Gestión ante la incertidumbre. Resumen: sistemas de control inteligente Objeto de control de los sistemas de control inteligente

Este artículo también está disponible:

Introducción

El control inteligente es una generalización del control semiótico, cognitivo e informativo. En la gestión inteligente del transporte se distinguen las siguientes áreas: sistemas de transporte inteligente, control semiótico inteligente y control cognitivo inteligente. El control semiótico inteligente está asociado con diferentes formas de lógica, sistemas de producción, algoritmos evolutivos. El control cognitivo inteligente se ve como una síntesis del control de la computadora humana utilizando canales asociativos y análisis de conocimiento tácito. El control inteligente se considera un medio para tomar decisiones en condiciones de incertidumbre. Se considera que la gestión inteligente de la información respalda la gestión inteligente de la tecnología de la información.

La necesidad de un control inteligente

Con el desarrollo de la sociedad y la complicación de los objetos y las tareas de gestión, las tecnologías de gestión también cambiaron. El problema más agudo en la gestión de situaciones complejas fue el problema de los "macrodatos". Crea una barrera de información para las tecnologías de "gestión organizacional". El crecimiento de información mal estructurada es característico de la gestión moderna. Esto conduce a la transición a la gestión inteligente, lo que, a su vez, conlleva la necesidad de aplicar tecnologías de gestión del conocimiento. El control inteligente se basa en sistemas inteligentes y tecnologías inteligentes. Un sistema inteligente es un sistema técnico o software-técnico capaz de obtener soluciones creativas a problemas pertenecientes a un área temática específica, cuyo conocimiento se almacena en la memoria de dicho sistema. Simplificada, la estructura de un sistema inteligente incluye tres bloques principales: una base de conocimientos, un solucionador y una interfaz inteligente. El solucionador es el componente dominante de un sistema inteligente. En lógicas de primer orden, un solucionador es un mecanismo para obtener soluciones a expresiones lógicas. En los sistemas multiagente, que se clasifican como inteligencia artificial, también se utiliza el concepto de solucionador. Un agente es un solucionador de problemas, que es una entidad de software que puede actuar para lograr sus objetivos. En el modelado simbólico, un solucionador s es un valor de especialización de mensajes. Uno de los primeros en Rusia en introducir este concepto fue Efimov E.I. ... De esta breve lista se desprende la importancia del solucionador para sistemas inteligentes y tecnologías inteligentes.

Control inteligente en el marco de la semiótica aplicada

La semiótica estudia la naturaleza, tipos y funciones de los signos, los sistemas de signos y la actividad humana de los signos, esencia de los signos de los lenguajes naturales y artificiales con el fin de construir una teoría general de los signos. En el campo de la semiótica existe una dirección "semiótica aplicada", cuyo fundador es D.A. Pospelov.

En semiótica se distinguen dos áreas de aplicación de los signos: cognición y comunicación. Esto divide la semiótica en dos partes: semiótica de la cognición; semiótica de las comunicaciones semánticas. La base del control inteligente es el sistema semiótico. Según Pospelov, un ocho ordenado de conjuntos se denomina sistema semiótico W:

W =< T, R, A, P, τ, ρ, α, π>, (1)

dónde
T - conjunto de símbolos básicos;
R - conjunto de reglas sintácticas;
A - mucho conocimiento sobre el área temática;
P es un conjunto de reglas para derivar decisiones (reglas pragmáticas);
τ son las reglas para cambiar el conjunto T;
ρ - reglas para cambiar el conjunto R;
α - reglas para cambiar el conjunto A;
π son las reglas para cambiar el conjunto P.

Los dos primeros conjuntos generan el lenguaje del sistema W, y τ y ρ realizar su cambio. normas α cambiar mucho el conocimiento sobre el área temática. Si consideramos el conocimiento como axiomas del sistema formal (que está formado por los primeros cuatro elementos de W), entonces las reglas α , en esencia, cambiar la interpretación de los símbolos básicos y, en consecuencia, las fórmulas correctamente construidas del lenguaje del sistema semiótico W.

Los primeros cuatro conjuntos forman el sistema formal FS, los elementos del quinto al octavo forman las reglas para cambiar el sistema formal. De esta manera, aseguran la adecuación del sistema formal, "ajustándolo" para solucionar problemas y problemas que dentro del sistema FS no se puede resolver.

Así, el sistema semiótico (1) se puede definir como un sistema dinámico compuesto: W = , dónde FSi- determina el estado del sistema semiótico, y MFsi- la regla para cambiar su estado. En esto cabe señalar que aunque estamos hablando de un sistema semiótico, de facto dicho sistema describe el objeto de control, es decir, el estado del objeto de control y su dinámica.

Por tanto, se puede dar una nueva interpretación al sistema semiótico. Sistema dinámico compuesto: W = FSi, que determina el estado en la situación de información o posición de información, dinámica MFsi, que define las reglas para la transición del objeto de control de una posición de información a otra.

normas MFsi = (τ, ρ, α, π), los que cambian el estado del sistema formal (objeto de control) están conectados por la dependencia existente en los elementos del triángulo semiótico (triángulo de Frege). Esto significa que la aplicación de una de las cuatro reglas conduce a la aplicación de las reglas restantes.

Estas dependencias son complejas, su representación analítica está ausente, y esto es difícil y es objeto de investigación en sistemas semióticos de inteligencia artificial. Por lo tanto, es más fácil utilizar el enfoque de información y el modelado de información.

Extensiones de sistemas de control formales en forma de componentes dinámicos. MFsi proporcionan las propiedades de apertura de los sistemas. Crean la capacidad de adaptar el objeto de control a las influencias de la gestión y las condiciones externas cambiantes.

Esto, en particular, permite ampliar significativamente las posibilidades de apoyo a la toma de decisiones en condiciones de incertidumbre, incompletitud e inconsistencia de la información inicial.

Tipos de incertidumbres en la implementación del control inteligente.

