра­диционным методам в точности опре­деления параметров динамического объекта, имеет преимущества в систе­мах управления, функционирующих в реальном времени, и требует сущест­венно меньших вычислительных за­трат.

Нечеткий алгоритм коррекции параметров регулятора. Основ­ной задачей, решаемой на уровне адаптации системы рассматри­ваемого типа, является коррекция параметров активного контрол­лера на основе информации о характеристиках переходного про­цесса, возникающего в модели при подаче на нее тестового еди­ничного воздействия. Возможна реализация этой процедуры на ос­нове нечеткой системы принятия решений, входными воздействия­ми которой являются величина перерегулирования с и относитель­ное время нарастания т. Система содержит еще один вход, который позволяет внешнему наблюдателю задавать степень своего доверия решениям, принимаемым адаптивной системой. Предполагается, что наблюдатель задает степень доверия а в виде числа из диапазо­на 0-100%, а также степень уверенности в своей оценке р. Выходы нечеткой системы — нечеткие значения коэффициентов коррекции параметров регулятора, которые подаются на вход блока дефазнфикации.

Результаты моделирования показывают, что предложенная гиб­ридная система управления с адаптацией более устойчива к значи­тельным изменениям условий функционирования по сравнению с классическим контроллером. Кроме того, алгоритмы коррекции параметров используемого контроллера описываются в терминах, привычных экспертам в области автоматического управления, что существенно упрощает проектирование системы управления.

Методы работы с нечеткими знаниями

Особенностью большинства интеллектуализированных инфор­мационных систем является их функционирование в сложных ПО со множеством объектов, разнообразных процессов и носителей естественного интеллекта — людьми. К производственным ПО можно отнести технические, технологические и экологические сис­темы, разные промышленные, энергетические и транспортные комплексы, предназначенные для создания материальных и других видов продукции. Современные производственные ПО представля­ют собой сложную структуру, состоящую из совокупности взаимо­связанных подструктур, функционирование которых направлено на достижение общих целей всей структуры ПО. В этих условиях при исследовании подобных структур и описании их математическими моделями возникает проблема дефицита информации. Дефицит информации возникает, во-первых, из-за неполноты (ограничен­ности) информации, описывающей объект или наблюдаемый про­цесс (явление); во-вторых, из-за качественного (неформализован­ного) представления информации, порождаемой трудноформализуемой ситуацией; в-третьих, из-за нечеткости информации, появ­ляющейся в условиях неопределенности.

Проблему, связанную с недостатком информации, решают сле­дующими способами: либо стараются уменьшить дефицит информации, либо примиряются с недостатком информации и продолжа­ют исследование в сложившихся условиях.

Одно из направлений исследований в решении проблем неоп­ределенности связано с созданием математических методов для описания нечетко определенных ПО. Трудности здесь возрастают, если существует лингвистическая неопределенность при описании ПО. В подобных ситуациях широкое применение находит аппарат нечеткой логики Л. Заде.

Что же предложил Заде? Во-первых, он расширил классическое канторовское понятие множества, допустив, что характеристиче­ская функция (функция принадлежности элемента множеству) мо­жет принимать любые значения в интервале (0;1), а не только зна­чения 0 либо 1. Такие Множества были названы им нечеткими (fuzzy). Л. Заде определил также ряд операций над нечеткими мно­жествами и предложил обобщение известных методов логаческого вывода modus ponens и modus tollens. Введя затем понятие лингвис­тической переменной и допустив, что в качестве ее значений (тер­мов) выступают нечеткие множества, Л.Заде создал аппарат для описания процессов интеллектуальной деятельности, включая не­четкость и неопределенность выражений. Математическая теория нечетких множеств, предложенная Л.Заде более четверти века на­зад, позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы. Основанные на этой теории методы построения компьютерных нечетких систем сущест­венно расширяют области применения компьютеров. В последнее время нечеткое управление является одной из самых активных и результативных областей Исследований применения теории нечет­ких множеств.

Таким образом, при формализации качественных знаний может быть использована теория нечетких множеств, особенно те ее ас­пекты, которые связаны с лингвистической неопределенностью, наиболее часто возникающей, например, при работе с экспертами на естественном языке. Под лингвистической неопределенностью подразумевается не полиморфизм слов естественного языка, кото­рый может быть преодолен на уровне понимания смысла высказы­ваний в рамках байесовской модели, а качественные оценки есте­ственного языка для длины, времени, интенсивности, для логиче­ского вывода, принятия решений, планирования.

Лингвистическая неопределенность в системах представления знаний задается с помощью лингвистических моделей, основанных на теории лингвистических переменных и теории приближенных рассуждений. Эти теории опираются на понятие нечеткого множества, систему операций над нечеткими множествами и строения функции принадлежности.

В основе этой теории лежит понятие нечеткого множества, которое является математической формализацией не­четкой информации, используемой при анализе, моделировании и управлении сложными системам ПО.