Concepte: sistem inteligent (IntS), sistem inteligent de control (IntSU). Rezumat: Sisteme inteligente de control Principalele obiective și obiective

UDC 004.896

I. A. Șerbatov

CONTROL INTELIGENT AL SISTEMELOR TEHNICE ROBOT ÎN INCERTitudine

Introducere

Control inteligent - aplicarea metodelor de inteligență artificială pentru a controla obiecte de natură fizică diversă. În domeniul controlului sistemelor robotizate, metodele de inteligență artificială sunt cele mai utilizate. Acest lucru se datorează, în primul rând, autonomiei roboților și nevoii acestora de a rezolva sarcini creative neformalizate în condiții de informații incomplete și diferite tipuri de incertitudine.

Până de curând, clasa specificată de probleme a rămas apanajul inteligenței naturale: un operator al unui obiect de control, un inginer, un om de știință, adică o persoană. Progresele moderne în domeniul teoriei controlului automat, metodele inteligente de formalizare a sarcinilor semi-structurate și gestionarea sistemelor tehnice complexe fac posibilă implementarea sistemelor robotizate foarte complexe, care includ platforme robotice mobile, linii automate flexibile și roboți android.

Sistemele robotizate funcționează în condiții de informații de intrare incomplete, când imposibilitatea fundamentală de a măsura un număr de parametri impune restricții semnificative asupra programului de control. Acest lucru duce la necesitatea dezvoltării unei baze de algoritmi care să permită calcularea parametrilor nemișurabili pe baza semnelor indirecte și a indicatorilor măsurați.

Incertitudinea mediului extern în care funcționează sistemul robotizat face necesară includerea în sistemul de control a diferitelor tipuri de compensatoare, module de adaptare, acumulare și clasificare a informațiilor.

Formularea problemei

Scopul cercetării a fost de a forma abordări pentru construirea sistemelor inteligente de control pentru sistemele robotizate care sunt invariante în ceea ce privește specificul funcționării, luând în considerare incompletitudinea informațiilor de intrare și diversele tipuri de incertitudine.

Pentru a atinge acest obiectiv, este necesar să se rezolve o serie de sarcini corelate: să analizeze arhitecturile sistemelor inteligente de control pentru sistemele robotizate; dezvoltarea unui algoritm generalizat pentru identificarea situațională a unui sistem robotizat; să dezvolte o schemă generalizată a unui sistem de control al sistemului robotizat; să dezvolte sisteme inteligente de control pentru un robot de manipulare, o platformă robotică mobilă și o linie automată flexibilă.

Metode de cercetare

În cursul cercetării, au fost utilizate metodele teoriei generale a controlului automat, teoria seturilor fuzzy, rețelele neuronale, analiza sistemului și teoria evaluărilor experților.

Amplasarea sistemului robotizat în mediul extern

Pentru implementarea algoritmilor de control inteligent, prioritatea este sarcina identificării actuale a situației în care se află sistemul robotizat. Pentru a rezolva această problemă, a fost elaborată o diagramă structurală a sistemului de identificare situațională (Fig. 1).

Unitatea de viziune tehnică și percepție senzorială este concepută pentru a determina schimbările în starea mediului extern și pentru a prezenta o hartă a senzorilor mediului pentru procesare ulterioară. Harta senzorială a mediului este o imagine a situației în care se află robotul în momentul actual. Intervalul de timp pentru construirea unei hărți de senzori este selectat pe baza specificului zonei subiectului.

Bază de cunoștințe

Operator

Intelectual

interfață

Identificator

algoritmi

Organe ale viziunii tehnice și ale percepției senzoriale

Mediul extern

Executiv

mecanisme

Figura: 1. Diagrama bloc a sistemului de identificare situațională

Memoria de lucru, prin analogie cu sistemele expert, este concepută pentru a procesa informațiile provenite de la senzori și prelucrate utilizând baza algoritmică existentă și baza de cunoștințe (KB) a sistemului robotizat.

Baza algoritmilor include algoritmi pentru preprocesarea unei hărți a senzorilor (procesare digitală a semnalului, recunoașterea imaginilor și imaginilor sonore), calcularea parametrilor nemăsurați (dependențe funcționale de parametrii măsurați), restabilirea completitudinii informațiilor (verificarea cunoștințelor pentru completitudine și inconsistență, adaptarea cunoștințelor luând în considerare nonstationarity și condiții externe variabile), operații matematice etc.

Baza de cunoștințe este o structură ierarhică complexă care conține informații a priori despre mediul extern, stabilite în etapa de instruire, cunoștințe complete și consistente dobândite de robot în procesul de funcționare și percepție a mediului extern. Cunoștințele din baza de cunoștințe sunt clasificate în funcție de criteriile de relevanță și actualizate ținând seama de modificările în specificul funcționării robotului pe baza algoritmilor de adaptare a cunoștințelor.

Cel mai important bloc este identificatorul situației. Acest bloc este responsabil pentru recunoașterea corectă a imaginii situației pe baza hărții senzorului. Informațiile rezultate ale acestui bloc sunt decisive pentru selectarea programului de control al sistemului robotizat.

Și, în cele din urmă, o interfață inteligentă, care este necesară pentru comunicarea cu operatorul. Operatorul controlează funcționarea sistemului robotizat, precum și monitorizează procesul pentru atingerea obiectivelor stabilite. De regulă, comunicarea dintre robot și operator ar trebui să aibă loc utilizând o interfață de limbaj natural într-un subgrup limitat de limbaj natural.

Structura unui sistem de control pentru un sistem robotizat în condiții de incertitudine

Implementarea algoritmilor și a programelor pentru controlul inteligent al sistemelor robotizate în condiții de incertitudine este asociată cu o serie de dificultăți semnificative.

Complexitatea algoritmilor pentru prelucrarea preliminară a informațiilor de intrare și incertitudinea structurală a modelului de comportament al sistemului robotizat în sine determină redundanța structurii sistemului inteligent de control.

Pentru a rezolva problema controlului unui robot în condiții de incertitudine, a fost proiectată următoarea arhitectură a unui sistem de control inteligent (Fig. 2).

Sistemul de identificare situațională (SID) ar trebui să facă parte din orice sistem inteligent de control al unui sistem robotizat. Dispozitivul inteligent de control (IUU) conține un BZ și o unitate de selecție a programului de control (BVPU). Scopul acestui bloc este de a dezvolta o acțiune de control pentru sistemul de acționări electrice (ED) care acționează asupra sistemului mecanic (MS) al robotului.

Figura: 2. Schema bloc a sistemului inteligent de control al sistemului robotizat

Sisteme de control pentru manipulatoare industriale

Sistemele tradiționale de control ale manipulatorului industrial sunt împărțite în mai multe clase. Prima clasă de sisteme este sistemele de control software.

Sistemul de control continuu al corpului de lucru al manipulatorului implică ajustarea manipulatorului la modelul de referință. Acest algoritm de control nu ia în considerare pierderile din MS manipulator și se presupune că toate eforturile dezvoltate de unități sunt transferate la corpul de lucru.

Sistemul de control al forței programat în corpul de lucru este utilizat pentru a controla nu numai vectorul de forță, ci și vectorul poziției corpului de lucru. Sistemul de control independent al mișcării și forței în corpul de lucru al manipulatorului pentru diferite grade de mobilitate are două bucle de control cu \u200b\u200bfeedback: poziția și forța.

În sistemul de control cuplat al mișcării și forței în corpul de lucru al manipulatorului, sarcina de vector a poziției corpului de lucru este corectată de valoarea curentă a vectorului de forță. Aceasta înseamnă că atunci când corpul de lucru se mișcă, magnitudinea cursei sale este corectată de forța impactului asupra mediului extern.

Sistemele adaptive de control sunt utilizate atunci când se efectuează: operații de preluare a unui obiect localizat sau în mișcare aleatoriu, sudarea cu arc a cusăturilor cu poziție variabilă, ocolirea obstacolelor în mișcare și neprevăzute. În acest scop, se utilizează sisteme adaptive cu memorie asociativă.

Pentru a controla manipulatorii industriali, sunt utilizate și sisteme de control robuste, care în prezent își găsesc o aplicare practică largă.

Implementare inteligentă a controlului

Problema funcționării unui sistem robotizat în condiții de incertitudine este multiformă.

Luați în considerare problema planificării comportamentului unui sistem robotizat în condiții de incertitudine. Pentru a o rezolva, este cel mai oportun să se utilizeze tehnologia sistemelor dinamice expert. Baza de cunoștințe a unui astfel de sistem expert este ajustată în timp. Atunci când se aplică o bază de regulă de producție, compoziția regulilor de producție este examinată continuu pentru completitudine și consistență. În plus, datorită algoritmilor de adaptare, regulile învechite și învechite sunt actualizate și înlocuite. În același timp, se acordă o atenție specială problemelor legate de predarea sistemului expert fără profesor (auto-învățare), deoarece este inexperient din punct de vedere economic să se respecte sistemul unui specialist cu înaltă calificare.

Blocul de auto-învățare sau auto-reglare a bazei de cunoștințe a sistemului expert necesită un studiu atent în etapa de proiectare a unui sistem inteligent de control pentru un sistem robotizat.

ale mele. Calitatea acestei etape a lucrărilor de proiectare determină adesea eficacitatea rezolvării sarcinii. Ar trebui să includă subsisteme pentru evaluarea completitudinii și inconsecvenței cunoștințelor, evaluarea calității managementului și corectarea cunoștințelor.

