Понятия: интеллектуальная система (ИнтС), интеллектуальная система управления (ИнтСУ). Реферат: Интеллектуальные системы управления Основные цели и задачи

УДК 004.896

И. А. Щербатов

ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СИСТЕМАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Введение

Интеллектуальное управление - применение методов искусственного интеллекта для управления объектами различной физической природы. В области управления робототехническими системами методы искусственного интеллекта находят наиболее широкое применение. Это обусловлено, прежде всего, автономностью роботов и необходимостью решения ими неформализованных творческих задач в условиях неполноты информации и различных видов неопределенности.

Указанный класс задач до недавнего времени оставался прерогативой естественного интеллекта: оператора объекта управления, инженера, ученого, т. е. человека. Современные достижения в области теории автоматического управления, интеллектуальных методов формализации слабоструктурированных задач и управления сложными техническими системами позволяют реализовать очень сложные робототехнические системы, к которым относятся мобильные роботизированные платформы, гибкие автоматизированные линии и андроидные роботы.

Робототехнические системы функционируют в условиях неполноты входной информации, когда принципиальная невозможность измерения ряда параметров накладывает существенные ограничения на программу управления. Это приводит к необходимости разработки базы алгоритмов, позволяющих на основе косвенных признаков и измеряемых показателей рассчитать неизмеряемые параметры.

Неопределенность внешней среды, в которой функционирует робототехническая система, заставляет включать в состав системы управления различного рода компенсаторы, модули адаптации, накопления и ранжирования информации.

Постановка задачи

Целью исследований являлось формирование подходов к построению интеллектуальных систем управления робототехническими системами, инвариантных по отношению к специфике функционирования, учитывающих неполноту входной информации и различные виды неопределенности.

Для достижения поставленной цели требуется решить ряд взаимосвязанных задач: провести анализ архитектур интеллектуальных систем управления робототехническими системами; разработать обобщенный алгоритм ситуационной идентификации робототехнической системы; разработать обобщенную схему системы управления робототехнической системой; разработать интеллектуальные системы управления манипуляционным роботом, мобильной роботизированной платформой и гибкой автоматизированной линией.

Методы исследования

В ходе исследований использовались методы общей теории автоматического управления, теории нечетких множеств, нейронных сетей, системного анализа, теории экспертных оценок.

Местоположение робототехнической системы во внешней среде

Для реализации интеллектуальных алгоритмов управления первоочередной является задача текущей идентификации ситуации, в которой находится робототехническая система. Для решения этой задачи разработана структурная схема системы ситуационной идентификации (рис. 1).

Блок технического зрения и сенсорного очувствления предназначен для определения изменений состояния внешней среды и представления сенсорной карты среды для дальнейшей обработки. Сенсорная карта среды - это образ ситуации, в которой находится робот в текущий момент времени. Интервал времени построения сенсорной карты выбирается исходя из специфики предметной области.

База знаний

Оператор

Интеллектуальный

интерфейс

Идентификатор

алгоритмов

Органы технического зрения и сенсорного очувствления

Внешняя среда

Исполнительные

механизмы

Рис. 1. Структурная схема системы ситуационной идентификации

Рабочая память, по аналогии с экспертными системами, предназначена для обработки информации, поступающей от сенсоров и обрабатываемой с помощью имеющейся базы алгоритмов и базы знаний (БЗ) робототехнической системы.

База алгоритмов включает в себя алгоритмы предобработки сенсорной карты (цифровая обработка сигнала, распознавание звуковых образов и изображений), вычисления неизмеряемых параметров (функциональные зависимости от измеряемых параметров), восстановления полноты информации (проверка знаний на полноту и противоречивость, адаптация знаний с учетом нестационарности и вариативных внешних условий), математические операции и пр.

База знаний представляет собой сложную иерархическую структуру, содержащую априорную информацию о внешней среде, закладываемую на этапе обучения, полные и непротиворечивые знания, приобретаемые роботом в процессе функционирования и восприятия внешней среды. Знания в БЗ ранжируются по признакам релевантности и обновляются с учетом изменения специфики функционирования робота на основании алгоритмов адаптации знаний.

Наиболее важный блок - идентификатор ситуации. Именно этот блок отвечает за правильное распознавание образа ситуации на основе сенсорной карты. Результатная информация этого блока является определяющей для выбора программы управления робототехнической системой.

И наконец, интеллектуальный интерфейс, который необходим для связи с оператором. Оператор осуществляет контроль функционирования робототехнической системы, а также мониторинг процесса по достижению поставленных целей. Как правило, общение робота с оператором должно происходить с использованием естественно-языкового интерфейса на ограниченном подмножестве естественного языка.

Структура системы управления робототехнической системой в условиях неопределенности

Реализация алгоритмов и программ интеллектуального управления робототехническими системами в условиях неопределенности сопряжена с рядом значительных трудностей.

Сложность алгоритмов предварительной обработки входной информации и структурная неопределенность модели поведения самой робототехнической системы обусловливают избыточность структуры системы интеллектуального управления.

Для решения задачи управления роботом в условиях неопределенности спроектирована следующая архитектура системы интеллектуального управления (рис. 2).

Система ситуационной идентификации (ССИ) должна входить в состав любой интеллектуальной системы управления робототехнической системой. Интеллектуальное устройство управления (ИУУ) содержит в своем составе БЗ и блок выбора программы управления (БВПУ). Назначение этого блока - выработка управляющего воздействия для системы электроприводов (ЭП), воздействующих на механическую систему (МС) робота.

Рис. 2. Структурная схема системы интеллектуального управления робототехнической системой

Системы управления промышленными манипуляторами

Традиционные системы управления промышленными манипуляторами делятся на несколько классов. Первый класс систем - системы программного управления.

Система непрерывного управления рабочим органом манипулятора подразумевает подравнивание манипулятора под эталонную модель . В таком алгоритме управления не учитываются потери в МС манипулятора и принимается, что все усилия, развиваемые приводами, передаются на рабочий орган.

Система программного управления силой в рабочем органе применяется для управления не только по вектору силы, но и по вектору положения рабочего органа. Система независимого управления перемещением и усилием в рабочем органе манипулятора по различным степеням подвижности имеет два контура управления с обратной связью: по положению и по силе .

В системе связанного управления перемещением и усилием в рабочем органе манипулятора задание по вектору положения рабочего органа корректируется по текущему значению вектора силы. Это означает, что при движении рабочего органа величина его хода корректируется по силе воздействия на внешнюю среду.

Адаптивные системы управления применяются, когда выполняются: операции взятия произвольно расположенного или перемещающегося объекта, дуговая сварка швов с варьируемым положением, обход подвижных и непредвиденных препятствий. Для этой цели применяются адаптивные системы с ассоциативной памятью.

Для управления промышленными манипуляторами применяются также робастные системы управления, которые в настоящее время находят широкое практическое применение .

Реализация интеллектуального управления

Проблема функционирования робототехнической системы в условиях неопределенности является многоаспектной.

Рассмотрим задачу планирования поведения робототехнической системы в условиях неопределенности. Для ее решения наиболее целесообразно применение технологии динамических экспертных систем. База знаний такой экспертной системы корректируется с течением времени. Если применяется продукционная база правил, то состав продукционных правил непрерывно исследуется на предмет полноты и непротиворечивости . Кроме того, за счет адаптационных алгоритмов осуществляется обновление и вытеснение устаревших и утративших свою актуальность правил. При этом вопросам обучения экспертной системы без учителя (самообучению) уделяется особое внимание ввиду того, что наблюдение за системой высококвалифицированного специалиста экономически нецелесообразно.

Блок самообучения или самонастройки БЗ экспертной системы требует тщательной проработки на этапе проектирования интеллектуальной системы управления робототехнической систе-

мой. Именно от качества выполнения этого этапа проектных работ зависит зачастую эффективность решения поставленной задачи. Он должен включать в себя подсистемы оценки полноты и противоречивости знаний, оценки качества управления и коррекции знаний.