Los métodos de control tradicionales, incluidos algunos tipos de control inteligente, se basan en el supuesto de que los modelos de estado y control de un objeto describen con precisión su comportamiento. Los métodos basados ​​en esta suposición se incluyen en la teoría de control clásica. Sin embargo, en condiciones de volúmenes crecientes, crecimiento de información no estructurada y el impacto del entorno externo, las desviaciones de esta condición son características.

Casi cualquier modelo es una descripción simplificada de un objeto real, su estado y su comportamiento. El grado de simplificación puede ser tolerable o crear ambigüedad. En la dinámica del comportamiento del objeto de control, algunas características del objeto pueden cambiar significativamente en el curso de su funcionamiento. Todo esto crea ambigüedades en varios modelos de descripción de un objeto y dificulta su gestión, incluso intelectual. El modelo de control típico que subyace al algoritmo de control o un conjunto de reglas de control establecidas se denomina nominal.

En condiciones de incertidumbre significativa, los métodos clásicos de la teoría de control resultan inaplicables o dan resultados insatisfactorios. En estos casos, es necesario utilizar métodos especiales de análisis y síntesis de sistemas de control para objetos con modelos indefinidos. El primer paso es evaluar el tipo y valor de la incertidumbre.

Se distinguen los principales tipos de incertidumbres en los modelos de gestión: paramétricas, funcionales, estructurales y de señal.

La incertidumbre paramétrica significa que los parámetros constantes del modelo son desconocidos o imprecisos. Por ejemplo, se utilizan valores de intervalo en lugar de valores de puntos. En la transición a los sistemas de medición de la información, podemos hablar de la falta de certeza informativa de los parámetros. Por lo tanto, en muchos casos, los valores reales de los parámetros pueden diferir significativamente de los valores nominales aceptados.

La incertidumbre de la señal significa que la acción de control o los flujos de información en el sistema de control se ven afectados por interferencias que cambian significativamente las señales nominales. Las señales que desvían el proceso de control del nominal se denominan perturbaciones o ruidos. La diferencia es que la interferencia es pasiva y solo cambia la relación señal / ruido. La perturbación cambia la señal con la misma interferencia.

Los sistemas de control inteligentes modernos deben garantizar el funcionamiento autónomo de muchos objetos técnicos relacionados. Esto da motivos para hablar de un sistema de control inteligente (IMS). Un sistema inteligente debe resolver problemas complejos, incluida la planificación, el establecimiento de objetivos, la previsión, etc. Por versatilidad, adaptación y precisión de las soluciones, es recomendable utilizar un control inteligente polivalente.

La arquitectura multinivel de un sistema de control inteligente consta de tres niveles: conceptual, informativo y operativo (Fig. 1). Un sistema basado en dicha arquitectura controla el comportamiento de objetos técnicos complejos en condiciones de interacción autónoma y colectiva. El nivel conceptual es responsable de la implementación de funciones intelectuales superiores.

Figura 1. Control inteligente multinivel.

A nivel conceptual se utiliza una representación semiótica (de signos) del conocimiento y se intercambian mensajes con el resto de niveles. Los niveles de información y operativos contienen módulos que soportan diversos procedimientos intelectuales y de información y los transforman en gestión.

La principal tarea de la gestión a nivel conceptual es el almacenamiento, adquisición y uso del conocimiento conceptual presentado en forma semiótica (simbólica).

Sistema dinámico compuesto: W = incluye dos componentes: estático FSi que define el sistema de señalización dinámica MFsi, que define el sistema de reglas (Fig. 1).

La adquisición de conocimientos se basa en un modelo de una situación real en el entorno externo. Las funciones intelectuales más elevadas incluyen las funciones de establecer el objetivo principal y los subobjetivos, planificar el comportamiento y distribuir los impactos en un plan de acción general.

A nivel de gestión de la información se resuelven las tareas de modelado de información, las principales de las cuales son: construcción de una situación de información, posición de la información, que corresponden al componente FSi... A nivel de gestión de la información se resuelven las tareas de construcción de una estructura de información, la cual es reflejo del sistema de reglas del nivel conceptual y corresponde al componente Mfsi. El entorno del lenguaje de control semiótico a nivel de información se implementa mediante el uso de varias unidades de información. Que sirven como base para construir una situación de información, una posición de información y una estructura de información.

En el nivel operativo (ejecutivo), se lleva a cabo la implementación de las decisiones de gestión (influencias de la gestión). Las influencias de la gestión cambian sin falta la posición informativa del objeto controlado. Las influencias de la gestión pueden cambiar, si es necesario, la situación de información del objeto controlado. Al mismo tiempo, no suele ser necesario cambiar la situación de la información. La tarea principal de este nivel es cambiar el estado y la posición del objeto de control y reportar cambios al nivel conceptual.

La arquitectura en capas tiene varias características. Incluye una serie de funciones cognitivas humanas. Se basa en el uso de un enfoque informativo para la gestión inteligente.

Cabe señalar la diferencia entre tecnología inteligente y tecnología de la información. La tecnología de la información realiza funciones de apoyo al control inteligente. El papel principal lo desempeñan las tecnologías inteligentes de toma de decisiones. Permiten, junto con una solución o en el curso de la obtención de una solución, la búsqueda de nuevos conocimientos y la acumulación de recursos intelectuales. Las tecnologías de la información crean solo recursos de información. Esto significa que el conocimiento formalizado de forma explícita, una vez dominado, puede convertirse en parte de la experiencia y parte de la base de conocimiento y ser utilizado por esta para resolver problemas y tomar decisiones.