Cronologic, următoarea etapă după planificarea comportamentului poate fi problema emiterii de comenzi de control unui sistem robotizat în limbaj natural. Pentru a crea o interfață de limbaj natural, în opinia noastră, cel mai potrivit instrument de implementare este teoria seturilor fuzzy.

Cu ajutorul variabilelor lingvistice care conțin un anumit set de termeni, descris anterior, se face o descriere a subiectului, se realizează un sistem limitat de comenzi și obiecte care afectează sistemul robotizat și se modifică sub acțiunea sa. Metodele de fuzzificare și defuzzificare utilizate în acest caz, precum și algoritmii de inferență fuzzy, au un impact semnificativ asupra preciziei de elaborare a acțiunilor de control și a vitezei sistemului robotizat.

Și, în cele din urmă, utilizarea sistemelor de control al rețelelor neuronale pentru sistemele robotizate. Principalul avantaj al unei rețele neuronale este că nu este nevoie să cunoașteți sau să creați un model matematic al unui obiect, deoarece o rețea neuronală este un aproximator universal fuzzy.

Obiectul (sistemul robotizat) acționează ca o „cutie neagră”. Rețeaua neuronală poate acționa ca un model de referință pentru un sistem robotizat controlat. Trebuie remarcat faptul că aceasta ar trebui să fie o rețea neuronală de învățare multistrat (identificator de obiect). Modelul rețelei neuronale este reglat la obiectul de control prin nepotrivirea semnalelor de ieșire ale obiectului și ale modelului. De asemenea, formează un eșantion de instruire pentru reglarea și reglarea dispozitivului de control în conformitate cu criteriul de calitate selectat.

Concluzie

Analiza a făcut posibilă sintetizarea arhitecturii unui sistem inteligent de control al sistemelor robotizate, invariant în raport cu specificul funcționării. Algoritmul de identificare situațional dezvoltat permite construirea unor hărți de senzori extrem de informative ale mediului extern. Sunt descrise principalele abordări ale formării sistemelor inteligente de control pentru sistemele robotizate. Sunt prezentate direcțiile dezvoltării în perspectivă a celor mai eficiente metode de inteligență artificială utilizate pentru implementarea dispozitivelor de control.

BIBLIOGRAFIE

1. Fundamentele Yurevich EI ale roboticii. - SPb.: BHV-Petersburg, 2007. - 416 p.

2. Sisteme de manipulare a roboților / ed. A.I. Korendyaseva. - M.: Mashinostroenie, 1989. - 472 p.

3. Burdakov SF Sinteza regulatoarelor robuste cu elemente elastice: colecție de articole. științific. tr. - Nr. 443. Mecanică și procese de management. - SPb.: SPbSTU, 1992.

4. Protalinsky OM Aplicarea metodelor de inteligență artificială în automatizarea proceselor tehnologice: monografie. - Astrakhan: Editura ASTU, 2004 .-- 184 p.

Articolul a fost primit la 13.01.2010

GESTIONAREA INTELECTUALĂ A SISTEMELOR DE ROBOTICĂ ÎN CONDIȚIILE INCERTitudinii

I. A. Șcherbatov

Scopul lucrării date este o formare de abordări ale construcției sistemelor de control intelectual al sistemelor de robotică, invariante în raport cu specificitatea funcționării, având în vedere incompletitudinea informațiilor de intrare și diferite tipuri de incertitudine. Se efectuează analiza, care permite sintetizarea arhitecturii unui sistem de control intelectual al sistemelor de robotică invariante în raport cu specificitatea funcționării. Algoritmul dezvoltat de identificare situațională permite construirea unor carduri tactile bune ale mediului. Sunt descrise abordările de bază pentru formarea sistemelor de control intelectual al sistemelor de robotică. Sunt prezentate direcțiile de dezvoltare în perspectivă a celor mai eficiente metode ale intelectului artificial aplicate la realizarea dispozitivelor de acționare.

Cuvinte cheie: sistem de robotică, robot, management intelectual, incertitudine structurală, incompletitudinea informațiilor, card tactil, rețea neuronală, teoria seturilor indistincte, sistem expert auto-instruit.

Una dintre căile de ieșire în această situație este utilizarea metodelor inteligente de control, care implică refuzul de la:

• - necesitatea de a obține un model matematic precis al obiectului;
• - orientarea spre utilizarea algoritmilor „duri” (de obicei liniari) pentru formarea acțiunilor de control;
• - străduindu-se cu orice preț să folosească tehnicile de sinteză cunoscute de dezvoltator, care s-au dovedit anterior pozitive pentru alte clase mai simple de obiecte.

Înainte de a trece la controlul inteligent, nu se poate să nu remarcăm tendințele clasice și recunoscute la nivel mondial în controlul mașinilor-unelte dezvoltate de școlile științifice interne. Acestea sunt lucrările lui Balakshin BS, Bazrov B.M., Bzhozovsky B.M., Gornev V.F., Morozov V.P., Kolosov V.G., Ratmirov V.A., Solomentsev Yu.M., Pushha V.E., Sosonkina V.L., Timiryazeva V.A., Zakovorotny V.L., Tugeng si etc. . În special, lucrările sunt dedicate creării de sisteme pentru controlul adaptiv al mașinilor-unelte în ceea ce privește calitatea fabricării produsului. Producția automată flexibilă (HAP), care permite reducerea costurilor, creșterea fiabilității și flexibilității (reajustării) operațiunii cu schimbarea frecventă a programelor de control, sunt descrise în detaliu în lucrări. Crearea programelor CNC și caracteristicile implementării acestora ca parte a unei producții automate integrate sunt luate în considerare în.

O analiză detaliată a metodelor moderne de control al proceselor și echipamentelor tehnologice este dată în lucrare, care arată realizările teoriei controlului modern, în special, utilizarea metodelor pentru proiectarea analitică a regulatoarelor (AM Letov etc.), controlul modal (GS Pospelov etc.), probleme de dinamică inversă (Krut'ko P.D. și altele), control invariant (Shchipanov G.V., Kulebakin V.S., Petrov B.N. etc.), control adaptiv (Tsipkin Ya.D. și etc.), etc. Se remarcă faptul că vârful ideilor în sinteza sistemelor de control este proiectarea analitică a controlerelor. Un mod fundamental diferit de construire a sistemelor de control, bazat pe teoria controlului sinergetic, este descris în. Principiile transformărilor evolutive și ale autoorganizării, bazate pe o abordare sinergetică, într-un sistem de control, ale cărui coordonate de stare interacționează cu mediile, sunt descrise în lucrări. Toate aceste abordări și principii de sinteză a sistemelor de control au avantajele și dezavantajele lor, dar toate au în comun faptul că se bazează pe un model matematic al obiectului de control obținut într-un fel sau altul, iar modelul matematic este un sistem diferențial sau ecuații de diferență care descriu fizicul esența proceselor sau obiectelor. O abordare fundamental diferită a managementului constă în utilizarea unor modele matematice de cunoaștere despre obiectul controlat, adică utilizarea metodelor inteligente de control. În ceea ce privește TO, această direcție de cercetare este prezentată în lucrări.

Controlul intelectual se bazează pe ideea de a construi ACS foarte organizat, bazat pe utilizarea modelelor de complexitate și incertitudine variabile, cu implementarea unor astfel de funcții intelectuale umane inerente precum luarea deciziilor, planificarea comportamentului, învățarea și auto-studiul în un mediu în schimbare. Învățarea înseamnă capacitatea sistemului de a-și îmbunătăți comportamentul în viitor (în raport cu TO, de a îmbunătăți calitatea procesării), pe baza informațiilor experimentale pe care le-a primit în trecut despre rezultatele interacțiunii cu factorii de influență. Autoinstruirea înseamnă antrenament fără ajustare externă, adică fără instrucțiuni de la „profesor” - operator.

Un sistem inteligent de control (IMS) este unul în care cunoștințele despre caracteristicile necunoscute ale obiectului de control și ale mediului se formează în procesul de învățare și adaptare, iar informațiile obținute sunt utilizate în procesul de luare automată a deciziilor, astfel încât calitatea controlului se îmbunătățește.

O caracteristică necesară a unui IMS este prezența unei baze de cunoștințe care conține informații (fapte), modele și reguli care fac posibilă clarificarea problemei de gestionare a setului și alegerea unui mod rațional de rezolvare. Despre sistemele inteligente se vorbește adesea ca sisteme bazate pe cunoaștere. În funcție de natura funcțiilor intelectuale realizate, adică de nivelul intelectualității, se disting ISU, intelectual „în mare” și „în mic”.

Conform sistemelor de control, inteligente „în mare” - acestea sunt sisteme organizate și care funcționează în conformitate cu următoarele cinci principii (în întregime).

• 1. Interacțiunea cu lumea reală din exterior folosind canale de comunicare a informațiilor.
• 2. Deschiderea fundamentală a sistemului pentru a spori inteligența și a-și îmbunătăți propriul comportament.
• 3. Disponibilitatea mecanismelor pentru prognozarea schimbărilor în lumea externă și comportamentul propriu al sistemului într-o lume externă în schimbare dinamică.
• 4. Prezența unei structuri ierarhice pe mai multe niveluri, construită în conformitate cu regula: inteligență sporită și cerințe reduse pentru precizia modelelor pe măsură ce crește nivelul ierarhiei în sistem (și invers).
• 5. Persistența funcționării (posibil cu o anumită pierdere de calitate sau eficiență, adică cu o degradare acceptabilă) în cazul unei întreruperi a conexiunilor sau a pierderii acțiunilor de control de la cele mai înalte niveluri ale ierarhiei structurii de control.