Хронологически следующим этапом после планирования поведения может выступать проблема выдачи команд управления робототехнической системе на естественном языке. Для создания естественно-языкового интерфейса, по нашему мнению, наиболее подходящим инструментом реализации является теория нечетких множеств.

С помощью лингвистических переменных, содержащих определенное, заранее описанное терм-множество, производится описание предметной области, ограниченной системы команд и объектов, оказывающих воздействие на робототехническую систему и изменяющихся под ее действием. Используемые при этом методы фазификации и дефазификации, а также алгоритмы нечеткого логического вывода оказывают существенное влияние на точность отработки управляющих воздействий и скорость работы робототехнической системы.

И наконец, применение нейросетевых систем управления робототехническими системами. Основным преимуществом нейронной сети является отсутствие необходимости знать или создавать математическую модель объекта, поскольку нейронная сеть является универсальным нечетким аппроксиматором.

Объект (робототехническая система) выступает в роли «черного ящика». Нейронная сеть может выступать в качестве эталонной модели управляемой робототехнической системы. Следует отметить, что это должна быть обучающаяся многослойная нейронная сеть (идентификатор объекта). Нейросетевая модель настраивается на объект управления по рассогласованию выходных сигналов объекта и модели. Она же формирует обучающую выборку для подстройки и корректировки устройства управления в соответствии с выбранным критерием качества.

Заключение

Проведенный анализ позволил синтезировать архитектуру интеллектуальной системы управления робототехническими системами, инвариантную по отношению к специфике функционирования. Разработанный алгоритм ситуационной идентификации позволяет строить высокоинформативные сенсорные карты внешней среды. Описаны основные подходы к формированию интеллектуальных систем управления робототехническими системами. Показаны направления перспективного развития наиболее эффективных методов искусственного интеллекта, применяемых для реализации управляющих устройств.

СПИСОК ЛИТЕРАТУРЫ

1. Юревич Е. И. Основы робототехники. - СПб.: БХВ-Петербург, 2007. - 416 с.

2. Манипуляционные системы роботов / под ред. А. И. Корендясева. - М.: Машиностроение, 1989. - 472 с.

3. Бурдаков С. Ф. Синтез робастных регуляторов с упругими элементами: сб. науч. тр. - № 443. Механика и процессы управления. - СПб.: СПбГТУ, 1992.

4. Проталинский О. М. Применение методов искусственного интеллекта при автоматизации технологических процессов: моногр. - Астрахань: Изд-во АГТУ, 2004. - 184 с.

Статья поступила в редакцию 13.01.2010

INTELLECTUAL MANAGEMENT OF ROBOTICS SYSTEMS IN THE CONDITIONS OF UNCERTAINTY

I. A. Shcherbatov

The purpose of the given work is a formation of approaches to construction of intellectual control systems of robotics systems, invariant in relation to specificity of the functioning, considering incompleteness of the entrance information and various kinds of uncertainty. The analysis, allowed to synthesise architecture of an intellectual control system of robotics systems invariant in relation to specificity of functioning is carried out. The developed algorithm of situational identification allows to build up good touch cards of the environment. The basic approaches to formation of intellectual control systems of robotics systems are described. Directions of perspective development of the most effective methods of the artificial intellect applied to realisation of actuation devices are shown.

Key words: robotics system, the robot, intellectual management, structural uncertainty, incompleteness of the information, touch card, neural network, the theory of the indistinct sets, self-trained expert system.

Один из выходов в сложившейся ситуации заключается в использовании методов интеллектуального управления, которые предполагают отказ от:

- необходимости получения точной математической модели объекта;
- ориентации на применение “жёстких” (как правило, линейных) алгоритмов формирования управляющих воздействий;
- стремления во что бы то ни стало воспользоваться известными разработчику методиками синтеза, ранее положительно зарекомендовавшими себя для других, более простых классов объектов.

Прежде чем перейти к интеллектуальному управлению нельзя не отметить признанные в мире и ставшие классическими тенденции управления станками, разработанные отечественными научными школами. Это работы Балакшина Б.С., Базрова Б.М., Бжозовского Б.М., Горнева В.Ф., Морозова В.П., Колосова В.Г., Ратмирова В.А., Соломенцева Ю.М., Пуша В.Э., Сосонкина В.Л., Тимирязева В.А., Заковоротного В.Л., Тугенгольда А.К. и др. . В частности, созданию систем адаптивного управления станками по показателям качества изготовления изделий посвящены работы . Гибкие автоматизированные производства (ГАП), позволяющие уменьшить затраты, повысить надёжность и гибкость (способность к переналаживанию) функционирования при частой смене управляющих программ, подробно излагаются в работах . Создание программ ЧПУ и особенности их реализации в составе интегрированного автоматизированного производства рассматриваются в .

Подробный анализ современных методов управления технологическими процессами и оборудованием приведён в работе , где показаны достижения современной теории управления, в частности, использования методов аналитического конструирования регуляторов (Летов А.М. и др.), модального управления (Поспелов Г.С. и др.), обратных задач динамики (Крутько П.Д. и др.), инвариантного управления (Щипанов Г.В., Кулебакин В.С., Петров Б.Н. и др.), адаптивного управления (Ципкин Я.Д. и др.) и пр. Отмечено, что вершиной представлений при синтезе систем управления является аналитическое конструирование регуляторов. Принципиально иной путь построения систем управления, опирающийся на синергетическую теорию управления, описан в . Принципы эволюционных преобразований и самоорганизации, опирающиеся на синергетический подход, в управляющей системе, координаты состояния которой взаимодействуют со средами, излагаются в работах . Все названные подходы и принципы синтеза систем управления имеют свои достоинства и недостатки, но общим для них всех является то, что они опираются на полученную тем или иным способом математическую модель объекта управления, причём математическая модель представляет из себя систему дифференциальных или разностных уравнений, описывающих физическую сущность процессов или объектов. Принципиально иной подход к управлению заключается в использовании математических моделей знаний об управляемом объекте, т.е. использование методов интеллектуального управления. Применительно к ТО данное направление исследований представлено в работах .

В основе интеллектуального управления лежит идея построения высокоорганизованных САУ, основанных на использовании моделей переменной сложности и неопределённости, с выполнением таких присущих человеку интеллектуальных функций, как принятие решений, планирование поведения, обучение и самообучение в условиях изменяющейся внешней среды. Под обучением нужно понимать способность системы улучшать своё поведение в будущем (применительно к ТО - повышать качество обработки), основываясь на экспериментальной информации, которую она получала в прошлом, о результатах взаимодействия с оказывающими влияние факторами. Самообучение - это обучение без внешней корректировки, т. е. без указаний “учителя”- оператора.

Интеллектуальной системой управления (ИСУ) считается такая , в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается.

Необходимым признаком ИСУ является наличие базы знаний, содержащей сведения (факты), модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ её решения. Часто об интеллектуальных системах говорят как о системах, основанных на знаниях. В зависимости от характера реализуемых интеллектуальных функций, т. е. от уровня интеллектуальности, различают ИСУ, интеллектуальные “в большом” и “в малом” .

Согласно управляющие системы, интеллектуальные “в большом”, - это системы, организованные и функционирующие в соответствии со следующими пятью принципами (в полном их объёме).

1. Взаимодействие с реальным внешним миром с использованием информационных каналов связи.
2. Принципиальная открытость системы в целях повышения интеллектуальности и совершенствования собственного поведения.
3. Наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире.
4. Наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот).
5. Сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности, т. е. с некоторой допустимой деградацией) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры.

Управляющие системы, интеллектуальные “в малом”, не удовлетворяют перечисленным выше принципам, но используют при функционировании знания (например, в виде правил) как средство преодоления неопределённости входной информации, неточности описания управляемого объекта или его поведения.