Conclusión

El control inteligente es eficaz y necesario a la hora de gestionar objetos complejos para los que es difícil o imposible encontrar modelos formales de funcionamiento. La base del control inteligente son los modelos semióticos en primer lugar y los informativos en segundo lugar. Los métodos de control inteligente son diversos y aplicables a los sistemas técnicos, cognitivos y de transporte. El control inteligente se utiliza ampliamente para el control de usos múltiples. La gestión inteligente moderna se está integrando en plataformas y servicios en la nube. Al gestionar organizaciones y corporaciones distribuidas, es necesario tener en cuenta las relaciones espaciales y el conocimiento espacial. Otro problema es el número limitado de tecnologías inteligentes para trabajar con conocimiento tácito. Técnicamente, el problema de la gestión del conocimiento está asociado a la transformación de los recursos de información en recursos intelectuales y su aplicación en tecnologías inteligentes.

Lista bibliográfica

UDC 004.896

I. A. Shcherbatov

CONTROL INTELIGENTE DE SISTEMAS ROBÓTICOS BAJO INCERTIDUMBRE

Introducción

Control inteligente: la aplicación de métodos de inteligencia artificial para controlar objetos de diversa naturaleza física. En el campo del control de sistemas robóticos, los métodos de inteligencia artificial son los más utilizados. Esto se debe, en primer lugar, a la autonomía de los robots y a la necesidad de que estos resuelvan tareas creativas no formalizadas en condiciones de información incompleta y diversos tipos de incertidumbre.

Hasta hace poco, la clase especificada de problemas seguía siendo prerrogativa de la inteligencia natural: un operador de un objeto de control, un ingeniero, un científico, es decir, una persona. Los avances modernos en el campo de la teoría del control automático, los métodos inteligentes de formalización de tareas semiestructuradas y la gestión de sistemas técnicos complejos permiten implementar sistemas robóticos muy complejos, que incluyen plataformas robóticas móviles, líneas automatizadas flexibles y robots Android.

Los sistemas robóticos operan en condiciones de información de entrada incompleta, cuando la imposibilidad fundamental de medir una serie de parámetros impone restricciones significativas al programa de control. Esto lleva a la necesidad de desarrollar una base de algoritmos que permitan, a partir de signos indirectos e indicadores medibles, calcular parámetros no medidos.

La incertidumbre del entorno externo en el que funciona el sistema robótico hace necesario incluir en el sistema de control diversos tipos de compensadores, módulos de adaptación, acumulación y ordenamiento de información.

Formulación del problema

El objetivo de la investigación fue la formación de enfoques para la construcción de sistemas de control inteligente para sistemas robóticos que sean invariables con respecto a las características específicas del funcionamiento, teniendo en cuenta la incompletitud de la información de entrada y varios tipos de incertidumbre.

Para lograr este objetivo, es necesario resolver una serie de tareas interrelacionadas: analizar las arquitecturas de los sistemas de control inteligente para sistemas robóticos; desarrollar un algoritmo generalizado para la identificación situacional de un sistema robótico; desarrollar un diagrama generalizado de un sistema de control de sistema robótico; desarrollar sistemas de control inteligente para un robot de manipulación, una plataforma robótica móvil y una línea automatizada flexible.

Métodos de búsqueda

En el curso de la investigación se utilizaron los métodos de la teoría general del control automático, la teoría de conjuntos difusos, las redes neuronales, el análisis de sistemas y la teoría de evaluaciones de expertos.

Ubicación del sistema robótico en el entorno externo.

Para la implementación de algoritmos de control inteligente, la prioridad es la tarea de la identificación actual de la situación en la que se encuentra el sistema robótico. Para solucionar este problema, se ha desarrollado un diagrama estructural del sistema de identificación situacional (Fig. 1).

La unidad de visión técnica y sentido sensorial está diseñada para determinar cambios en el estado del entorno externo y presentar un mapa sensorial del entorno para su posterior procesamiento. El mapa sensorial del entorno es una imagen de la situación en la que se encuentra el robot en el momento actual en el tiempo. El intervalo de tiempo para la construcción de un mapa de sensores se selecciona en función de las características específicas del área temática.

Base de conocimientos

Operador

Intelectual

interfaz

Identificador

algoritmos

Órganos de visión técnica y percepción sensorial

Ambiente externo

Ejecutivo

mecanismos

Arroz. 1. Diagrama de bloques del sistema de identificación de la situación

La memoria de trabajo, por analogía con los sistemas expertos, está diseñada para procesar información proveniente de sensores y procesada utilizando la base de algoritmos existente y la base de conocimiento (KB) del sistema robótico.

La base de los algoritmos incluye algoritmos para preprocesar un mapa de sensor (procesamiento de señales digitales, reconocimiento de imágenes de sonido e imágenes), calcular parámetros no medidos (dependencias funcionales de los parámetros medidos), restaurar la integridad de la información (verificar que el conocimiento esté completo e inconsistente, adaptar el conocimiento teniendo en cuenta la no estacionariedad y las condiciones externas variables), operaciones matemáticas, etc.

La base de conocimiento es una estructura jerárquica compleja que contiene información a priori sobre el entorno externo, establecida en la etapa de entrenamiento, el conocimiento completo y consistente adquirido por el robot en el proceso de funcionamiento y percepción del entorno externo. El conocimiento en la base de conocimiento se clasifica de acuerdo con los criterios de relevancia y se actualiza teniendo en cuenta los cambios en las características específicas del funcionamiento del robot en función de los algoritmos de adaptación del conocimiento.

El bloque más importante es el identificador de situación. Es este bloque el que se encarga del correcto reconocimiento de la imagen de la situación en base al mapa de sensores. La información del resultado de este bloque es decisiva para la elección del programa de control del sistema robótico.

Y finalmente, una interfaz inteligente, necesaria para la comunicación con el operador. El operador controla el funcionamiento del sistema robótico, además de monitorear el proceso para lograr los objetivos establecidos. Como regla general, la comunicación entre el robot y el operador debe tener lugar utilizando una interfaz de lenguaje natural en un subconjunto limitado del lenguaje natural.

La estructura de un sistema de control para un sistema robótico en condiciones de incertidumbre.

La implementación de algoritmos y programas para el control inteligente de sistemas robóticos en condiciones de incertidumbre está asociada a una serie de dificultades importantes.