Sistemele de control care sunt inteligente „în lucruri mici” nu îndeplinesc principiile enumerate mai sus, dar sunt utilizate în funcționarea cunoștințelor (de exemplu, sub formă de reguli) ca mijloc de a depăși incertitudinea informațiilor de intrare, inexactități în descrierea obiectului controlat sau a comportamentului acestuia.

Pe baza tuturor celor de mai sus, se poate trage următoarea concluzie. Cu o multitudine de factori care influențează obținerea calității prelucrării pe mașinile de tăiat metale, „neclaritatea” informațiilor despre acești factori, stocasticitatea procesului de tăiere în sine, precum și cu o varietate de metode pentru asigurarea unei prelucrări date precizia, sistemele inteligente de control sunt o direcție promițătoare de cercetare și dezvoltare în echipamente de mașini-unelte.

Acum, cele mai răspândite metode de control inteligent sunt legate de următoarele patru clase:

• - sisteme expert (ES);
• - regulatoare fuzzy (NR);
• - rețele neuronale (NN);
• - algoritmi genetici (GA).

Sistemele expert (sisteme expert) se ocupă de sarcinile inteligenței artificiale la nivel superior, lucrând cu informații simbolice pentru a trage concluzii despre mediu și pentru a forma decizii de gestionare, ținând seama de natura situației actuale (sau proiectate). Sistemele expert acumulează și manipulează cunoștințele euristice în încercarea de a imita comportamentul expertului.

Figura 1.2 prezintă un exemplu de construire a unui regulator expert, care este o combinație dintre un ES și un regulator tradițional (sau un sistem de regulatori), aplicat managementului întreținerii. O structură mai complexă (cu detalii detaliate ale blocurilor ES individuale) este oferită în modelul de funcționare a sistemului tehnologic, care se bazează pe principiul luării deciziilor privind corecția predictivă în procesul de fabricație a pieselor, luând în considerare o situație specifică. Sistemul expert, atât în, cât și în Figura 1.2, formează nivelul superior de supraveghere al managementului și include un număr de subsisteme.

Subsistemul de identificare și prognozare - oferă găsirea modelului matematic al obiectului de control direct în procesul de funcționare, pe baza rezultatelor observațiilor variabilelor sale de intrare / ieșire. Adică, sarcinile blocului includ achiziționarea informațiilor necesare pentru luarea deciziilor. Acest bloc implementează ajustarea software a mișcărilor corpurilor de lucru, măsoară și identifică parametrii stării mediului extern - F, acțiuni de control - U, rezultatele sistemului SIDA - Y.

Baza de date conține date actualizate continuu (anterioare, actuale, prognozate) despre caracteristicile sistemului SIDA și mediului extern, precum și informații despre valorile limită (critice, maxime admisibile) ale parametrilor corespunzători. Baza de cunoștințe conține cunoștințe despre specificul funcționării unui anumit TO, obiective, strategii și algoritmi de control, despre rezultatele identificării și prognozării caracteristicilor sistemului SIDA.

Subsistemul de inferență selectează o structură rațională (cea mai potrivită în momentul procesării unei anumite părți pentru întreținere) și parametrii controlerului, precum și, eventual, algoritmi de identificare și prognoză.

Subsistemul de interfață este conceput pentru a organiza un mod interactiv pentru completarea bazei de cunoștințe cu participarea unui expert (modul de formare) și asigurarea comunicării cu utilizatorul-operator (lucrător-profesionist), inclusiv o explicație a mecanismului de luare a anumitor decizii de management (mod de operare).

Diferența dintre arhitectura sistemului expert prezentată în Figura 1.2 și arhitectura sistemelor expert convenționale (statice) constă în faptul că oferă următoarele funcții importante:

• * construirea unui model dinamic al unui obiect și al mediului său;
• * menținerea contactului cu lumea exterioară (senzori, SGBD, regulatoare, alte ES).

Această circumstanță ne permite să clasificăm sistemul expert luat în considerare ca un sistem expert dinamic („activ”) sau sisteme expert în timp real, capabile să completeze contribuția pierdută a unui lucrător profesionist cu experiența, cunoștințele și abilitățile sale în atingerea calității procesării. .

Fuzzycontrollere. Ideile logicii fuzzy, exprimate pentru prima dată în 1964 de americanul L. Zadeh, un cunoscut specialist în domeniul teoriei sistemelor, și-au găsit prima aplicație în problemele de control al obiectelor tehnice reale din Europa. În 1974 lucrările oamenilor de știință englezi E.H. Mamdani și S. Assilian, dedicate problemei reglării unei instalații a generatorului de abur folosind reguli fuzzy special concepute (produse).

Structura tipică a IMS cu ND este prezentată în Figura 1.3. Pentru simplitate, vom presupune că obiectul de control (de exemplu, o unitate de alimentare bazată pe un motor DC (DCM)) este unidimensional, adică are o intrare (semnal de control - u) și o ieșire (arborele motorului) viteza de rotație - y). Eroarea de control e, care este diferența dintre acțiunea de setare și ieșirea obiectului (variabila controlată) y, este alimentată la una dintre intrările unității de fuzzificare. Semnalul derivat calculat folosind un dispozitiv de diferențiere (DU) este recepționat la cealaltă intrare a acestui bloc.

Scopul blocului de fuzzificare este de a converti valorile semnalelor de eroare e și derivate ale acestuia în variabile lingvistice determinate de funcțiile de apartenență. Aici A i respectiv B j, sunt valorile (termenii) luate de variabilele lingvistice „Control error” și „Error derivative”. Un exemplu de construcție a funcțiilor de membru și este prezentat în Figura 1.3, unde sunt utilizate următoarele denumiri:

Z - "Close to zero" (era);

МР - „Mediu pozitiv” (pozitiv mediu);

LP - „Large positive” (mare pozitiv);

MN - „Negativ mediu”;

LN - „Negativ mare” (largenegativ).

Cunoașterea este stocată în baza de cunoștințe sub formă de reguli, ale căror părți din stânga conțin condiții privind valorile de mai sus ale variabilelor lingvistice „Eroare de control” și „Derivată a erorii”, iar părțile din dreapta conțin afirmații cu privire valorile variabilei lingvistice „Creșterea acțiunii de control” (indicele k aici înseamnă k al momentului de timp tk). Aceste reguli pot lua următoarea formă:

• 1) IF (Control error \u003d Close to zero) ȘI (Derivat eroare \u003d Close to zero), THEN (Control increment \u003d Close to zero);
• 2) IF (eroare de control \u003d medie pozitivă) ȘI (derivată de eroare \u003d negativ mare), THEN (increment de control \u003d medie pozitivă) etc.

Se presupune că implementarea acestor reguli garantează îndeplinirea anumitor cerințe pentru sistem asociate cu asigurarea tipului dorit al funcției sale tranzitorii (dată de viteză, monotonie, oscilație slabă a procesului tranzitoriu, de exemplu, în ceea ce privește controlul și perturbarea pentru servomotorul unei mașini de tăiat metal). O posibilă variantă de atribuire a funcțiilor de apartenență care determină valorile de bază ale variabilei lingvistice „Creșterea acțiunii de control” sub formă de seturi fuzzy cu punct unic (singletoni) este prezentată în Figura 1.4.

Mecanismul de inferență se bazează pe metoda „maxim-minim” sau metoda „maxim-produs”. Utilizarea acestor metode vă permite să obțineți funcția de apartenență rezultată a variabilei lingvistice „Creșterea acțiunii de control” (Figura 1.4), luând în considerare valorile specifice (adică măsurate la momentul tk) ale semnalelor ek și - intrările controlerului fuzzy.

Și, în cele din urmă, trecerea de la setul fuzzy obținut, descris de funcția de apartenență, la singura valoare (clară) a variabilei de ieșire se efectuează în blocul de defuzzificare utilizând metoda centrului de greutate.

Pentru cazul analizat în Figura 1.4, această valoare este calculată ca

unde sunt valorile funcției de apartenență la punctele -c 1, -c 2, 0, -c 1, -c 2, numite nivelurile de activitate ale regulilor corespunzătoare și calculate folosind mecanismul de inferență.

Ieșirea controlerului fuzzy u k se găsește prin formulă

unde u k-1 este valoarea anterioară a acțiunii de control u; este creșterea calculată la al cincilea ciclu al operației controlerului.

Un alt tip de regulator fuzzy este un regulator de tip Sugeno. În acest caz, numai părțile din stânga ale regulilor (condiții) conțin variabile lingvistice; laturile din dreapta ale acestor reguli (ieșiri) sunt combinații liniare ale variabilelor de intrare ale controlerului plus o componentă DC (offset). De exemplu, regulile neclare pot arăta astfel:

1) IF (Eroare de control \u003d Aproape zero) ȘI (Eroare derivată \u003d Aproape zero), THEN

2) IF (eroare de control \u003d medie pozitivă) ȘI (eroare derivată \u003d negativ mare) ATUNCI

Aici - specificat (selectat de expert) coeficienți numerici; sunt valorile semnalului de eroare și derivatei acestuia măsurate în ciclul k. Rezultatul rezultat este o medie ponderată pentru rezultatele fiecărei reguli (1.3)

unde este nivelul de activitate al primei reguli; N este numărul de astfel de reguli; este creșterea calculată folosind regula a i-a pentru valori specifice.