Основываясь на всём выше изложенном можно сделать следующее заключение. При множественности факторов, влияющих на достижение качества обработки на металлорежущих станках, “нечёткости” информации об этих факторах, стохастичности самого процесса резания, а также при разнообразии методов обеспечения заданной точности обработки перспективным направлением исследований и разработок в станочном оборудовании являются интеллектуальные системы управления.

Сейчас наибольшее распространение получили методы интеллектуального управления, относящиеся к следующим четырём классам :

- экспертные системы (ЭС);
- нечёткие регуляторы (НР);
- нейронные сети (НС);
- генетические алгоритмы (ГА).

Экспертные системы (expertsystems) имеют дело с задачами искусственного интеллекта на верхнем уровне, работая с символьной информацией для получения выводов об окружающей среде и формирования управленческих решений с учётом характера сложившейся (или прогнозируемой) ситуации. Экспертные системы накапливают эвристические знания и манипулируют ими, пытаясь имитировать поведение эксперта.

На рисунке 1.2 приведён пример построения экспертного регулятора, представляющего собой объединение ЭС и традиционного регулятора (или системы регуляторов) применительно к управлению ТО. Более сложную структуру (с подробной детализацией отдельных блоков ЭС) имеют предлагаемые в модели работы технологической системы, которые базируются на принципе принятия решений по внесению прогнозной коррекции в процесс изготовления деталей с учётом конкретной ситуации. Экспертная система, как и в , так и на рисунке 1.2 образует верхний, супервизорный уровень управления и включает в себя ряд подсистем.

Подсистема идентификации и прогноза - обеспечивает нахождение математической модели объекта управления непосредственно в процессе функционирования, по результатам наблюдений за его входными/выходными переменными. То есть, в задачи блока входит комплектование информации, необходимой для принятия решений. Этот блок осуществляет программную настройку движений рабочих органов, измеряет и идентифицирует параметры состояния внешней среды - F, управляющие воздействия - U, результаты работы системы СПИД - Y.

База данных содержит непрерывно обновляемые данные (предыдущие, текущие, прогнозные) о характеристиках системы СПИД и внешней среды, а также информацию о граничных (критических, предельно допустимых) значениях соответствующих параметров. База знаний содержит знания о специфике работы конкретного ТО, целях, стратегии и алгоритмах управления, о результатах идентификации и прогноза характеристик системы СПИД.

Подсистема логического вывода осуществляет выбор рациональной (наиболее подходящей в момент обработки определённой детали на ТО) структуры и параметров регулятора, а также, возможно, алгоритмов идентификации и прогноза.

Подсистема интерфейса предназначена для организации интерактивного режима по наполнению базы знаний с участием эксперта (режима обучения) и обеспечения общения с пользователем-оператором (рабочим-профессионалом), включая объяснение механизма принятия тех или иных решений по управлению (режима эксплуатации).

Отличие приведенной на рисунке 1.2 архитектуры экспертной системы от архитектуры обычных (статических) экспертных систем состоит в том, что она обеспечивает выполнение следующих важных функций:

* построение динамической модели объекта и его среды;
* поддержание контакта с внешним миром (датчиками, СУБД, регуляторами, другими ЭС).

Данное обстоятельство позволяет относить рассматриваемую экспертную систему к классу динамических (“активных”) экспертных систем, или экспертных систем реального времени, способных восполнить утрачиваемый вклад рабочего-профессионала с его опытом, знаниями и навыками в достижение качества обработки.

Нечёткие регуляторы (fuzzycontrollers). Идеи нечёткой логики, впервые высказанные в 1964 г. американцем Л. Заде, известным специалистом в области теории систем, своё первое применение в задачах управления реальными техническими объектами нашли в Европе. В 1974 г. были опубликованы работы английских учёных Э.Х. Мамдани и С. Ассилиан, посвященные проблеме регулирования парогенераторной установкой с помощью специально сконструированных нечётких правил (продукций).

Типовая структура ИСУ с НР приведена на рисунке 1.3. Будем полагать для простоты, что объект управления (например, привод подачи на основе двигателя постоянного тока (ДПТ)) является одномерным, т. е. имеет один вход (сигнал управления - u) и один выход (скорость вращения вала двигателя - y). Ошибка управления е, представляющая собой разность задающего воздействия и выхода объекта (управляемой переменной) у, подаётся на один из входов блока фаззификации. На другой вход этого блока поступает сигнал производной вычисленный с помощью дифференцирующего устройства (ДУ).

Назначение блока фаззификации - преобразование значений сигналов ошибки е и её производной в лингвистические переменные, определяемые функциями принадлежности. Здесь А i и В j , - соответственно значения (термы), принимаемые лингвистическими переменными “Ошибка управления” и “Производная ошибки”. Пример построения функций принадлежности и показан на рисунке 1.3, где используются следующие обозначения:

Z - “Близкая к нулю” (zего);

МР - “Средняя положительная” (middlepositive);

LP - “Большая положительная” (largepositive);

MN - “Средняя отрицательная” (middlenegative);

LN - “Большая отрицательная” (largenegative).

В базе знаний хранятся знания в форме правил, левые части которых содержат условия относительно указанных выше значений лингвистических переменных “Ошибка управления” и “Производная ошибки”, а правые части - высказывания относительно значений лингвистической переменной “Приращение управляющего воздействия” (индекс k здесь означает k-й момент времени t k). Данные правила могут принимать следующий вид:

1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО (Приращение управляющего воздействия = Близко к нулю);
2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО (Приращение управляющего воздействия = Среднее положительное) и т. д.

Предполагается, что реализация данных правил гарантирует выполнение определенных требований к системе, связанных с обеспечением желаемого вида её переходной функции (заданное быстродействие, монотонность, слабая колебательность переходного процесса, например, по управляющему и возмущающему воздействиям для следящего привода металлорежущего станка). Возможный вариант задания функций принадлежности, определяющих базовые значения лингвистической переменной “Приращение управляющего воздействия” в виде одноточечных нечётких множеств (singletons), приведен на рисунке 1.4.

В основе работы механизма логического вывода используется метод “максимума-минимума” или метод “максимума-произведения” . Применение этих методов позволяет получить результирующую функцию принадлежности лингвистической переменной “Приращение управляющего воздействия” (рисунок 1.4) с учётом конкретных (т. е. измеренных в момент t k) значений сигналов е k и - входов нечёткого регулятора.

И, наконец, переход от полученного нечёткого множества, описываемого функцией принадлежности, к единственному (чёткому) значению выходной переменной осуществляется в блоке дефаззификации с помощью метода центра тяжести .

Для рассматриваемого на рисунке 1.4 случая данная величина подсчитывается как

где - значения функции принадлежности в точках -c 1 , -c 2 , 0, -c 1 , -c 2 , называемые уровнями активности соответствующих правил и вычисляемые с помощью механизма логического вывода.

Выход нечёткого регулятора u k находится по формуле

где u k-1 - предыдущее значение управляющего воздействия u; - приращение, вычисленное на k-м такте работы регулятора.

Другая разновидность нечёткого регулятора - регулятор типа Сугено . В этом случае только левые части правил (условия) содержат лингвистические переменные; правые же части этих правил (выходы) представляют собой линейные комбинации входных переменных регулятора плюс постоянная составляющая (смещение). Например, нечёткие правила могут иметь следующий вид:

1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО

2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО

Здесь - заданные (выбранные экспертом) числовые коэффициенты; - измеренные в k-м такте значения сигнала ошибки и ее производной. Результирующим выходом является взвешенное среднее для выходов каждого правила (1.3)

где - уровень активности i-го правила; N - число таких правил; - приращение, вычисленное с помощью i-го правила для конкретных значений.