La complejidad de los algoritmos para el procesamiento preliminar de la información de entrada y la incertidumbre estructural del modelo de comportamiento del propio sistema robótico determinan la redundancia de la estructura del sistema de control inteligente.

Para solucionar el problema de controlar un robot en condiciones de incertidumbre, se ha diseñado la siguiente arquitectura de un sistema de control inteligente (Fig. 2).

Un sistema de identificación de la situación (SID) debería ser parte de cualquier sistema de control inteligente para un sistema robótico. Un dispositivo de control inteligente (IUU) contiene una BZ y una unidad de selección de programa de control (BVPU). El propósito de este bloque es desarrollar una acción de control para el sistema de accionamientos eléctricos (ED) que actúa sobre el sistema mecánico (MS) del robot.

Arroz. 2. Diagrama de bloques del sistema de control inteligente del sistema robótico

Sistemas de control de manipuladores industriales

Los sistemas de control de manipuladores industriales tradicionales se dividen en varias clases. La primera clase de sistemas son los sistemas de control programados.

El sistema de control continuo del cuerpo de trabajo del manipulador implica ajustar el manipulador al modelo de referencia. Este algoritmo de control no tiene en cuenta las pérdidas en el manipulador MS y se supone que todos los esfuerzos desarrollados por los accionamientos se transfieren al cuerpo de trabajo.

El sistema de control de fuerza programado en el cuerpo de trabajo se utiliza para controlar no solo el vector de fuerza, sino también el vector de la posición del cuerpo de trabajo. El sistema de control independiente de movimiento y fuerza en el cuerpo de trabajo del manipulador para diferentes grados de movilidad tiene dos bucles de control con retroalimentación: posición y fuerza.

En el sistema de control acoplado de desplazamiento y fuerza en el cuerpo de trabajo del manipulador, la tarea por el vector de la posición del cuerpo de trabajo es corregida por el valor actual del vector de fuerza. Esto significa que cuando el cuerpo de trabajo se mueve, la magnitud de su carrera se corrige por la fuerza del impacto en el entorno externo.

Los sistemas de control adaptativo se utilizan al realizar: operaciones de toma de un objeto ubicado o en movimiento arbitrariamente, soldadura por arco de costuras con una posición variable, evitando obstáculos en movimiento e imprevistos. Para ello se utilizan sistemas adaptativos con memoria asociativa.

Para el control de manipuladores industriales, también se utilizan sistemas de control robustos, que actualmente se utilizan ampliamente en la práctica.

Implementación de control inteligente

El problema del funcionamiento de un sistema robótico en condiciones de incertidumbre es multifacético.

Considere el problema de planificar el comportamiento de un sistema robótico en condiciones de incertidumbre. Para resolverlo, lo más conveniente es utilizar la tecnología de sistemas expertos dinámicos. La base de conocimientos de dicho sistema experto se ajusta con el tiempo. Si se aplica una base de reglas de producción, la composición de las reglas de producción se examina continuamente para verificar su integridad y coherencia. Además, debido a los algoritmos de adaptación, las reglas obsoletas y obsoletas se están actualizando y reemplazando. Al mismo tiempo, se presta especial atención a los temas de la enseñanza del sistema experto sin un docente (autoaprendizaje), ya que monitorear el sistema de un especialista altamente calificado es económicamente inconveniente.

El bloque de autoaprendizaje o autoajuste de la base de conocimientos del sistema experto requiere un estudio cuidadoso en la etapa de diseño de un sistema de control inteligente para un sistema robótico.

mi. De la calidad de esta etapa del trabajo de diseño depende a menudo la eficacia de la resolución de la tarea. Debe incluir subsistemas para evaluar la integridad y la inconsistencia del conocimiento, evaluar la calidad de la gestión y corregir el conocimiento.

Cronológicamente, la siguiente etapa después de planificar el comportamiento puede ser el problema de emitir comandos de control a un sistema robótico en lenguaje natural. Para crear una interfaz de lenguaje natural, en nuestra opinión, la herramienta de implementación más adecuada es la teoría de conjuntos difusos.

Con la ayuda de variables lingüísticas que contienen un determinado conjunto de términos previamente descrito, se realiza una descripción del área temática, se realiza un sistema limitado de comandos y objetos que afectan al sistema robótico y cambian bajo su acción. Los métodos de fuzzificación y defuzzificación utilizados en este caso, así como los algoritmos de inferencia difusa, tienen un impacto significativo en la precisión de las acciones de control y la velocidad del sistema robótico.

Y finalmente, el uso de sistemas de control de redes neuronales para sistemas robóticos. La principal ventaja de una red neuronal es que no es necesario conocer o crear un modelo matemático de un objeto, ya que una red neuronal es un aproximador difuso universal.

El objeto (sistema robótico) actúa como una "caja negra". La red neuronal puede actuar como modelo de referencia para un sistema robótico controlado. Cabe señalar que esta debería ser una red neuronal multicapa de aprendizaje (identificador de objeto). El modelo de red neuronal está sintonizado con el objeto de control por la falta de coincidencia entre las señales de salida del objeto y el modelo. También forma una muestra de entrenamiento para ajustar y ajustar el dispositivo de control de acuerdo con el criterio de calidad seleccionado.

Conclusión

El análisis permitió sintetizar la arquitectura de un sistema de control inteligente para sistemas robóticos que es invariable con respecto a las especificidades de funcionamiento. El algoritmo de identificación de la situación desarrollado hace posible construir mapas de sensores altamente informativos del entorno externo. Se describen los principales enfoques para la formación de sistemas de control inteligente para sistemas robóticos. Se muestran las direcciones del desarrollo de la perspectiva de los métodos más efectivos de inteligencia artificial utilizados para la implementación de dispositivos de control.