Principalul avantaj al utilizării controlerelor fuzzy în controlul TO este capacitatea de a controla în mod eficient obiecte dinamice complexe care fac parte din sistemul SIDA, în condiții de incertitudine în caracteristicile lor, prin modelarea mecanismului de procesare a cunoștințelor prin analogie cu comportamentul unui lucrător cu înaltă calificare. (operator).

Rețele neuronale. Istoria rețelelor neuronale artificiale (rețele neuronale artificiale) începe cu munca oamenilor de știință americani W. McCulloch, W. Pitts (1943 - un model de neuron formal) și F. Rosenblatt (1958 - o rețea neuronală cu un singur strat, pe care a numit perceptron). Astăzi, rețelele neuronale (NN) sunt structuri de calcul paralele care modelează procesele biologice asociate în mod obișnuit cu procesele creierului uman. NN-urile au capacitatea de a dobândi cunoștințe despre domeniul în cauză, învățând din exemple și ajustându-și greutățile pentru a interpreta datele multidimensionale prezentate acestora.

Figura 1.5 prezintă o diagramă bloc a unei rețele neuronale cu propagare directă - un perceptron multistrat. Cercurile (vârfurile) indică traductoare de informații elementare - neuroni și săgeți (arcuri) - conexiuni între ele, care au diferite „forțe” (greutăți ale conexiunilor sinaptice). După cum se poate vedea din Figura 1.5, perceptronul luat în considerare constă din mai multe straturi de neuroni:

• * strat de intrare către care este furnizat un set de semnale de intrare;
• * unul sau mai multe straturi „ascunse” (intermediare);
• * stratul de ieșire al neuronilor.

Esența procesului de învățare NN este de a efectua următoarea procedură în mai mulți pași.

Pasul 1. Este setat un set de antrenament („carte de probleme”)

ale căror elemente sunt perechi de antrenament. În acest caz - primul vector de intrare (sau prima imagine de intrare) prezentat rețelei neuronale; - vectorul de reacție de referință (obligatoriu) al NS ca răspuns la primul vector de intrare; L este numărul de perechi de antrenament diferite.

Pasul 2. Starea inițială a NN este stabilită prin atribuirea unor valori aleatorii (mici) tuturor ponderilor sale. este greutatea conexiunii care leagă ieșirea neuronului i al stratului k-th cu intrarea neuronului j al stratului (k + 1) -th.

Pasul 3. Vectorul de intrare este alimentat la intrarea de rețea; sunt determinate reacțiile neuronilor stratului de ieșire.

Pasul 4. Diferența dintre răspunsul dorit al rețelei și ieșirea sa reală este calculată, adică, precum și eroarea pătrată totală

Pasul 5. Greutățile rețelei neuronale sunt corectate în așa fel încât să reducă eroarea.

Pasul 6. Pașii 3-5 sunt repetați pentru fiecare pereche a setului de antrenament până când eroarea de pe întregul set atinge o valoare mică, prestabilită E *.

Rezultatul antrenamentului este o astfel de setare a greutăților conexiunilor sinaptice, în care fiecare vector de intrare este asortat de rețea cu ieșirea necesară (sau apropiată).

Unul dintre primii algoritmi care s-a dovedit a avea succes în predarea unei rețele neuronale multistrat a fost algoritmul de propagare înapoi (Bask-ProgationAlgorithm) propus în 1986 de Rummelhart (SUA) și colegii săi, care ulterior a suferit numeroase modificări și îmbunătățiri.

Astăzi sunt cunoscute peste 200 de soiuri de NS. Pe lângă perceptronii multistrat menționați mai sus, aceștia sunt:

• * rețele neuronale dinamice (recurente);
• * rețele bazate pe funcții de bază radială;
• * Rețele Hopfield;
• * Rețele Kohonen;
• * neocognitroni etc.

Figura 1.6 prezintă un exemplu de utilizare a NN pentru rezolvarea problemei controlului unui obiect dinamic complex (ca în exemplul cu un controler fuzzy, este luată în considerare menținerea unei viteze date pentru o unitate de curent continuu). În acest caz, NS acționează ca un regulator neliniar, care, după finalizarea procesului de învățare, asigură o nepotrivire minimă între rezultatele modelului de referință (EM) și ACS TO în ansamblu.

Avantajele utilizării NS multistrat ca controlere TO se explică prin complexul lor de proprietăți: 1) semnale în astfel de NS-uri, ca și în sistemele de control automat, se propagă într-o singură direcție înainte; 2) rolul cheie în formarea algoritmilor de control neliniari necesari îl joacă proprietățile aproximative universale ale acestor rețele; 3) capacitatea unei rețele neuronale multistrat de a învăța oferă proprietăți adaptative; 4) capacitatea NN de a prelucra în paralel atât semnalele analogice, cât și cele discrete face firesc utilizarea acestora pentru controlul obiectelor multidimensionale. Implementarea neurocontrolerelor pe baza rețelelor neuronale antrenate nu provoacă dificultăți fundamentale: instrumentele existente cu microprocesor pot implementa pe deplin funcțiile rețelelor neuronale. Includerea unui NS multistrat în bucla de control extinde spațiul de fază al obiectului și crește numărul de grade ale libertății acestuia, făcând astfel posibilă sintetizarea legilor de control optime.

Algoritmi genetici (algoritmi genetici). Acesta este un grup mare de metode de căutare adaptivă și optimizare multivariată care s-au dezvoltat intens în ultimii ani atât pentru aplicarea lor independentă, cât și în combinație cu alte metode de control inteligent.

Numele însuși al acestor algoritmi indică faptul că originea lor este asociată cu utilizarea principiilor selecției naturale și a geneticii. Metodele tradiționale de căutare își asumă de obicei diferențialitatea funcției obiective studiate în raport cu parametrii și, de regulă, utilizează proceduri de gradient. Algoritmii genetici (GA) diferă de metodele convenționale de optimizare într-o serie de circumstanțe. În esență, GA sunt o metodă de căutare paralelă pentru un extremum global, bazat pe utilizarea mai multor puncte codificate corespunzător (candidați pentru soluții) în procesul de căutare simultan, care formează o populație care se dezvoltă în conformitate cu anumite legi aleatorii. Mecanismele de selecție utilizate în acest caz, formulate mai întâi clar de Charles Darwin („The fittest survives!”), Ne permit să eliminăm cele mai puțin potrivite opțiuni și, dimpotrivă, să evidențiem și apoi să consolidăm calitățile pozitive ale acelor opțiuni care atinge scopul.

Să ne prezentăm gama de sarcini care pot fi rezolvate folosind GA în legătură cu TO.

Sarcinile de optimizare ocupă unul dintre locurile centrale în proiectarea diferitelor clase de ACS TO. Motivul pentru aceasta este tendința naturală de a alege cea mai simplă opțiune pentru construirea unui sistem sau model în timp ce îndeplinește cerințele specificate pentru calitatea funcționării sale (problema sintezei structurale) sau de a găsi setările optime pentru parametrii unui sistem multicomponent. pentru o structură dată (problema sintezei parametrice). Sunt date câteva exemple de formulare a problemelor corespunzătoare.

Problema 1. Este necesar să se găsească algoritmul optim pentru identificarea și prezicerea caracteristicilor obiectului, utilizat ca parte a IMS TO cu un controler expert (a se vedea Figura 1.2). Parametrii care trebuie variați sunt coeficienții numerici ai modelului de regresie, numărul funcțiilor de bază sau ordinea ecuațiilor de regresie. Funcția obiectivă este eroarea de identificare și prognoză, estimată ca diferență între ieșirile obiectului de control și modelul acestuia la momentul actual (sau viitor) din timp.

Problema 2. Este necesar să alegeți forma și poziția relativă a funcțiilor de membru ale regulatorului fuzzy, care asigură calitatea specificată a proceselor de control în ACS TO. Parametri variabili - coeficienți numerici a i, b j, c s ai funcțiilor de apartenență (vezi Figura 1.5); numărul funcțiilor de membru. Funcția obiectivă este un indicator de calitate (funcțional), al cărui minim corespunde proceselor tranzitorii de referință.

Problema 3. Este necesar să selectați structura (topologia, arhitectura) perceptronului multistrat utilizat ca controler neliniar în ISU TO, prezentat în Figura 1.6. Parametrii variabili sunt numărul de straturi și numărul de neuroni din fiecare strat al rețelei neuronale. Funcția obiectivă este o eroare de învățare în rețea, care este o nepotrivire între ieșirile obiectului și modelul de referință al sistemului.

În toate exemplele de mai sus, problema de optimizare ia următoarea formulare matematică: găsiți astfel de valori ale parametrilor variabili V 1, V 2, ..., V n care oferă minimul funcției obiective f (V 1, V 2, ..., V n), cu condiția ca parametrii indicați V 1, V 2, ..., V n să satisfacă o anumită regiune admisibilă. Specificarea zonei de restricții în fiecare caz specific este dictată de specificul problemei rezolvate. De exemplu, în problema 2, tipul regiunii este determinat de alegerea limitelor intervalelor în care se caută parametrii optimi căutați ai funcțiilor de apartenență. În problema 3, restricțiile corespunzătoare sunt asociate cu limitarea complexității maxime admise a clasei studiate de NS etc.