Главное достоинство применения нечётких регуляторов в управлении ТО - возможность эффективного управления сложными динамическими объектами, входящими в состав системы СПИД, в условиях неопределенности их характеристик путём моделирования механизма обработки знаний по аналогии с поведением высококвалифицированного рабочего (оператора).

Нейронные сети. История искусственных нейронных сетей (artificialneuralnetworks) начинается с работ американских учёных У. Мак-Каллока, В. Питтса (1943 г. - модель формального нейрона) и Ф. Розенблатта (1958 г. - однослойная нейронная сеть, названная им персептроном). Сегодня под нейронными сетями (НС) понимаются параллельные вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга. НС обладают способностью приобретения знаний о предметной области, обучаясь на примерах и подстраивая свои веса для интерпретирования предъявляемых им многоразмерных данных.

На рисунке 1.5 приведена структурная схема НС прямого распространения - многослойного персептрона. Кружками (вершинами) обозначены элементарные преобразователи информации - нейроны, а стрелками (дугами) - связи между ними, имеющие разную “силу” (веса синаптических связей). Как видно из рисунка 1.5, рассматриваемый персептрон состоит из нескольких слоёв нейронов:

* входного слоя, на который подаётся набор входных сигналов;
* одного или более “скрытых” (промежуточных) слоёв;
* выходного слоя нейронов.

Суть процесса обучения НС заключается в выполнении следующей многошаговой процедуры .

Шаг 1. Задается обучающее множество (“задачник”)

элементами которого являются обучающие пары. В данном случае - 1-й входной вектор (или 1-й входной образ), предъявляемый нейронной сети; - вектор эталонных (требуемых) реакций НС в ответ на 1-й входной вектор; L - число различных обучающих пар.

Шаг 2. Устанавливается начальное состояние НС путём присваивания всем её весам некоторых случайных (малых) значений. - вес связи, соединяющей выход i-го нейрона k-го слоя со входом j-го нейрона (k + 1)-го слоя.

Шаг 3. На вход сети подаётся входной вектор; определяются реакции нейронов выходного слоя.

Шаг 4. Вычисляется разность между желаемой реакцией сети и её фактическим выходом, т. е. , а также суммарная квадратичная ошибка

Шаг 5. Осуществляется коррекция весов нейронной сети таким образом, чтобы уменьшить ошибку.

Шаг 6. Повторяются шаги 3-5 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет малой, заранее заданной величины Е*.

Результатом обучения является такая настройка весов синаптических связей, при которой каждому входному вектору сеть сопоставляет требуемый (или близкий к нему) выход.

Одним из первых алгоритмов, удачно зарекомендовавшим себя при обучении многослойной НС, явился предложенный в 1986 г. Руммельхартом (США) и его коллегами алгоритм обратного распространения (Васk-РгораgаtionAlgorithm), претерпевший впоследствии многочисленные изменения и усовершенствования.

На сегодня известно более 200 разновидностей НС. Кроме упомянутых выше многослойных персептронов, это:

* динамические (рекуррентные) НС;
* сети на основе радиальных базисных функций;
* сети Хопфилда;
* сети Кохонена;
* неокогнитроны и т. д.

На рисунке 1.6 приведён пример применения НС для решения задачи управления сложным динамическим объектом (как и в примере с нечётким регулятором рассматривается поддержание заданной скорости для привода ДПТ). НС выступает в данном случае в качестве нелинейного регулятора, который после завершения процесса обучения обеспечивает минимум рассогласования между выходами эталонной модели (ЭМ) и САУ ТО в целом.

Преимущества использования многослойных НС в качестве контроллеров ТО объясняются комплексом их свойств: 1)сигналы в таких НС, как и в системах автоматического управления, распространяются в одном, прямом направлении; 2)ключевую роль в формировании необходимых нелинейных алгоритмов управления играют универсальные аппроксимационные свойства этих сетей; 3)способность многослойной НС к обучению придаёт адаптивные свойства; 4)способность НС к параллельной обработке как аналоговых, так и дискретных сигналов делает естественным их использование для управления многомерными объектами. Реализация нейроконтроллеров на основе обучаемых НС не вызывает принципиальных трудностей: существующие микропроцессорные средства могут вполне реализовать функции НС. Включение многослойной НС в контур управления расширяет фазовое пространство объекта и увеличивает число его степеней свободы, тем самым даёт возможность синтеза оптимальных законов управления.

Генетические алгоритмы (geneticalgorithms). Это большая группа методов адаптивного поиска и многопараметрической оптимизации, интенсивно развивающихся в последние годы как для их самостоятельного применения, так и в сочетании с другими методами интеллектуального управления .

Само название этих алгоритмов указывает на то, что их происхождение связано с использованием принципов естественного отбора и генетики. Традиционные методы поиска обычно предполагают дифференцируемость исследуемой целевой функции по параметрам и, как правило, используют градиентные процедуры. Генетические алгоритмы (ГА) отличаются от обычных методов оптимизации рядом обстоятельств. По своей сути ГА представляют собой метод параллельного поиска глобального экстремума, основанный на использовании в процессе поиска сразу нескольких, закодированных соответствующим образом, точек (кандидатов на решения), которые образуют развивающуюся по определенным случайным законам популяцию. Используемые при этом механизмы отбора, впервые чётко сформулированные ещё Чарльзом Дарвином (“Выживает наиболее приспособленный!”), позволяют отсеять наименее подходящие варианты и, наоборот, выделить, а затем и усилить положительные качества тех вариантов, которые наиболее полно отвечают поставленной цели.

Очертим круг задач, решаемых с помощью ГА применительно к ТО.

Оптимизационные задачи занимают одно из центральных мест при проектировании различных классов САУ ТО. Причиной этого является естественное стремление выбрать наиболее простой вариант построения системы или модели при соблюдении заданных требований к качеству ее функционирования (задача структурного синтеза) или найти оптимальные настройки параметров многокомпонентной системы при заданной её структуре (задача параметрического синтеза). В приводится несколько примеров постановок соответствующих задач.

Задача 1. Требуется найти оптимальный алгоритм идентификации и прогноза характеристик объекта, используемый в составе ИСУ ТО с экспертным регулятором (см. рисунок 1.2). Варьируемые параметры - числовые коэффициенты регрессионной модели, число базисных функций или порядок уравнений регрессии. Целевая функция - ошибка идентификации и прогноза, оцениваемая как разность между выходами объекта управления и его модели в текущий (или будущий) момент времени.

Задача 2. Требуется выбрать форму и взаимное расположение функций принадлежности нечёткого регулятора, обеспечивающего заданное качество процессов управления в САУ ТО. Варьируемые параметры - числовые коэффициенты a i ,b j ,c s функций принадлежности (см. рисунок 1.5); число функций принадлежности. Целевая функция - показатель качества (функционал), минимуму которого соответствуют эталонные перёходные процессы.

Задача 3. Требуется выбрать структуру (топологию, архитектуру) многослойного персептрона, используемого в качестве нелинейного регулятора в ИСУ ТО, изображённой на рисунке 1.6. Варьируемые параметры - число слоёв и число нейронов в каждом слое НС. Целевая функция - ошибка обучения сети, представляющая собой рассогласование между выходами объекта и эталонной модели системы.

Во всех приведённых примерах задача оптимизации принимает следующую математическую формулировку: найти такие значения варьируемых параметров V 1 , V 2 , …, V n , которые доставляют минимум целевой функции f(V 1 , V 2 , …, V n) при условии, что указанные параметры V 1 , V 2 , …, V n удовлетворяют некоторой допустимой области. Задание области ограничений в каждом конкретном случае диктуется спецификой решаемой задачи. Например, в задаче 2 вид области определяется выбором границ интервалов, в пределах которых ищутся искомые оптимальные параметры функций принадлежности. В задаче 3 соответствующие ограничения связаны с лимитированием предельно допустимой сложности исследуемого класса НС и т. п.