BIBLIOGRAFÍA

1. Yurevich EI Fundamentos de robótica. - SPb.: BHV-Petersburg, 2007 .-- 416 p.

2. Sistemas de manipulación de robots / ed. A.I. Korendyaseva. - M .: Mashinostroenie, 1989.- 472 p.

3. Burdakov SF Síntesis de reguladores robustos con elementos elásticos: colección de artículos. científico. tr. - No. 443. Mecánica y procesos de gestión. - SPb.: SPbSTU, 1992.

4. Protalinsky OM Aplicación de métodos de inteligencia artificial en la automatización de procesos tecnológicos: monografía. - Astrakhan: Editorial de ASTU, 2004.- 184 p.

El artículo fue recibido por los editores el 13.01.2010

GESTIÓN INTELECTUAL DE SISTEMAS ROBÓTICOS EN CONDICIONES DE INCERTIDUMBRE

I. A. Shcherbatov

El propósito del trabajo dado es una formación de enfoques para la construcción de sistemas de control intelectual de sistemas robóticos, invariantes en relación con la especificidad del funcionamiento, considerando la incompletitud de la información de entrada y varios tipos de incertidumbre. Se lleva a cabo el análisis, que permitió sintetizar la arquitectura de un sistema de control intelectual de sistemas robóticos invariante en relación a la especificidad de funcionamiento. El algoritmo desarrollado de identificación situacional permite construir buenas tarjetas táctiles del entorno. Se describen los enfoques básicos para la formación de sistemas de control intelectual de sistemas robóticos. Se muestran las direcciones del desarrollo en perspectiva de los métodos más eficaces del intelecto artificial aplicados a la realización de los dispositivos de actuación.

Palabras clave: sistema robótico, el robot, gestión intelectual, incertidumbre estructural, incompletitud de la información, tarjeta táctil, red neuronal, teoría de los conjuntos indistintos, sistema experto autodidacta.

TEMA 13. SISTEMAS DE CONTROL INTELIGENTES

Una nueva generación de sistemas - sistemas inteligentes (SI) - dio vida a otros principios de organización de los componentes de los sistemas, aparecieron nuevos conceptos, términos, bloques que no se encontraban previamente en los desarrollos y, por tanto, en la literatura científica.

Los sistemas inteligentes son capaces de sintetizar una meta, tomar una decisión de acción, proporcionar una acción para lograr la meta, predecir los valores de los parámetros de resultado de la acción y compararlos con los reales, formando retroalimentación, ajustando la meta o control.

La Figura 13.1 muestra un diagrama de bloques del SI, donde se destacan dos grandes bloques del sistema: la síntesis de la meta y su implementación.

En el primer bloque, a partir de la valoración activa de la información recibida del sistema sensor, en presencia de motivación y conocimiento, se sintetiza un objetivo y se toma una decisión de actuación. La evaluación activa de la información se lleva a cabo bajo la influencia de señales de activación. La variabilidad del entorno y del propio estado del sistema puede llevar a la necesidad de algo (motivación), y si hay conocimiento, se puede sintetizar una meta.

La meta se entiende como una anticipación mental ideal del resultado de una actividad. Continuando evaluando activamente la información sobre el entorno y el propio estado del sistema, incluido el objeto de control, al comparar las opciones para lograr el objetivo, puede tomar una decisión de acción.

Además, en el segundo bloque, un sistema experto dinámico (DES), basado en información actual sobre el entorno y su propio estado del SI, en presencia de un objetivo y conocimiento, realiza una evaluación experta, toma una decisión sobre la gestión , predice los resultados de una acción y desarrolla el control.

El control codificado se convierte en una señal física y se envía a los actuadores.

El objeto de control, al recibir una señal de los actuadores, realiza una u otra acción, cuyos resultados, presentados en forma de parámetros, a través del bucle de retroalimentación 2 ingresan al DES, donde se comparan con los predichos. Al mismo tiempo, los parámetros del resultado de la acción, interpretados de acuerdo con las propiedades del objetivo y entrando en el bloque I, se pueden utilizar para una evaluación emocional del resultado alcanzado: por ejemplo, el objetivo se alcanza, pero el el resultado no es agradable.

Si el objetivo se logra en todos los aspectos, la gestión se refuerza. De lo contrario, se corrige el control. Cuando la meta es inalcanzable, entonces la meta se ajusta.

Cabe señalar que con cambios bruscos en el estado del entorno, o del objeto de control, o del sistema en su conjunto, es posible sintetizar una nueva meta y organizar su consecución.

La estructura IS, junto con nuevos elementos, contiene elementos y conexiones tradicionales, el lugar central en ella lo ocupa un sistema experto dinámico.

Bloque 1 - síntesis de objetivos Bloque II - realización de objetivos

Figura 13.1 - Diagrama de bloques de IC

Formalmente, IS se describe mediante las siguientes seis expresiones:

T X S METRO T ;

T METRO S S T ;

C T S R T;

T NS= (A T) X T + (B T) U T;

T Y = (D T) X T;

T R Y CON T ,

donde T es un conjunto de puntos en el tiempo;

X, S, M, C, R e Y: el conjunto de estados del sistema, entorno, motivación, objetivo, resultado previsto y real;

А, В y D - matrices de parámetros;

Operadores de transformación inteligente utilizando el conocimiento.

Esta descripción combina la representación de los objetos del sistema en forma de un conjunto de significados, o un conjunto de declaraciones, o algunas otras formas.

Las propiedades dinámicas del IS se pueden describir en el espacio de estados. Los operadores inteligentes que implementan la percepción, la representación, la formación de conceptos, el juicio y la inferencia en el proceso de cognición son un medio formal para procesar la información y el conocimiento, así como para tomar una decisión. Todos estos aspectos deben formar la base para construir DES que operen en tiempo real y en el mundo real.