Atunci când se utilizează algoritmi tradiționali de căutare multiparametru pentru a rezolva problemele de mai sus, apar o serie de dificultăți, care includ:

• * o creștere accentuată a costurilor de calcul și a timpului de căutare, cu o creștere a numărului de parametri variabili („blestemul dimensiunii”);
• * natura locală a algoritmilor de căutare asociați cu necesitatea de a calcula derivatele (gradientul) funcției obiective la fiecare pas al căutării;
• * capacitatea de a „agăța” algoritmul de căutare în vecinătatea uneia dintre extremele locale;
• * imunitate redusă a algoritmului la zgomot;
• * eficiență redusă a căutării în prezența unor situații de „râpă”.

Atractivitatea GA-urilor constă tocmai în faptul că acestea sunt în mare parte lipsite de aceste dezavantaje.

Conform terminologiei GA, împrumutate din genetică și teoria evoluției naturii vii, acestea se ocupă cu o populație de „indivizi”, fiecare dintre aceștia fiind un candidat pentru rezolvarea problemei luate în considerare. Fiecărui individ i se atribuie un anumit „indice de fitness (fitness)”, în funcție de cât de reușită are această variantă specială de rezolvare a problemei. De exemplu, una dintre funcțiile obiective menționate mai sus (a se vedea sarcinile 1-3) poate acționa ca un astfel de indice de fitness. Mai mult, celor mai eligibili indivizi li se oferă posibilitatea de a „rasa” prin „încrucișarea” cu alți indivizi din populație. Ca urmare, apar noi indivizi - „descendenți” care moștenesc unele dintre trăsăturile de la fiecare dintre „părinții” lor. Prin urmare, cei mai puțini membri ai populației „decedează”. Noua populație rezultată de soluții posibile formează o nouă „generație” care păstrează, într-o proporție mult mai mare, acele calități (caracteristici) care erau inerente celor mai buni reprezentanți ai generației anterioare. Prin aplicarea schemei descrise mai sus din generație în generație și prin încurajarea încrucișării și schimbului de trăsături în primul rând printre cei mai potriviți indivizi, este posibilă îmbunătățirea constantă a populației prin păstrarea și multiplicarea celor mai puternice aspecte ale indivizilor din ea. Cu alte cuvinte, căutarea va explora cele mai promițătoare și promițătoare zone ale spațiului parametrilor variabili. Odată cu funcționarea corectă a GA, populația converge către soluția optimă a problemei.

Se acceptă în general că algoritmii genetici nu garantează găsirea optimului global, dar puterea lor constă în faptul că permit „destul de repede” să găsească soluții „suficient de bune” la o gamă largă de probleme, inclusiv la cele dificil de rezolvat. prin alte metode.

Istoria aplicării algoritmilor genetici începe cu lucrările lui R. Holstien și De Jong, în care capacitățile GA pentru rezolvarea problemelor de optimizare multiparametru au fost demonstrate mai întâi folosind o serie de exemple. În 1975, a fost publicată monografia lui J. Holland „Adaptare în sisteme naturale și artificiale”, în care s-a dat o fundamentare teoretică a metodei și au fost formulate principiile de bază care stau la baza acesteia. Și, în cele din urmă, cartea lui D. Goldberg „Algoritmi genetici în căutare, optimizare și probleme de învățare automată”, publicată în 1989 și care a devenit un clasic, a câștigat o mare popularitate, conținând un număr mare de exemple și posibile formulări de probleme din diverse domenii de aplicații rezolvate cu GA.

În ultimii ani, domeniul de aplicare al aplicației GA sa extins semnificativ. Se arată că aceste metode sunt eficiente în rezolvarea unor probleme precum:

• * identificarea obiectelor dinamice complexe;
• * selectarea configurației optime a sistemelor robotizate multi-agent;
• * sinteza algoritmilor de control optimi pentru manipulatori robotici multi-link;
• * control optim al andocării navei spațiale;
• * planificarea rutelor de circulație a vehiculelor în condiții de obstacole;
• * sinteza structurală a soluțiilor de proiectare, sinteza programelor

și multe altele.

Utilizarea GA acoperă nu numai clasa problemelor tradiționale de optimizare, ci se răspândește rapid și la problemele gestionării obiectelor dinamice complexe sub incertitudine. Prin urmare, în sarcinile de control al echipamentelor de mașini-unelte, GA poate fi, de asemenea, utilizat pentru rezolvarea unei game largi de sarcini.

Pentru a asigura calitatea specificată a procesării la TO, este necesar să se organizeze controlul intelectual la toate nivelurile ISU: organizațional, coordonator și tactic. Aceasta înseamnă că atât sistemul de reglementare, cât și unitatea de identificare și prognoză ca parte a ES trebuie să aibă „abilități intelectuale”. Ca regulatori ai obiectelor de control neliniare, regulatorii fuzzy, NS și soiurile lor sunt adesea folosiți, iar pentru sisteme de identificare și prognoză - sisteme neuro-fuzzy (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) și diferite tipuri de rețele neuronale. ES în sine pot fi, de asemenea, construite pe baza utilizării logicii „clare” sau „neclare”. Astfel, ES poate fi dezvoltat pe baza regulilor NN sau fuzzy, sau ambelor în același timp. Prin urmare, atunci când organizăm controlul inteligent al TO, este mai oportun să creăm ES neuro-fuzzy (hibrid), care au posibilități largi de a folosi avantajele atât ale logicii fuzzy, cât și ale rețelelor neuronale. Mai mult, este necesar să se utilizeze o strategie de management mixtă (hibridă) la toate nivelurile ISU TO, deoarece acest lucru va permite utilizarea cea mai completă a avantajelor metodelor de management inteligente nu numai la nivelul superior al managementului (organizațional și coordonator) , dar și la nivelul inferior (tactic), unde este nevoie de algoritmi neliniari pentru diverse strategii de control al actuatorilor în timp real.

Deciziile economice, în funcție de certitudinea posibilelor rezultate sau consecințe, sunt luate în considerare în cadrul a trei modele:

alegerea unei soluții în condiții de certitudine, dacă se știe pentru fiecare acțiune că conduce invariabil la un anumit rezultat;

alegerea unei decizii la risc, dacă fiecare acțiune duce la unul dintre multele rezultate private posibile și fiecare rezultat are o probabilitate de apariție calculată sau estimată de expert;

alegerea deciziilor sub incertitudine, atunci când una sau alta acțiune are drept consecință multe rezultate private, dar probabilitățile lor sunt necunoscute.

Metodele probabiliste oferă condiții adecvate pentru luarea deciziilor și garanții semnificative ale calității alegerii. Aceasta presupune că judecățile despre semnificații, preferințe și intenții reprezintă abstracții valoroase ale experienței umane și pot fi procesate pentru a lua decizii. În timp ce judecățile despre probabilitatea evenimentelor sunt calificate în funcție de probabilități, judecățile despre oportunitatea acțiunilor sunt reprezentate de concepte. Metodologia bayesiană consideră utilitatea așteptată U (d) ca o estimare a calității soluției d. În consecință, dacă putem alege fie acțiunea d 1, fie d 2, calculăm U (d 1), U (d 2) și alegem acțiunea care corespunde celei mai mari valori. Semantica utilității trebuie să descrie riscul.

Riscul este înțeles în mod obișnuit ca probabilitatea (amenințarea) ca o persoană sau o organizație să-și piardă o parte din resurse, pierderea de venituri sau apariția unor costuri suplimentare ca urmare a implementării unei anumite politici financiare.

Nivelul de risc este înțeles ca probabilitatea obiectivă sau subiectivă de pierdere. Obiectivul este o măsură cantitativă a posibilității producerii unui eveniment aleatoriu, obținută prin calcule sau experiență, care face posibilă evaluarea probabilității de detectare a unui eveniment dat. Subiectivul este o măsură a încrederii și adevărului hotărârii declarate și este stabilit de un expert.

Nivelul de risc este cel mai ușor de stabilit utilizând evaluări atributive precum „ridicat”, „mediu”, „mic”. Un tip de evaluare a riscului atributiv este codarea literelor. În acest caz, în ordinea creșterii riscului și a scăderii fiabilității, se utilizează litere latine de la A la D.

AAA - cea mai mare fiabilitate;

AA - fiabilitate foarte mare;

A - fiabilitate ridicată;

D este riscul maxim.

Este posibil să se evalueze nivelul riscului utilizând indicatorii de raportare contabilă și statistică.

Dintre toți indicatorii posibili, raportul curent de lichiditate (KTL) este cel mai potrivit pentru acest scop - raportul dintre fondurile lichide ale unui partener și datoriile sale, ceea ce răspunde la întrebarea dacă un partener va putea acoperi datoriile cu activele sale lichide active. .

Ca rezultat al analizei situației, sunt construite diagrame cauză-efect („arborele motivelor”) și diagrame de dependență. O diagramă cauzală este o afișare formală a structurii unei situații problematice sub forma unui grafic deschis ierarhic, ale cărui vârfuri corespund elementelor problemei, reflectând cauzele apariției acesteia și arcurile - la conexiunile dintre lor. Conexiunea elementelor-subprobleme este afișată sub forma unei relații „cauză - efect” (Fig. 11.1).