При использовании традиционных алгоритмов многопараметрического поиска для решения вышеперечисленных задач возникает ряд трудностей, к которым относятся:

* резкий рост вычислительных затрат и времени поиска при увеличении числа варьируемых параметров (“проклятие размерности”);
* локальный характер алгоритмов поиска, связанный с необходимостью вычисления производных (градиента) целевой функции на каждом шаге поиска;
* возможность “зависания” алгоритма поиска в окрестности одного из локальных экстремумов;
* низкая помехозащищённость алгоритма;
* низкая эффективность поиска при наличии “овражных” ситуаций.

Привлекательность ГА состоит именно в том, что они в значительной мере лишены указанных недостатков.

Согласно терминологии ГА, заимствованной из генетики и теории эволюции живой природы, они имеют дело с популяцией “индивидуумов”, каждый из которых является претендентом на решение рассматриваемой задачи. Каждому индивидууму приписывается определенный “индекс пригодности (приспособленности)” в зависимости от того, насколько удачным является данный конкретный вариант решения задачи. Например, в качестве такого индекса пригодности может выступать одна из упомянутых выше (см. задачи 1-3) целевых функций. Далее, наиболее пригодным индивидуумам предоставляется возможность “размножения” путём “скрещивания” с другими индивидуумами в популяции. В результате этого появляются новые индивидуумы - “потомки”, которые наследуют часть признаков от каждого из своих “родителей”. Наименее пригодные члены популяции, в силу этого, “вымирают”. Полученная новая популяция возможных решений образует новое “поколение”, сохраняющее в значительно большей пропорции те качества (признаки), которые были присущи лучшим представителям предыдущего поколения. Применяя описанную выше схему из поколения в поколение и поощряя скрещивание и обмен признаками прежде всего среди наиболее пригодных индивидуумов, можно последовательно улучшить популяцию путём сохранения и преумножения в ней наиболее сильных сторон индивидуумов. Другими словами, в процессе поиска будут исследоваться наиболее многообещающие, перспективные области пространства варьируемых параметров. При правильном функционировании ГА популяция сходится к оптимальному решению задачи.

Принято считать, что генетические алгоритмы не гарантируют нахождение глобального оптимума, однако их сила состоит в том, что они позволяют “достаточно быстро” находить “достаточно хорошие” решения широкого круга задач, в том числе и тех, которые с трудом решаются другими методами.

История применения генетических алгоритмов начинается с работ Р. Холстиена и Де Джонга , в которых на ряде примеров были впервые продемонстрированы возможности ГА для решения задач многопараметрической оптимизации. В 1975 г. вышла монография Дж. Холланда “Адаптация в природных и искусственных системах” , в которой было дано теоретическое обоснование метода, сформулированы базовые принципы, лежащие в его основе. И, наконец, большую популярность получила изданная в 1989 г. и ставшая классической книга Д. Гольдберга “Генетические алгоритмы в задачах поиска, оптимизации и машинного обучения” , содержащая большое число примеров и возможных постановок задач из различных областей приложений, решаемых с помощью ГА.

В последние годы область применения ГА значительно расширилась. Показано, что данные методы оказываются эффективными при решении таких задач, как:

* 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.

Применение ГА охватывает не только класс традиционных задач оптимизации, но и быстро распространяется на задачи управления сложными динамическими объектами в условиях неопределённости. Поэтому в задачах управления станочным оборудованием ГА также могут быть использованы для решения широкого круга задач.

Для обеспечения заданного качества обработки на ТО необходимо организовывать интеллектуальное управление на всех уровнях ИСУ: организационном, координационном и тактическом . Это значит, что “интеллектуальными способностями” должны обладать и система регуляторов, и блок идентификации и прогноза в составе ЭС. В качестве регуляторов нелинейных объектов управления часто используют нечёткие, НС регуляторы и их разновидности , а для систем идентификации и прогноза - нейро-нечёткие системы (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) и различные виды нейронных сетей . Сами ЭС также могут быть построены на основе использования “чёткой” или “нечёткой” логики. Таким образом, ЭС может быть разработана на базе НС или нечётких правил, или и тех и других одновременно. Поэтому при организации интеллектуального управления ТО целесообразнее создавать нейро-нечёткие (гибридные) ЭС , обладающие широкими возможностями использования преимуществ как нечёткой логики, так и НС. Более того, нужно использовать стратегию смешанного (гибридного) управления на всех уровнях ИСУ ТО, потому что это позволит наиболее полно использовать преимущества интеллектуальных методов управления не только на верхнем уровне управления (организационном и координационном), но и на нижнем (тактическом), где существует потребность в нелинейных алгоритмах различных стратегий управления исполнительными механизмами в режиме реального времени.

Экономические решения в зависимости от определенности возможных исходов или последствий рассматриваются в рамках трех моделей:

выбор решения в условиях определенности, если относительно каждого действия известно, что оно неизменно приводит к некоторому исходу;

выбор решения при риске, если каждое действие приводит к одному из множества возможных частных исходов, причем каждый исход имеет вычисляемую или экспертно оцениваемую вероятность появления;

выбор решений при неопределенности, когда то или иное действие имеет своим следствием множество частных исходов, но их вероятности неизвестны.

Вероятностные методы обеспечивают подходящие условия для принятия решения и содержательные гарантии качества выбора. При этом исходят из предположения, что суждения относительно значений, предпочтений и намерений представляют ценные абстракции человеческого опыта и их можно обрабатывать для принятия решений. В то время как суждения относительно правдоподобия событий квалифицируются вероятностями, суждения относительно желательности действий представляются понятиями. Байесовская методология рассматривает ожидаемую полезность U(d) как оценку качества решенияd. В соответствии с этим, если мы можем выбрать либо действиеd 1 , либоd 2 , вычисляемU(d 1),U(d 2) и выбираем действие, которое соответствует наибольшему значению. Семантика полезности состоит в том, чтобы описать риск.

Под риском принято понимать вероятность (угрозу) утраты лицом или организацией части своих ресурсов, недополучения доходов или появление дополнительных расходов в результате осуществления определенной финансовой политики.

Под уровнем риска понимается объективная или субъективная вероятность возникновения потерь. Объективная – это количественная мера возможности наступления случайного события, полученная с помощью расчетов или опыта, позволяющая оценить вероятность выявления данного события. Субъективная представляет собой меру уверенности и истинности высказанного суждения и устанавливается экспертным путем.

Уровень рисков наиболее легко устанавливается при помощи атрибутивных оценок типа «высокий», «средний», «небольшой». Разновидностью атрибутивной оценки рисков является буквенная кодировка. При этом в порядке нарастания риска и падения надежности используются латинские буквы от А до D.

AAA– самая высокая надежность;

AA – очень высокая надежность;

A – высокая надежность;

D – максимальный риск.

Оценивать уровень риска можно, используя показатели бухгалтерской и статистической отчетности.

Из всех возможных показателей лучше всего для этой цели подходит коэффициент текущей ликвидности (КТЛ) – отношение ликвидных средств партнера к его долгам, который отвечает на вопрос, сможет ли партнер покрыть долги своими активными ликвидными активами.

В результате анализа ситуации строятся причинно-следственные диаграммы («дерево причин») и диаграммы зависимостей. Причинно-следственная диаграмма является формальным отображением структуры проблемной ситуации в виде иерархически незамкнутого графа, вершины которого соответствуют элементам проблемы, отражающим причины ее возникновения, а дуги – связям между ними. Связь элементов-подпроблем отображается в виде отношения «причина – следствие» (рис. 11.1).

OLTR – средства складирования данных и оперативной обработки транзакций; OLAR – средства оперативной обработки информации.