Un sistema experto dinámico es una especie de educación compleja capaz de evaluar el estado del sistema y el entorno, comparar los parámetros de los resultados deseados y reales de una acción, tomar una decisión y desarrollar un control que contribuya al logro de la meta. Para hacer esto, DES debe tener un acervo de conocimientos y tener métodos para resolver problemas. El conocimiento transferido al sistema experto se puede dividir en tres categorías:

1) El conocimiento conceptual (a nivel de conceptos) es el conocimiento incorporado en las palabras del habla humana o, más específicamente, en términos científicos y técnicos y, naturalmente, en las clases y propiedades de los objetos ambientales detrás de estos términos. Esto también incluye conexiones, relaciones y dependencias entre conceptos y sus propiedades, y las conexiones son abstractas, también expresadas en palabras y términos. El conocimiento conceptual es el ámbito, principalmente de las ciencias fundamentales, si tenemos en cuenta que el concepto es el producto superior del producto superior de la materia: el cerebro;

2) el conocimiento fáctico del tema es una colección de información sobre las características cualitativas y cuantitativas de objetos específicos. Es con esta categoría de conocimiento que se asocian los términos "información" y "datos", aunque tal uso de estos términos disminuye un poco su significado. Cualquier conocimiento lleva información y puede presentarse en forma de datos; el conocimiento fáctico es con lo que las computadoras siempre se han ocupado y con lo que más han estado tratando hasta ahora. La forma moderna de acumulación de datos suele denominarse bases de datos. Por supuesto, para organizar bases de datos, para encontrar la información necesaria en ellas, uno debe apoyarse en el conocimiento conceptual;

3) conocimiento algorítmico, procedimental - esto es lo que generalmente se llama las palabras "habilidad", "tecnología", etc. En informática, el conocimiento algorítmico se implementa en forma de algoritmos, programas y subrutinas, pero no cualquiera, excepto aquellos que pueden transmitirse de las manos a las manos y utilizarse sin la participación de los autores. Esta implementación de conocimiento algorítmico se denomina producto de software. Las formas más comunes de un producto de software son paquetes de software, sistemas de software y otros, enfocados en un área específica de la aplicación DES. La organización y el uso de paquetes de aplicaciones se basan en el conocimiento conceptual.

Está claro que el conocimiento conceptual es una categoría de conocimiento superior y definitoria, aunque desde un punto de vista práctico, otras categorías pueden parecer más importantes.

Probablemente esta sea la razón por la que el conocimiento conceptual rara vez se incorpora en una forma que pueda procesarse en computadoras. Y si está incorporado, la mayoría de las veces es incompleto y unilateral. En la mayoría de los casos, una persona sigue siendo portadora del conocimiento conceptual. Esto ralentiza la automatización de muchos procesos.

Las representaciones del conocimiento conceptual, o más bien, los sistemas que implementan las tres categorías de conocimiento, pero resaltan el conocimiento conceptual en primer plano y funcionan sobre la base de su uso intensivo, se denominan bases de conocimiento.

La creación y uso generalizado de bases de conocimiento en PI es una de las tareas más urgentes. La parte conceptual de la base de conocimientos se denominará modelo de dominio, la parte algorítmica, el sistema de software, y la parte fáctica, la base de datos.

La siguiente función de DES es la resolución de problemas. Un problema puede ser resuelto por una máquina solo si se plantea formalmente, si se ha escrito una especificación formal para él. Este último debería basarse en alguna base de conocimientos. El modelo de dominio describe el entorno general en el que surgió la tarea y la especificación describe el contenido de la tarea. En conjunto, permiten establecer qué conexiones y dependencias abstractas, en qué combinaciones y en qué secuencia deben utilizarse para resolver el problema.

Los programas de aplicación representan las herramientas específicas detrás de estas dependencias y también contienen algoritmos para resolver las ecuaciones que surgen. Finalmente, la base de datos proporciona la totalidad o parte de los datos iniciales para ejecutar estos algoritmos, los datos faltantes deben estar contenidos en la especificación.

Estas tres partes de la base de conocimientos corresponden a tres etapas de resolución del problema:

1) construcción de un programa de solución abstracto (incluida la aparición del problema, su formulación y especificación);

2) traducción del problema a un lenguaje de máquina adecuado;

3) difusión y ejecución del programa.

La construcción de un programa abstracto está asociada a la representación y procesamiento del conocimiento conceptual en SI y, por definición, es propiedad de la inteligencia artificial.

La inteligencia artificial está asociada al procesamiento de textos, mensajes orales en lenguaje natural, al análisis y procesamiento de información (reconocimiento de todo tipo de imágenes, demostración de teoremas, inferencia lógica, etc.).

Las funciones de DES son también la valoración de los resultados de la resolución del problema, la formación de los parámetros del resultado futuro de la acción, la toma de decisiones sobre la gestión, el desarrollo del control y la comparación de los parámetros de lo deseado y real. resultados. Proporciona el modelado de procesos para evaluar las posibles consecuencias y la corrección de la solución al problema.

Tenga en cuenta que en casos reales existe el problema de describir los objetos en estudio. Es inapropiado considerar tal descripción como parte de la especificación de la tarea, ya que, por regla general, muchas tareas se plantean en relación con un objeto, que, por supuesto, deben tenerse en cuenta al formar la base de conocimientos. Además, puede resultar que el problema que ha surgido no pueda resolverse automáticamente hasta el final, por ejemplo, debido a que la especificación o descripción del objeto está incompleta.

Por tanto, en el SI, es recomendable en determinadas etapas disponer de un modo de funcionamiento interactivo con DES. Debe recordarse que el modelo de dominio describe el entorno general (conocimiento) y la especificación describe el contenido de la tarea. Problemas muy importantes son la creación de un entorno de software unificado y la síntesis de algoritmos directamente de acuerdo con la formulación del problema.

Dependiendo del objetivo al que se enfrente el SI, la base de conocimientos, los algoritmos para resolver un problema, tomar una decisión, desarrollar el control pueden, por supuesto, tener una representación diferente, que, a su vez, depende de la naturaleza de la resolución de problemas. En consecuencia, se pueden ver tres tipos de DES. La estructura de un DES del primer tipo se muestra en la Figura 13.2.

