- •«Определение интеллекта»
- •«Основные подходы к построению систем искусственного интеллекта»
- •Логический подход
- •Структурный подход
- •Эволюционный подход
- •Имитационный подход
- •«Знания и их представления»
- •«Модели представления знаний» Семантические сети
- •Фреймовое представление
- •Продукционное представление знаний
- •Логические модели знаний
- •«Особенности назначения и разработки экспертных систем»
- •Структура экспертной системы
- •Классическая схема управления экспертной системой
- •«Развитие традиционной системы управления»
- •«Методы логического вывода и управления знаниями»
- •«Системы общения на естественном языке»
- •Построение естественно-языковых интерфейсов
- •«Интеллектуализация поисковых процедур»
- •Интеллектуализация поисковых процедур
- •Распознавание образов и анализ изображений
- •«Методы интеллектуальных технологий в управлении техническими системами»
- •«Перспективы развития интеллектуальных систем»
«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.