Корпоративная БД, организованная в виде хранилища данных, заполняется информацией с использованием технологий OLTR и OLAR. Для разработки и реализации СППР слабоструктурированных проблем должны быть разработаны и адаптированы к ее условиям следующие методы и средства:

система признаков для регистрации проблемных ситуаций;

методы оценки степени критичности проблемных ситуаций;

причинно-следственные диаграммы для диагностирования причин возникновения проблемных ситуаций;

таблица принятия решений для формирования и выбора вариантов решений;

методы прогнозирования результатов решений;

модели функционирования предприятия и внешней среды.

Рис.11.1. Модель системы поддержки принятия решений

Наиболее распространенной формой выявления проблем с использованием технико-экономических показателей является сравнение их фактических величин с нормативными и средними значениями.

Логический анализ проблем-причин, находящийся на нижних уровнях иерархии, показывает, что во многих случаях они позволяют сформировать варианты решения проблем более высокого уровня. Например, в качестве вариантов решения проблемы снижения объемов производства и сбыта продукции возможны альтернативы:

варьирование ценами;

варьирование формами оплаты;

снижение численности работающих;

сокращение доли условно-постоянных расходов в себестоимости продукции;

сокращение сроков выполнения заказов;

усиление службы маркетинга.

Когда отсутствуют статистические данные, необходимые для расчета объективной вероятности риска, прибегают к субъективным оценкам, основанным на интуиции и опыте экспертов. Дж. Кейнс ввел понятие субъективной вероятности. В соответствии с принципом безразличия одинаково правдоподобные события или суждения должны иметь одинаковую вероятность, что математически записывается так:

А ~ В ≡ Р(А) = Р(В),

где ~ – знак, выражающий отношение безразличия или толерантности.

Более правдоподобное событие или суждение должно иметь большую вероятность, т.е. если А>В, то Р(А)>Р(В). Субъективные оценки вероятности связывают вербальные и количественные значения (табл. 4).

Таблица 4

При осуществлении сделок на рынке ценных бумаг различают формы рисков:

Систематический риск – риск падения рынка ценных бумаг в целом. Не связан с конкретной ценной бумагой.

Несистематический риск – агрегированное понятие, объединяющее все виды рисков, связанных с конкретной ценной бумагой.

Страновой риск – риск вложения средств в ценные бумаги предприятий, находящихся под юрисдикцией страны с неустойчивым социальным и экономическим положением, с недружественными отношениями к стране, резидентом которой является инвестор. В частности, политический риск.

Риск законодательных изменений – риск потерь от вложений в ценные бумаги в связи с изменением их курсовой стоимости, вызванным появлением новых или изменением существующих законодательных норм.

Инфляционный риск – риск того, что при высокой инфляции доходы, получаемые инвесторами от ценных бумаг, обесцениваются.

Валютный риск – риск, связанный с вложениями в валютные ценные бумаги, обусловленный изменениями курса иностранной валюты.

Отраслевой риск – риск, связанный со спецификой отдельных отраслей.

Региональный риск – риск, свойственный монопродуктовым районам (с/х, военная, тяжелая, легкая отрасли промышленности).

Риск предприятия – риск финансовых потерь от вложения в ценные бумаги конкретного предприятия.

Кредитный риск – риск того, что эмитент, выпустивший ценные бумаги, окажется не в состоянии выплатить процент по ним.

Риск ликвидности – риск, связанный с возможностью потерь при реализации ценной бумаги из-за изменения ее оценки.

Процентный риск – риск потерь, которые могут понести инвесторы в связи с изменением процентных ставок.

Капитальный риск – риск существенного ухудшения качества портфеля ценных бумаг.

Существует несколько популярных подходов к принятию решений относительно выбора портфеля инвестиций и размещения средств. Наиболее простой – конформный – требует, чтобы портфель был сконструирован с целью удовлетворения специфических требований компании, осуществляющей инвестирование. В соответствии с этим подходом инвестор делает вклады фиксированной величины в различные категории ценных бумаг. Оценка качества ценных бумаг фирмы может основываться на размерах капитала компании, показателях ее эффективности и вкладах других организаций.

Стратегии, в которых активы смешиваются в соответствии с фазами национальной и глобальной экономики, называются тактическим размещением активов. Тактическое размещение активов бывает конформным, при этом средства вкладываются в те активы, которые упали в цене. Когда пропорция средств, вкладываемых в различные классы активов, основывается на некоторых прогнозных оценках макроэкономических параметров, такой подход называется размещением в соответствии со сценарием.

Наиболее широко распространенным подходом к выбору портфеля является подход «среднее-дисперсия», предложенный Гарри Марковитцем. Основная идея заключается в том, чтобы рассматривать будущий доход, приносимый финансовым инструментом, как случайную переменную, то есть доходы по отдельным инвестиционным объектам случайно изменяются в некоторых пределах. Тогда, если неким образом определить по каждому инвестиционному объекту вполне определенные вероятности реализации, можно получить распределение вероятностей получения дохода по каждой альтернативе вложения средств. Для упрощения модель Марковитца предполагает, что доходы по альтернативам инвестирования распределены нормально.

По модели Марковитца определяются показатели, характеризующие объем инвестиций и риск, что позволяет сравнивать между собой различные альтернативы вложения капитала с точки зрения поставленных целей и тем самым создавать масштаб для оценки различных комбинаций. В качестве масштаба ожидаемого дохода из ряда возможных доходов на практике используют наиболее вероятное значение, которое в случае нормального распределения совпадает с математическим ожиданием.

В основе модели Марковитца выбор портфеля представляется проблемой оптимизации:

при ограничениях

где n – число доступных ценных бумаг;часть портфеля, содержащаяся в ценных бумагах видаi ;R i = Е(r i ) – ожидаемая величина дохода по бумагам i ;R p =E(r p) – целевой уровень ожидаемого дохода портфеля; σ ij – ковариация дохода по ценным бумагамi иj ;V p – дисперсия дохода портфеля.

Эта задача является задачей квадратичного программирования.

Программы №14 фундаментальных исследований ОЭММПУ РАН

«АНАЛИЗ И ОПТИМИЗАЦИЯ ФУНКЦИОНИРОВАНИЯ СИСТЕМ МНОГОУРОВНЕВОГО, ИНТЕЛЛЕКТУАЛЬНОГО И СЕТЕВОГО УПРАВЛЕНИЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ»

1. Обоснование Программы

1.1. Научная и практическая значимость

Интенсивное развитие техники (сетевое взаимодействие, миниатюризация вычислителей, повышение их быстродействия и др.) предъявляет новые требования к современным системам управления и открывает новые возможности как на уровне встроенных систем управления (на уровне крупных диспетчерских центров), так и на уровне сетевого (коммуникационно-сетевого, группового) взаимодействия децентрализованных мультиагентных систем. Системы управления всё более приобретают характер информационно-управляющих систем и исследуются на стыке теорий управления, вычислений и связи. Так, учет свойств каналов связи (коммуникации) необходим, например, в децентрализованных (многоагентных) системах, а характеристики встроенного вычислителя важны при реализации в многоуровневых системах управления таких интеллектуальных функций, как техническое зрение, планирование действий, обучение, многокритериальное принятие решений, рефлексия и др. В частности, интеллектуализация управления призвана повысить степень автономности функционирования систем, когда отсутствие количественных моделей динамики или нарушения в функционировании объекта управления, вызывающие потерю адекватности количественных моделей (например, уравнений, описывающих эволюцию сложной системы), усиливают роль качественных (так называемых, «знаниевых», например, логико-лингвистических) моделей объекта и среды, используемых на верхних уровнях системы управления.