Figura 13.2 - Estructura de DES del primer tipo

Se asume aquí que el conocimiento conceptual y fáctico refleja con precisión los procesos y la información relacionados con una determinada área temática.

Luego, la solución al problema que surja en esta área se obtendrá sobre la base de métodos matemáticos rigurosos, de acuerdo con la formulación y especificación. Los resultados del estudio de decisión y la previsión se utilizan para obtener una opinión experta y tomar una decisión sobre la necesidad de gestión. Luego, basándose en un algoritmo de control adecuado disponible en la base de conocimientos, se forma una acción de control.

La efectividad y consistencia de este impacto, antes de que llegue al objeto de control, se evalúa mediante un modelo de simulación matemática. La evaluación debe realizarse más rápido que los procesos reales en SI.

Sin embargo, los DES que implementan la toma de decisiones son sistemas de software complejos diseñados para la toma de decisiones automática o para ayudar a los tomadores de decisiones, y en la gestión operativa de sistemas y procesos complejos, por regla general, operan con limitaciones de tiempo severas.

A diferencia de los DES del primer tipo, diseñados para encontrar la solución óptima y basados ​​en métodos matemáticos rigurosos y modelos de optimización, los DES del segundo tipo se enfocan principalmente en resolver problemas formalizados difíciles en ausencia de información completa y confiable (Fig. 13.3). Utiliza modelos expertos basados ​​en el conocimiento de expertos: especialistas en esta área del problema y métodos heurísticos para encontrar una solución.

Uno de los principales problemas en el diseño de un DES del segundo tipo es la elección de un aparato formal para describir los procesos de toma de decisiones y construir sobre su base un modelo de toma de decisiones adecuado al área del problema (semánticamente correcto). Los sistemas de producción se utilizan habitualmente como tales aparatos. Sin embargo, la investigación principal se lleva a cabo en el contexto de una interpretación algorítmica (determinista) de un sistema de producción con su esquema de búsqueda de solución secuencial inherente.

Los modelos resultantes a menudo son inadecuados para áreas de problemas reales caracterizadas por el no determinismo del proceso de encontrar una solución. La salida a esta situación es buscar el paralelismo.

En realidad, uno debería enfocarse en combinar DES del primer y segundo tipo en un DES lógico-computacional del tercer tipo, donde la base de conocimiento combina la descripción en forma de fórmulas matemáticas estrictas con información de expertos, así como, en consecuencia, métodos matemáticos para encontrar una solución con métodos heurísticos no estrictos, y el peso de uno u otro componente está determinado por la posibilidad de una descripción adecuada del área temática y el método para encontrar una solución (figura 13.4).

Figura 13.3 - Estructura de la planta de energía diesel de segundo nivel

Al desarrollar un DES, surgen los siguientes problemas:

1. determinación de la composición de la base de conocimientos y su formación;

2. desarrollo de teorías y métodos nuevos y conocidos para describir los procesos de información en SI;

3. desarrollo de formas de representar y organizar el uso del conocimiento;

4. desarrollo de algoritmos y software con paralelización y uso de "lógica flexible";

1. encontrar entornos informáticos adecuados para la implementación de algoritmos paralelos en la formación de DES.

Figura 13.4 - La estructura de la planta de energía diesel de tercer nivel

Junto a lo anterior, es importante señalar que el DES debe tener la propiedad de adaptarse a un área problemática dinámica, la capacidad de introducir nuevos elementos y conexiones en la descripción de situaciones, cambiar las reglas y estrategias para el funcionamiento de los objetos en el proceso de toma de decisiones y desarrollo de control, trabajo con información incompleta, difusa y contradictoria, etc.

Los sistemas expertos dinámicos operan como parte de los SI con retroalimentación y, por lo tanto, es importante garantizar el funcionamiento estable de dichos SI.

Desde el punto de vista tradicional, se puede suponer que la duración de la respuesta DES a la entrada influye, es decir, el tiempo dedicado al procesamiento de la información de entrada y al desarrollo de una acción de control es pura demora. Basado en el análisis de frecuencia, es posible estimar el cambio en las propiedades de fase del sistema y así determinar el margen de estabilidad. Si es necesario, puede corregir el sistema utilizando filtros.

Sin embargo, desde el punto de vista de la teoría de control clásica, los SI son sistemas multiconectados de objetos múltiples, cuyo análisis de estabilidad por métodos convencionales es muy difícil.

En la actualidad, la teoría del control robusto (-teoría del control, -control) es una de las ramas de la teoría del control que se está desarrollando intensamente. Relativamente joven (las primeras obras aparecieron a principios de los años 80), surgió de los problemas prácticos urgentes de la síntesis de sistemas de control lineal multidimensionales que operan en condiciones de diversos tipos de perturbaciones y cambios en los parámetros.

Puede abordar el problema de diseñar el control de un objeto complejo real que opera bajo incertidumbre de una manera diferente: no intente utilizar un tipo de control: adaptativo o robusto. Obviamente, se debe elegir el tipo que corresponda al estado del medio ambiente y del sistema, según lo determine la información disponible para el sistema. Si en el transcurso del funcionamiento del sistema es posible organizar la recepción de información, es recomendable utilizarla en el proceso de control.

Pero la implementación de un control combinado de este tipo hasta hace poco se encontró con dificultades insuperables para determinar el algoritmo para elegir el tipo de control. Los avances logrados en el desarrollo de problemas de inteligencia artificial permiten sintetizar dicho algoritmo.

De hecho, pongámonos la tarea: diseñar un sistema que utilice un control adaptativo y robusto y seleccione el tipo de control basado en métodos de inteligencia artificial. Para ello, consideraremos las características de ambos tipos y, teniendo en cuenta sus cualidades específicas, determinaremos cómo se puede construir un sistema de control combinado.

Uno de los conceptos básicos en la teoría del control robusto es el concepto de incertidumbre. La incertidumbre del objeto refleja la inexactitud del modelo de objeto, tanto paramétrico como estructural.