OLTR - mijloace de stocare a datelor și procesare operațională a tranzacțiilor; OLAR - mijloace de prelucrare a informațiilor operaționale.

Baza de date corporativă, organizată ca un depozit de date, este umplută cu informații folosind tehnologiile OLTR și OLAR. Pentru dezvoltarea și implementarea unui DSS pentru probleme semi-structurate, următoarele metode și instrumente ar trebui dezvoltate și adaptate la condițiile sale:

un sistem de semne pentru înregistrarea situațiilor problematice;

metode de evaluare a gradului de criticitate a situațiilor problematice;

diagrame cauză-efect pentru diagnosticarea cauzelor situațiilor problematice;

tabel de decizie pentru formarea și selectarea opțiunilor de decizie;

metode pentru prezicerea rezultatelor deciziilor;

modele de funcționare a întreprinderii și a mediului extern.

Figura 11.1. Modelul sistemului de sprijinire a deciziilor

Cea mai comună formă de identificare a problemelor folosind indicatori tehnici și economici este compararea valorilor lor reale cu valorile standard și medii.

Analiza logică a cauzelor-problemă, situate la nivelurile inferioare ale ierarhiei, arată că în multe cazuri ele permit formarea de opțiuni pentru rezolvarea problemelor de un nivel superior. De exemplu, ca opțiuni pentru rezolvarea problemei reducerii volumului producției și vânzărilor de produse, sunt posibile alternative:

variația prețului;

diferite forme de plată;

scăderea numărului de angajați;

reducerea ponderii costurilor fixe condiționate în costul de producție;

scurtarea timpului de plumb;

consolidarea serviciului de marketing.

Atunci când nu există date statistice necesare pentru calcularea probabilității obiective de risc, acestea recurg la evaluări subiective bazate pe intuiția și experiența experților. J. Keynes a introdus conceptul de probabilitate subiectivă. Conform principiului indiferenței, evenimentele sau judecățile la fel de plauzibile trebuie să aibă aceeași probabilitate, care este scrisă matematic ca:

A ~ B ≡ P (A) \u003d P (B),

unde ~ este un semn care exprimă o atitudine de indiferență sau toleranță.

Un eveniment sau o judecată mai plauzibilă ar trebui să aibă o probabilitate mai mare, adică dacă A\u003e B, atunci P (A)\u003e P (B). Evaluările subiective ale probabilității leagă valorile verbale și cantitative (Tabelul 4).

Tabelul 4

La efectuarea tranzacțiilor pe piața valorilor mobiliare, se disting următoarele forme de risc:

Risc sistematic - riscul unei scăderi a pieței valorilor mobiliare în ansamblu. Nu este asociat cu o anumită securitate.

Riscul nesistematic este un concept agregat care unește toate tipurile de riscuri asociate cu o anumită securitate.

Risc de țară - riscul de a investi în valori mobiliare ale întreprinderilor aflate sub jurisdicția unei țări cu o situație socială și economică instabilă, cu relații neprietenoase cu țara în care este rezident investitorul. În special, riscul politic.

Riscul modificărilor legislative - riscul pierderilor din investiții în valori mobiliare datorate modificărilor valorii lor de piață cauzate de apariția unor noi sau modificări ale normelor legislative existente.

Riscul inflaționist - riscul ca, în cazul unei inflații mari, veniturile primite de investitori din valori mobiliare să se deprecieze.

Riscul valutar - riscul asociat investițiilor în valori mobiliare valutare, cauzat de modificările cursului valutar.

Riscul industrial este un risc asociat cu specificul industriilor individuale.

Riscul regional este riscul inerent regiunilor cu un singur produs (agricultură, militare, industrii grele, ușoare).

Riscul întreprinderii - riscul pierderilor financiare din investițiile în titluri de valoare ale unei anumite întreprinderi.

Riscul de credit - riscul ca emitentul care a emis titlurile să nu poată plăti dobânzi pentru acestea.

Riscul de lichiditate - riscul asociat cu posibilitatea pierderilor la vânzarea unui titlu datorită unei modificări a evaluării sale.

Riscul ratei dobânzii - riscul pierderilor pe care investitorii le pot suporta în legătură cu modificările ratelor dobânzii.

Riscul de capital este riscul unei deteriorări semnificative a calității portofoliului de valori mobiliare.

Există mai multe abordări populare în luarea deciziilor privind selectarea portofoliului și alocarea fondurilor. Cel mai simplu, conform, necesită ca un portofoliu să fie conceput pentru a satisface cerințele specifice ale companiei care investește. În conformitate cu această abordare, investitorul face depozite cu o sumă fixă \u200b\u200bîn diferite categorii de valori mobiliare. Evaluarea calității titlurilor unei firme se poate baza pe mărimea capitalului companiei, indicatorii performanței acesteia și contribuțiile de la alte organizații.

Strategiile în care activele sunt amestecate în conformitate cu fazele economiei naționale și globale se numesc alocări tactice de active. Alocarea tactică a activelor poate fi conformă, cu fonduri investite în acele active care au scăzut în valoare. Atunci când proporția fondurilor investite în diferite clase de active se bazează pe unele estimări predictive ale parametrilor macroeconomici, această abordare se numește plasament de scenariu.

Cea mai acceptată abordare a selecției portofoliului este abordarea varianței medii propusă de Harry Markowitz. Ideea principală este de a considera venitul viitor câștigat de un instrument financiar ca o variabilă aleatorie, adică venitul din obiecte individuale de investiții se modifică aleatoriu în anumite limite. Apoi, dacă determinăm cumva pentru fiecare obiect de investiții probabilități destul de definite de realizare, putem obține distribuția probabilităților de a primi venituri pentru fiecare alternativă de investiție. Pentru simplitate, modelul Markowitz presupune că randamentele sunt distribuite în mod normal între alternativele de investiții.

Conform modelului Markowitz, sunt determinați indicatorii care caracterizează volumul investiției și al riscului, ceea ce face posibilă compararea diferitelor alternative la investiția de capital între ele în ceea ce privește obiectivele stabilite și astfel se creează o scară pentru evaluarea diferitelor combinații. În practică, cea mai probabilă valoare este utilizată ca scara venitului așteptat dintr-un număr de venituri posibile, care în cazul unei distribuții normale coincide cu așteptarea matematică.

În centrul modelului Markowitz, selectarea portofoliului pare a fi o problemă de optimizare:

cu restricții

,

,

unde n- numărul de valori mobiliare disponibile; partea din portofoliu conținută în titluri de valoare de acest tip eu; R eu \u003d E (r eu) Este valoarea preconizată a veniturilor din titluri de valoare eu; R p \u003d E (r p) - nivelul țintă al venitului preconizat din portofoliu; σ ij - covarianța veniturilor asupra valorilor mobiliare eu și j; V p - varianța veniturilor din portofoliu.

Această sarcină este o sarcină de programare pătratică.

Programul nr. 14 de cercetare fundamentală a OEMMPU RAS

"ANALIZA ȘI OPTIMIZAREA FUNCȚIONĂRII SISTEMELOR DE CONTROL MULTI-NIVEL, INTELIGENT ȘI DE REȚEA ÎN INCERTitudine"

1. Justificarea programului

1.1. Semnificație științifică și practică

Dezvoltarea intensivă a tehnologiei (interacțiunea în rețea, miniaturizarea computerelor, creșterea performanței acestora etc.) impune noi cerințe sistemelor moderne de control și deschide noi oportunități atât la nivelul sistemelor de control încorporate (la nivelul marilor centre de expediere), cât și la nivelul rețelei (comunicație-rețea, grup) interacțiunea sistemelor descentralizate multi-agent.Sistemele de control capătă din ce în ce mai mult caracterul sistemelor de control al informațiilor și sunt studiate la intersecția teoriilor de control, calcul și comunicare. Deci, luarea în considerare a proprietăților canalelor de comunicare (comunicare) este necesară, de exemplu, în sistemele descentralizate (multi-agent), iar caracteristicile computerului încorporat sunt importante atunci când implementează astfel de funcții intelectuale în sistemele de control pe mai multe niveluri ca viziune tehnică, planificare a acțiunilor, instruire, luarea deciziilor cu mai multe criterii, reflecție etc. În special, intelectualizarea controlului este concepută pentru a crește gradul de autonomie a funcționării sistemelor, atunci când absența modelelor cantitative de dinamică sau tulburări în funcționarea obiectului de control, care determină pierderea adecvării modelelor cantitative (de exemplu, ecuații care descriu evoluția unui sistem complex), sporesc rolul celor calitative (așa-numitele „cunoștințe”, de exemplu, logico-lingvistic) modele ale obiectului și mediului utilizate la nivelurile superioare ale sistemului de control.

Programul vizează rezolvarea problemelor fundamentale care apar în domeniile prioritare ale științei, tehnologiei și tehnologiei Federației Ruse. Sarcina este de a obține noi rezultate fundamentale și aplicate în domeniul teoriei controlului pentru sisteme complexe tehnice, om-mașină și alte sisteme, luând în considerare incertitudinea și lipsa informațiilor inițiale, inclusiv: teoria analizei și sintezei sistemelor stochastice, teoria creării sistemelor de control pentru mișcare și procese tehnologice, cu diagnosticarea și controlul curent asupra stării tehnice, precum și teoria creării sistemelor de proiectare automată și control inteligent bazat pe tehnologiile informaționale moderne.