Программа направлена на решение фундаментальных проблем, возникающих в приоритетных направлениях науки, технологии и техники Российской Федерации. Ставится задача получения новых фундаментальных и прикладных результатов в области теории управления сложными техническими, человеко-машинными и другими системами с учетом неопределенности и дефицита исходной информации, в том числе: теории анализа и синтеза стохастических систем, теории создания систем управления движением и технологическими процессами, при текущей диагностике и контроле за техническим состоянием, а также теории создания автоматизированных систем проектирования и интеллектуального управления на базе современных информационных технологий .

В силу разнообразия использования теории управления, анализа и оптимизации в различных приложениях (транспортные, логистические, производственные, авиационные и космические системы, подводные и надводные корабли и др.) необходимо учитывать большое количество факторов сложности, таких как:

· многоуровневость управлений,

· децентрализованность,

· нелинейность,

· многосвязность,

· распределённость параметров,

· разномасштабность процессов по пространству и времени,

· высокая размерность,

· разнородность описания подсистем,

· многорежимность,

· наличие импульсных воздействий,

· присутствие координатно-параметрических, структурных, регулярных и сингулярных возмущений,

· использование детерминированных и вероятностных моделей описания неопределенности информации о векторе состояния и параметрах системы, о свойствах ошибок измерений и внешней среды,

· наличие эффектов запаздывания в управлении или объекте,

· общая структурная сложность современных систем управления.

Для достижения поставленной цели и решения основных задач Программа включает в себя исследования и разработки по следующим основным направлениям:

1. Анализ и оптимизация функционирования в разных временных шкалах многоуровневых систем управления с неполной информацией.

2. Управление и оптимизация в многоуровневых и децентрализованных системах организационно-технической природы.

2.1. Управление и оптимизация в сетецентрических системах.

2.2. Интеллектуальное управление движущимися объектами.

2.3. Моделирование и оптимизация многоуровневых информационно-управляющих систем реального времени.

Направление 1. Анализ и оптимизация функционирования в разных временных шкалах многоуровневых систем управления с неполной информацией

Сложность многих современных систем управления зачастую не позволяет получить заранее полное описание процессов, протекающих внутри системы, и ее взаимодействия со средой. Как правило, реальные системы описываются нелинейными уравнениями динамики и достаточно часто математические модели систем управления учитывают лишь допустимые области изменения параметров и характеристик отдельных элементов без конкретизации самих этих параметров и характеристик.

Кроме того, в некоторых системах, в частности, микромеханических и квантовых, использование классических методов описания в непрерывном или дискретном времени затруднено тем, что возникающие внутренние и/или внешние силы взаимодействия, а также управляющие воздействия носят скоротечный, импульсный характер и не поддаются точному вычислению. Система как бы функционирует в разных масштабах времени: реальном (медленном) и быстром (импульсном). Подобная временная разномасштабность является внутренним свойством многих современных систем управления, в том числе систем с многоуровневым управлением, в которых верхние уровни используют качественные и дискретные модели, а нижние – чаще количественные модели с непрерывным временем.

По этой причине разработка методов математической формализации описания функционирования таких систем в гибридном (непрерывно-дискретном) времени, исследование их свойств на предмет управляемости и устойчивости в условиях неполной информации, противодействия и нестандартных ограничений на управления и фазовые переменные является актуальной задачей. Такой же актуальной задачей является разработка методов синтеза оптимального управления подобными непрерывно-дискретными системами, как детерминированными, так и стохастическими.

Кроме того, в условиях неопределённости и дефицита априорной информации весьма актуальными являются задачи оптимизации процесса сбора и обработки информации (управление наблюдениями и оптимальная фильтрация).

Направление 2. Управление и оптимизация в многоуровневых и децентрализованных системах организационно-технической природы

2.1. Управление и оптимизация в сетецентрических системах

Современные сложные организационно-технические системы характеризуются высокой размерностью, децентрализованностью, многоуровневостью управления, необходимостью эффективного планирования деятельности с учетом обучения, многокритериальности принимаемых решений и рефлексии управляемых субъектов.

Задачи планирования и управления дискретными и непрерывными распределенными многосвязными системами большой размерности также характеризуются разномасштабностью процессов не только по времени, но и распределенностью и разномасштабностью по пространству и представляют собой один из наиболее сложных и трудоемких классов задач оптимизации. По этой причине целесообразна разработка методов исследования и подходов к нахождению точного и приближенного решений, а также средств имитационного моделирования для использования в системах поддержки принятия решений при планировании, проектировании и управлении сложными техническими, организационными (в т. ч. транспортно-логистическими) и информационными системами.

Для управления групповым взаимодействием компонент децентрализованных организационно-технических систем (сетецентрические системы, производственные системы, вычислительные, телекоммуникационные и другие сети и т. д.) в условиях ограничений на каналы связи и сложность вычислений большое значение имеют характеристики процессов обработки информации, а также ограничения на время принятия решений, вычислительные возможности и пропускную способность каналов связи. Поэтому актуальна разработка методов оптимизации (с учетом перечисленных ограничений) структуры сложных организационно-технических систем, в том числе – с одновременным учетом многих критериев: детальности исходных данных, оперативности сбора информации, планирования и рефлексивного принятия решений, ограниченности производительности отдельных вычислителей, снижения дублирования работы, а также доли вспомогательных вычислений, связанных с обслуживанием передачи данных.

Для многоуровневых и децентрализованных систем характерно распределенное принятие решений в реальном времени в условиях информационного противодействия, а также неполноты и неоднородности информации, зачастую носящей многокритериальный качественный и субъективный характер. По этой причине необходимо развивать методы создания адекватных систем информационного обеспечения и поддержки принятия стратегических и оперативных решений в условиях неполной информации и противодействия. Для этого целесообразна, в частности, разработка: мультиагентных моделей динамических организационных и технических систем, включая сетевые модели с конфликтующими агентами, моделей группового поведения и его прогноза, оценки баланса интересов и образования коалиций в этих системах, а также развитие информационных технологий и средств представления информации о внешней среде и знаний интеллектуальных агентов.

2.2. Интеллектуальное управление движущимися объектами

Для решения поставленных задач далеко не всегда могут быть созданы количественные модели, поэтому, наряду с традиционными методами, в Программе используются методы искусственного интеллекта. Искусственный интеллект, как область знаний, претерпел за последние пятьдесят лет огромный скачок как в развитии и уточнении самого понятия интеллекта, так и в области практического применения искусственного интеллекта в различных сферах деятельности человека: в технике, экономике, бизнесе, медицине, образовании и др. Многие теоретические положения и методы искусственного интеллекта преобразовались в прикладные интеллектуальные технологии, основанные на знаниях.

Особенность современного поколения интеллектуальных систем заключается в том, что они опираются на сложную модель внешней среды, которая учитывает как количественную информацию, так и качественные модели – знания о возможном поведении различных объектов внешней среды и их взаимосвязях между собой. Применение таких моделей стало возможным благодаря развитию методов представления знаний, методов интеграции данных из разных источников, значительному увеличению быстродействия и объёмов памяти компьютеров.

Наличие модели внешней среды позволяет современным интеллектуальным системам управления движущимися объектами принимать решения в условиях многокритериальности, неопределённости и риска, а качество этих решений может превышать качество решений, принимаемых человеком, находящимся в условиях информационной перегрузки, ограниченного времени и стресса.

В связи с этим актуальной задачей является разработка новых средств и методов развития интеллектуального управления движущимися объектами при наличии перечисленных выше факторов.

2.3. Моделирование и оптимизация многоуровневых информационно-управляющих систем реального времени

Актуальность исследований в данном направлении обусловлена необходимостью разработки методов анализа и синтеза многоуровневых открытых модульных информационно-управляющих систем реального времени (ИУС РВ) многорежимных и многоцелевых объектов, функционирующих в условиях неопределённости, структурных возмущений и нештатных ситуаций (НШС). В числе этих объектов управления ‑ критические объекты и системы ответственного применения, определяющие безопасность государства.