Datorită diversității utilizării teoriei controlului, analizei și optimizării în diverse aplicații (transport, logistică, producție, sisteme aeriene și spațiale, submarine și nave de suprafață etc.), este necesar să se ia în considerare un număr mare de complexitate factori, cum ar fi:

Management pe mai multe niveluri,

Descentralizare,

Neliniaritate,

Multiconectare,

Distribuția parametrilor,

Diferite scale de procese în spațiu și timp,

Dimensiune înaltă,

Eterogenitatea descrierii subsistemelor,

Multimod,

Prezența influențelor de impuls,

Prezența perturbațiilor coordonate-parametrice, structurale, regulate și singulare,

Utilizarea modelelor deterministe și probabilistice pentru descrierea incertitudinii informațiilor despre vectorul de stare și parametrii sistemului, despre proprietățile erorilor de măsurare și mediul extern,

Prezența efectelor de întârziere în control sau obiect,

· Complexitatea structurală generală a sistemelor moderne de control.

Pentru a atinge acest obiectiv și a rezolva principalele sarcini, programul include cercetare și dezvoltare în următoarele domenii principale:

1. Analiza și optimizarea funcționării în diferite scale de timp ale sistemelor de control pe mai multe niveluri cu informații incomplete.

2. Management și optimizare în sisteme multi-nivel și descentralizate de natură organizațională și tehnică.

2.1. Management și optimizare în sisteme centrate pe rețea.

2.2. Control inteligent al obiectelor în mișcare.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri.

Direcția 1. Analiza și optimizarea funcționării în diferite scale de timp ale sistemelor de control pe mai multe niveluri cu informații incomplete

Complexitatea multor sisteme moderne de control de multe ori nu permite obținerea în avans a unei descrieri complete a proceselor care au loc în cadrul sistemului și a interacțiunii acestuia cu mediul. De regulă, sistemele reale sunt descrise prin ecuații neliniare de dinamică și destul de des modelele matematice ale sistemelor de control iau în considerare doar intervalele admisibile de variație a parametrilor și caracteristicilor elementelor individuale fără a specifica acești parametri și caracteristici.

În plus, în unele sisteme, în special, sistemele micromecanice și cuantice, utilizarea metodelor clasice de descriere în timp continuu sau discret este împiedicată de faptul că forțele de interacțiune interne și / sau externe, precum și acțiunile de control, sunt de natură tranzitorie, impulsivă și nu pot fi calculate cu exactitate ... Sistemul pare să funcționeze în diferite scale de timp: real (lent) și rapid (impuls). O astfel de variabilitate temporală a scalei este o proprietate intrinsecă a multor sisteme moderne de control, inclusiv sisteme cu control pe mai multe niveluri, în care nivelurile superioare utilizează modele calitative și discrete, iar cele inferioare - mai des modele cantitative cu timp continuu.

Din acest motiv, dezvoltarea metodelor pentru formalizarea matematică a descrierii funcționării unor astfel de sisteme în timp hibrid (continuu-discret), studiul proprietăților lor pentru controlabilitate și stabilitate în condiții de informații incomplete, opoziție și non-standard constrângerile asupra controalelor și variabilelor de fază sunt o sarcină urgentă. Dezvoltarea metodelor pentru sinteza controlului optim al acestor sisteme continue-discrete, atât deterministe, cât și stochastice, este o sarcină la fel de urgentă.

În plus, în condiții de incertitudine și lipsa informațiilor a priori, sarcinile de optimizare a procesului de colectare și prelucrare a informațiilor (controlul observației și filtrare optimă) sunt foarte relevante.

Direcția 2. Management și optimizare în sisteme multi-nivel și descentralizate de natură organizațională și tehnică

2.1. Control și optimizare în sistemele centrate pe rețea

Sistemele organizaționale și tehnice complexe moderne se caracterizează prin dimensionalitate ridicată, descentralizare, management pe mai multe niveluri, necesitatea unei planificări eficiente a activităților, luând în considerare instruirea, multicriteriile deciziilor luate și reflectarea subiectelor controlate.

Problemele de planificare și control ale sistemelor multiconectate distribuite discrete și continue de dimensiuni mari sunt, de asemenea, caracterizate prin diferite scale de procese nu numai în timp, ci și prin distribuție și diferite scale în spațiu și reprezintă unul dintre cele mai complexe și consumatoare de timp clase de probleme de optimizare. Din acest motiv, este recomandabil să se dezvolte metode de cercetare și abordări pentru găsirea unor soluții corecte și aproximative, precum și instrumente de simulare pentru utilizarea în sistemele de sprijinire a deciziilor pentru planificarea, proiectarea și gestionarea complexelor tehnice, organizaționale (inclusiv transport și logistică) și informații sisteme.

Pentru a gestiona interacțiunea de grup, componentele sistemelor organizaționale și tehnice descentralizate (sisteme centrate pe rețea, sisteme de producție, calculatoare, telecomunicații și alte rețele etc.) în contextul restricțiilor privind canalele de comunicații și complexitatea calculelor sunt de o mare importanță pentru caracteristicile proceselor de procesare a informațiilor, precum și restricțiile privind timpul de luare a deciziilor, capacitățile de calcul și lățimea de bandă a canalului de comunicare. Prin urmare, este relevant să se dezvolte metode de optimizare (luând în considerare restricțiile enumerate) ale structurii sistemelor organizaționale și tehnice complexe, inclusiv cu luarea în considerare simultană a multor criterii: detaliile datelor inițiale, eficiența colectării informațiilor, planificarea și luarea de decizii reflexive, performanța limitată a computerelor individuale, reducerea duplicării muncii, precum și cota de calcule auxiliare asociate cu serviciile de transmisie de date.

Sistemele pe mai multe niveluri și descentralizate se caracterizează prin luarea deciziilor distribuite în timp real în condiții de contramăsuri ale informațiilor, precum și incompletitudinea și eterogenitatea informațiilor, de multe ori de natură multicriterială calitativă și subiectivă. Din acest motiv, este necesar să se dezvolte metode pentru crearea unor sisteme adecvate de susținere a informațiilor și sprijinirea adoptării deciziilor strategice și operaționale în condiții de informare incompletă și opoziție. Pentru aceasta, este recomandabil, în special, să se dezvolte: modele multi-agent de sisteme organizaționale și tehnice dinamice, inclusiv modele de rețea cu agenți conflictuali, modele de comportament de grup și prognozele acestuia, evaluarea echilibrului de interese și formarea coalițiilor în aceste sisteme, precum și dezvoltarea tehnologiilor informaționale și a mijloacelor de prezentare a informațiilor despre mediul extern și cunoștințele agenților inteligenți.

2.2. Control inteligent al obiectelor în mișcare

Modelele cantitative nu pot fi întotdeauna create pentru a rezolva sarcinile atribuite, prin urmare, împreună cu metodele tradiționale, Programul folosește metode de inteligență artificială. Inteligența artificială, ca domeniu al cunoașterii, a suferit un salt uriaș în ultimii cincizeci de ani, atât în \u200b\u200bdezvoltarea și rafinarea însăși a conceptului de inteligență, cât și în domeniul aplicării practice a inteligenței artificiale în diferite domenii ale activității umane: în tehnologie, economie, afaceri, medicină, educație etc. Multe concepte teoretice și metode de inteligență artificială au fost transformate în tehnologii inteligente aplicate bazate pe cunoștințe.

Particularitatea generației moderne de sisteme inteligente este că acestea se bazează pe un model complex al mediului extern, care ia în considerare atât informațiile cantitative, cât și modelele calitative - cunoștințe despre comportamentul posibil al diferitelor obiecte din mediul extern și relațiile lor. Utilizarea unor astfel de modele a devenit posibilă datorită dezvoltării metodelor de reprezentare a cunoștințelor, a metodelor de integrare a datelor din diferite surse, a unei creșteri semnificative a vitezei și a memoriei computerelor.

Prezența unui model de mediu extern permite sistemelor moderne de control inteligente pentru obiecte în mișcare să ia decizii în condiții de multicriterii, incertitudine și risc, iar calitatea acestor decizii poate depăși calitatea deciziilor luate de o persoană în condiții de supraîncărcare a informațiilor , timp limitat și stres.

În acest sens, o sarcină urgentă este de a dezvolta noi mijloace și metode pentru dezvoltarea unui control inteligent al obiectelor în mișcare în prezența factorilor de mai sus.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri

Relevanța cercetării în această direcție se datorează necesității de a dezvolta metode pentru analiza și sinteza sistemelor de control și informare modulare deschise pe mai multe niveluri în timp real (IMS RT) ale obiectelor multi-mod și multifuncționale care funcționează în condiții de incertitudine, tulburări structurale și situații de urgență (NSS). Printre aceste obiecte de management se numără obiecte critice și sisteme de utilizare responsabilă care determină securitatea statului.