Очевидно, что проблемы и задачи создания систем данного класса могут быть успешно решены на основе развития единой теории и прикладных программно-ориентированных методов динамического и сценарного анализа и синтеза структуры таких систем, их алгоритмического, программного и информационного обеспечения, механизмов выработки эффективных управленческих воздействий. К ним, в первую очередь, относится разработка формализованной методологии проектирования открытых информационно-управляющих систем, включающей модели и методы синтеза оптимальной по различным критериям эффективности модульной структуры объектно-ориентированных ИУС РВ с открытой архитектурой. На основе результатов, полученных на этапе динамического анализа, синтезируется оптимальная функциональная модульная структура обработки данных и управления, т. е. определяется оптимальный состав и число модулей ИУС РВ, синтезируется интерфейс системы и определяется структура её программного и информационного обеспечения для обработки входных потоков заявок.

Для планирования действий и поддержки принятия решений в условиях неопределённости, структурных возмущений и нештатных ситуаций целесообразно в ИУС РВ использовать методы сценарного анализа и синтеза эффективных управляющих воздействий. При этом математическая модель распространения структурных возмущений и нештатных ситуаций будет сформирована на языке взвешенных или функциональных знаковых графов. На основе данной модели будут синтезированы рациональные сценарии управления объектами с использованием понятий потенциала работоспособности, стойкости и живучести составляющих их элементов. Синтез сценариев ликвидации причин и последствий НШС в многорежимных целевых объектах будет осуществляться с учётом динамически определяемых временных и ресурсных ограничений. Необходимо разработать также постановки и методы решения обратных задач управления живучестью многорежимных и многоцелевых объектов, функционирующих в условиях неопределённости, структурных возмущений и нештатных ситуаций.

Отмеченная выше специфика систем и объектов управления, научная и практическая значимость решения для них задач управления, анализа и оптимизации позволяют сформулировать следующие основные цели и задачи Программы.

1.2. Основные цели и задачи

Основной целью Программы является решение фундаментальных проблем теории управления, сдерживающих реализацию перспективных проектов важного государственного значения в области управления сложными динамическими и интеллектуальными системами с приложениями к управлению движением технических объектов и процессами в технологических и организационных системах.

Исследования будут проводиться по следующей обобщённой тематике.

Направление 1

· Разработка методов стабилизации нелинейных систем в ситуациях неполного измерения координат и ограничений на допустимую структуру управляющих сил.

· Развитие методов робастного и адаптивного наблюдения и управления в условиях детерминированных, вероятностных и других моделей неопределенности параметров объекта управления и среды функционирования.

· Разработка методов и алгоритмов качественного и количественного анализа непрерывных, дискретных и многоуровневых непрерывно-дискретных динамических моделей и синтеза управления на основе метода редукции с векторными и матричными функциями сравнения и модельных преобразований.

· Исследование проблемы оптимального управления новым классом механических систем, перемещающихся в сопротивляющихся средах за счет изменения конфигурации или движения внутренних тел.

· Разработка методов математической формализации и решения задач ударного взаимодействия механических систем при наличии сухого трения.

· Развитие методов оптимального управления дискретно-континуальными и импульсными динамическими системами.

· Развитие методов гарантированного управления нелинейными объектами, подвергающимися воздействию неконтролируемых возмущений, в форме динамических игр.

· Развитие теории управления квантовыми системами.

· Разработка способов и алгоритмов для анализа динамических свойств типа устойчивости, инвариантности, диссипативности для оценивания состояния и синтеза многоуровневого управления системами с разнородным описанием динамики процессов на различных уровнях.

Направление 2 .1

· Методы решения задач управления сетецентрическими системами большой размерности с распределенными параметрами и разномасштабностью (по пространству и времени) процессов.

· Модели и методы коммуникационно-сетевого децентрализованного интеллектуального управления распределенными проектами и программами.

· Методы оптимизации структуры многоуровневых и децентрализованных систем.

· Методы и структуры компьютерной реализации сетецентрического управления в математически однородном пространстве распределённых и параллельных вычислений.

· Модели и методы группового принятия решений на основе неполной, неоднородной, качественной и субъективной информации.

· Модели и методы планирования и управления комплексами взаимосвязанных операций в сложных технических и транспортно-логистических системах .

· Разработка принципов, архитектуры, методов и алгоритмов создания распределенных программных интеллектуальных систем на основе мультиагентных технологий.

· Разработка моделей и методов информационного управления в мультиагентных сетевых структурах.

Направление 2.2

· Разработка обобщённых моделей ситуационного управления, отражающих особенности включения в структуру моделей нечётких, нейросетевых и логико-динамических элементов.

· Разработка метода планирования маршрутов, обеспечивающих свойство коммуникационной устойчивости группы управляемых динамических объектов, гетерогенных (количественно-качественных) по своему модельному представлению.

· Разработка методов анализа и синтеза адаптивных моделирующих платформ реального времени, учитывающих нелинейность, многосвязность, высокую размерность объектов управления с приложением к морским подвижным объектам.

· Оптимизация интеллектуальных систем многоуровневого управления движущихся объектов в конфликтной среде с учётом их группового взаимодействия, многокритериальности, неопределённости и риска.

· Разработка методов обеспечения технического зрения для систем интеллектуального управления.

· Разработка методов интеллектуального управления динамическими объектами, выполняющими сложное маневрирование, на основе организации вынужденного движения в пространстве состояний системы.

Направление 2.3

· Модели и методы анализа и оптимизации модульной структуры объектно-ориентированных многоуровневых информационно-управляющих систем реального времени с открытой архитектурой в условиях неопределённости и структурных возмущений.

· Методы анализа и оптимизации режимов электроэнергетических систем и управления ими.

· Модели и методы сценарно-индикаторного подхода к поиску точек уязвимости для задач управления.

· Методы моделирования, анализа и оптимизации многорежимных процессов управления подвижными объектами.

· Разработка методов и алгоритмов интеллектуальной идентификации нелинейных нестационарных объектов для повышения эффективности управления за счёт формирования базы технологических знаний на основе априорной информации об объекте управления.

· Геоинформационные технологии моделирования природно-техногенных комплексов в задачах управления экосистемами мегаполисов.

· Анализ и оптимизация информационного обеспечения систем навигации и управления.

· Модели и методы управления производственными процессами.

Результаты разрабатываемой теории и методов анализа и синтеза систем управления будут использоваться в следующих областях:

· управление движением в авиации и космонавтике, наземными и морскими объектами, транспортными средствами;

· мультиагентные сетецентрические системы, производственные системы, вычислительные, телекоммуникационные и другие сети;

· транспортно-логистические системы;

· глобальные энергетические, газотранспортные и другие крупномасштабные инфраструктурные системы;

· системы информационного обеспечения задач управления и поддержки принятия стратегических и оперативных решений в условиях неполной информации и противодействия.

Фундаментальные проблемы теории построения систем управления требуют интенсивной их разработки. Развитие исследований в этом направлении позволит:

Развитие теоретических основ решения комплексной триединой проблемы управления-вычислений-связи (проблема ‑ " Control - Computation - Communication ") для сложных информационно-управляющих систем, в т. ч. в условиях ограничений на каналы связи и отказов подсистем;

Решить проблемы управления принципиально новыми объектами и процессами, относящимися к движущимся объектам, объектам специального назначения, технологическим и организационным системам;

Создать эффективные методы функционального диагностирования и обеспечения отказоустойчивости систем управления летательных аппаратов и других движущихся объектов, а также динамической устойчивости электроэнергетических систем;

Повысить качество, ускорить и удешевить разработку проектных решений за счет алгоритмизации и автоматизации процесса разработки систем управления.

Здесь и далее управление понимается в широком смысле, в том числе коммуникационно-сетевое, групповое, распределенное управление (в англоязычной литературе – control in networks, control over networks, distributed control, etc.)