Este evident că problemele și sarcinile de creare a sistemelor din această clasă pot fi rezolvate cu succes pe baza dezvoltării unei teorii unificate și a metodelor aplicate orientate spre software de analiză dinamică și scenariu și sinteză a structurii unor astfel de sisteme, algoritmice ale acestora. , suport pentru software și informații, mecanisme pentru dezvoltarea influențelor eficiente ale managementului. Acestea includ, în primul rând, dezvoltarea unei metodologii formalizate pentru proiectarea sistemelor de informare și control deschise, inclusiv modele și metode pentru sintetizarea structurii modulare a I&C RW orientată obiect cu o arhitectură deschisă, care este optimă în funcție de eficiența diferită. criterii. Pe baza rezultatelor obținute în stadiul analizei dinamice, se sintetizează o structură modulară funcțională optimă de procesare și control al datelor, adică se determină compoziția și numărul optim de module I&C RV, se sintetizează interfața sistemului și structura acestuia se determină suportul software și informațional pentru procesarea fluxurilor de intrare a aplicațiilor.

Pentru a planifica acțiuni și a sprijini luarea deciziilor în condiții de incertitudine, tulburări structurale și situații de urgență, este recomandabil să se utilizeze metodele de analiză a scenariilor și sinteza acțiunilor de control eficiente în IMS RV. În acest caz, se va forma un model matematic de propagare a tulburărilor structurale și a situațiilor de urgență în limbajul graficelor semnelor ponderate sau funcționale. Pe baza acestui model, scenariile raționale pentru gestionarea obiectelor vor fi sintetizate folosind conceptele de capacitate de lucru, durabilitate și supraviețuire a elementelor lor constitutive. Sinteza scenariilor pentru eliminarea cauzelor și consecințelor NSS în obiectele țintă multi-mod va fi realizată luând în considerare constrângerile de timp și resurse determinate dinamic. De asemenea, este necesar să se dezvolte formulări și metode pentru rezolvarea problemelor inverse de gestionare a supraviețuirii obiectelor multifuncționale și multifuncționale care funcționează în condiții de incertitudine, perturbări structurale și situații de urgență.

Specificitatea mai sus menționată a sistemelor și obiectelor de control, semnificația științifică și practică a rezolvării problemelor de management, analiza și optimizarea acestora ne permit să formulăm următoarele obiective principale și obiective ale programului.

1.2. Principalele obiective și obiective

Scopul principal al programului este de a rezolva problemele fundamentale ale teoriei controlului care împiedică implementarea proiectelor promițătoare de importanță semnificativă a statului în domeniul gestionării sistemelor complexe dinamice și inteligente cu aplicații pentru controlul mișcării obiectelor și proceselor tehnice în sisteme organizatorice.

Se vor efectua cercetări pe următoarele subiecte generalizate.

Direcția 1

· Dezvoltarea metodelor de stabilizare a sistemelor neliniare în situații de măsurare incompletă a coordonatelor și restricții privind structura admisibilă a forțelor de control.

· Dezvoltarea metodelor de observare și control robuste și adaptive în condiții de modele deterministe, probabiliste și alte moduri de incertitudine ale parametrilor obiectului de control și ai mediului funcțional.

· Dezvoltarea metodelor și algoritmilor pentru analiza calitativă și cantitativă a modelelor dinamice continue, discrete și pe mai multe niveluri dinamic continuu-discret și sinteza de control bazată pe metoda de reducere cu funcții de comparare vectorială și matricială și transformări de model.

· Investigarea problemei controlului optim al unei noi clase de sisteme mecanice care se deplasează în medii rezistente din cauza modificărilor în configurația sau mișcarea corpurilor interne.

· Dezvoltarea metodelor de formalizare matematică și soluționarea problemelor de interacțiune a șocurilor sistemelor mecanice în prezența fricțiunii uscate.

· Dezvoltarea metodelor pentru controlul optim al sistemelor discrete-continue și dinamice de impuls.

· Dezvoltarea metodelor pentru controlul garantat al obiectelor neliniare expuse la tulburări necontrolate sub formă de jocuri dinamice.

· Dezvoltarea teoriei controlului sistemelor cuantice.

· Dezvoltarea de metode și algoritmi pentru analiza proprietăților dinamice, cum ar fi stabilitatea, invarianța, disipativitatea pentru evaluarea stării și sinteza controlului pe mai multe niveluri al sistemelor cu o descriere eterogenă a dinamicii proceselor la diferite niveluri.

Direcția 2.1

· Metode de rezolvare a problemelor de control al sistemelor centrate pe rețea de dimensiuni mari cu parametri distribuiți și procese de diferite scări (în spațiu și timp).

· Modele și metode de comunicare-rețea management inteligent descentralizat al proiectelor și programelor distribuite.

· Metode de optimizare a structurii sistemelor multi-nivel și descentralizate.

· Metode și structuri de implementare computerizată a controlului centrat pe rețea într-un spațiu matematic omogen de calcul distribuit și paralel.

· Modele și metode de luare a deciziilor de grup pe baza informațiilor incomplete, eterogene, calitative și subiective.

· Modele și metode de planificare și gestionare a complexelor de operațiuni corelate în sisteme complexe tehnice și de transport și logistică.

· Dezvoltarea principiilor, arhitecturii, metodelor și algoritmilor pentru crearea de sisteme inteligente distribuite software bazate pe tehnologii multi-agent.

· Dezvoltarea de modele și metode de gestionare a informațiilor în structuri de rețea multi-agent.

Direcţie2.2

· Dezvoltarea de modele generalizate de management situațional, reflectând caracteristicile includerii în structura modelelor de rețea fuzzy, neuronală și elemente logico-dinamice.

· Dezvoltarea unei metode de planificare a rutelor care oferă proprietatea stabilității comunicării unui grup de obiecte dinamice controlate, eterogene (cantitative și calitative) în reprezentarea modelului lor.

· Dezvoltarea metodelor de analiză și sinteză a platformelor de modelare adaptive în timp real, luând în considerare neliniaritatea, multi-conectivitatea, dimensiunea ridicată a obiectelor de control cu \u200b\u200bo aplicație pentru obiecte mobile marine.

· Optimizarea sistemelor inteligente de control pe mai multe niveluri ale obiectelor aflate în mișcare într-un mediu conflictual, luând în considerare interacțiunea lor de grup, criteriile multiple, incertitudinea și riscul.

· Dezvoltarea metodelor de furnizare a viziunii tehnice pentru sistemele inteligente de control.

· Dezvoltarea metodelor de control inteligent a obiectelor dinamice care efectuează manevre complexe, bazate pe organizarea mișcării forțate în spațiul de stare al sistemului.

Direcţie2.3

· Modele și metode de analiză și optimizare a structurii modulare a sistemelor de gestionare a informațiilor în timp real pe mai multe niveluri orientate pe obiecte, cu o arhitectură deschisă în condiții de incertitudine și perturbări structurale.

· Metode de analiză și optimizare a modurilor sistemelor de energie electrică și controlul acestora.

· Modele și metode de abordare a indicatorilor de scenariu pentru căutarea punctelor de vulnerabilitate pentru sarcinile de gestionare.

· Metode de modelare, analiză și optimizare a proceselor de control multi-mod ale obiectelor în mișcare.

· Dezvoltarea metodelor și algoritmilor pentru identificarea inteligentă a obiectelor neliniare nestacionare pentru a îmbunătăți eficiența controlului prin formarea unei baze de cunoștințe tehnologice bazate pe informații a priori despre obiectul de control.

· Tehnologii de geoinformare pentru modelarea complexelor naturale și tehnogene în sarcinile de gestionare a ecosistemelor megalopolelor.

· Analiza și optimizarea suportului informațional pentru sistemele de navigație și control.

· Modele și metode de gestionare a proceselor de producție.

Rezultatele teoriei dezvoltate și metodele de analiză și sinteză a sistemelor de control vor fi utilizate în următoarele domenii:

· controlul traficului în aviație și astronautică, obiecte terestre și maritime, vehicule;

· sisteme multi-agent centrate pe rețea, sisteme de producție, calculatoare, telecomunicații și alte rețele ;

· sisteme de transport și logistică ;

· Energie, transport de gaze și alte sisteme de infrastructură la scară largă;

· Sisteme de susținere a informațiilor pentru sarcini de management și sprijin pentru decizii strategice și operaționale în condiții de informație incompletă și opoziție.

Problemele fundamentale ale teoriei construirii sistemelor de control necesită dezvoltarea lor intensivă. Dezvoltarea cercetării în această direcție va permite:

Dezvoltarea bazelor teoretice pentru rezolvarea problemei complexe triune de control-calcul-comunicare (problema este " Control- Calcul- Comunicare") pentru sisteme complexe de informații și control, inclusiv în condiții de restricții privind canalele de comunicații și defecțiuni ale subsistemelor;

Să rezolve problemele legate de gestionarea fundamentală a obiectelor și proceselor noi legate de obiecte în mișcare, obiecte cu destinație specială, sisteme tehnologice și organizaționale;

Să creeze metode eficiente pentru diagnosticarea funcțională și asigurarea toleranței la erori a sistemelor de control ale aeronavelor și a altor obiecte în mișcare, precum și stabilitatea dinamică a sistemelor de energie electrică;

Pentru a îmbunătăți calitatea, accelera și reduce costul dezvoltării soluțiilor de proiectare prin algoritmizare și automatizarea procesului de dezvoltare a sistemelor de control.

În continuare, controlul este înțeles într-un sens larg, inclusiv rețea de comunicații, grup, control distribuit (în literatura de limba engleză - control în rețele, control pe rețele, control distribuit etc.)