Consideremos con más detalle las formas de especificar la incertidumbre en una teoría de control robusta utilizando un sistema simple, con una entrada y una salida (Figura 13.5).

Las señales tienen la siguiente interpretación: r - señal de entrada de ajuste; u - señal de entrada (entrada) del objeto; d - perturbación externa; y es la señal de salida (salida) del objeto que se mide.

Figura 13.5 - Sistema con una entrada y una salida

En teoría de control, es conveniente establecer la incertidumbre en el dominio de la frecuencia. Suponga que la función de transferencia de una planta normal P, y considere una planta perturbada, cuya función de transferencia,

donde W es una función de transferencia fija (función de peso);

- una función de transferencia estable arbitraria que satisface la desigualdad.

Esta indignación se considerará admisible. A continuación se muestran algunas variantes de modelos de incertidumbre:

Se deben hacer suposiciones apropiadas para las cantidades y W en cada caso.

La incertidumbre de las señales de entrada d refleja la diferente naturaleza de las perturbaciones externas que actúan sobre la planta y el controlador. Un objeto indefinido, por tanto, puede considerarse como una especie de conjunto de objetos.

Elijamos alguna característica de los sistemas con retroalimentación, por ejemplo, la estabilidad. El regulador C es robusto con respecto a esta característica si alguno del conjunto de objetos definidos por la incertidumbre la posee.

Así, el concepto de robustez implica la presencia de un controlador, un conjunto de objetos y la fijación de una determinada característica del sistema.

En este trabajo, no tocaremos el conjunto completo de problemas resueltos en el marco de la teoría del control. Toquemos solo el problema de la sensibilidad mínima: construir un controlador C que estabilice el sistema de circuito cerrado y minimice la influencia de perturbaciones externas en la salida y, en otras palabras, minimice la norma de la matriz de funciones de transferencia de perturbaciones externas a la salida y.

Una de las características de la solución de esto, y de hecho de todo el conjunto de problemas de control robusto, es el hecho de que en el proceso de diseño del regulador, de antemano, en el proceso de diseño del controlador, imponemos restricciones a la entrada. acciones y la incertidumbre del objeto en forma de desigualdades.

Durante el funcionamiento de un sistema robusto, la información sobre las incertidumbres en el sistema no se utiliza para el control.

Naturalmente, esto lleva al hecho de que los sistemas robustos son conservadores y la calidad de los procesos transitorios a veces no satisface a los desarrolladores de estos sistemas.

De manera similar a un sistema de control adaptativo robusto, se construye un sistema de control adaptativo para objetos, información sobre los cuales o sobre los efectos no está disponible al comienzo del funcionamiento del sistema. Muy a menudo, la propiedad de adaptación se logra mediante la formación, en forma explícita o implícita, de un modelo matemático de un objeto o una acción de entrada.

Esto distingue tanto el control adaptativo de búsqueda, que se basa en la búsqueda y retención del extremo del indicador de calidad de control, como el control sin búsqueda, que se basa en la compensación de la desviación de los cambios reales en las coordenadas controladas de los cambios deseados. correspondiente al nivel requerido del indicador de calidad. Además, según el modelo refinado, se ajusta el controlador adaptativo.

Por tanto, la característica principal de los sistemas de control adaptativo es la capacidad de obtener información en el proceso de funcionamiento y utilizar esta información para el control.

Además, en los sistemas adaptativos, siempre se utiliza información a priori sobre la incertidumbre en el sistema. Ésta es la diferencia fundamental entre el enfoque adaptativo y el robusto.

Considere un sistema de control adaptativo simple que monitorea la señal de entrada en presencia de interferencia en la entrada del objeto (Figura 13.6).

Dibujo. 13.6 - Sistema de control adaptativo

La diferencia formal con el circuito de la figura 13.5 es el bloque de adaptación A, que, basándose en la señal de salida del objeto y la señal que caracteriza la calidad dada, genera una señal para ajustar los coeficientes del controlador adaptativo.

Teniendo en cuenta las desventajas de cada uno de los reguladores, conviene intentar aprovechar sus ventajas proponiendo un esquema de control combinado para el objeto. El sistema adaptativo con la ayuda de la unidad de adaptación genera cierta información sobre el estado del entorno externo. En particular, en el caso considerado, se puede obtener información sobre la perturbación externa d. El algoritmo de control С а corresponde al estado actual del entorno externo, según el criterio establecido en el bloque de adaptación. Pero el sistema adaptativo requiere que la señal de entrada r tenga un rango de frecuencia suficientemente amplio e impone severas restricciones sobre el valor y el espectro de frecuencia de la señal de perturbación externa d. Por lo tanto, los sistemas adaptativos pueden operar solo en rangos estrechos de la señal de entrada r y la perturbación externa d. Fuera de estos rangos, el sistema adaptativo tiene una calidad de control deficiente e incluso puede volverse inestable.

Las propiedades del control robusto y adaptativo consideradas anteriormente llevan a la conclusión de que en el proceso de funcionamiento del sistema, en algunos casos es ventajoso utilizar un control robusto, en otros - control adaptativo, es decir Ser capaz de combinar el control en función del estado del entorno externo.

Control combinado. La cuestión principal en el diseño de sistemas de control combinados es cómo, sobre la base de qué conocimiento (información), seleccionar uno u otro tipo de control.

Las posibilidades más amplias para esto se presentan mediante métodos de inteligencia artificial. Su ventaja sobre los algoritmos de conmutación simples es el uso de una amplia gama de datos y conocimientos para formar un algoritmo para elegir un tipo de control.

Si combinamos formalmente los circuitos que se muestran en las Figuras 13.5, 13.6, obtenemos un circuito de control combinado (Figura 13.7).

Como se puede ver en la figura, la señal de control debe cambiar de un controlador robusto a uno adaptativo y viceversa, a medida que el entorno cambia durante la operación del sistema. Usando los métodos de la teoría de sistemas inteligentes, es posible proporcionar una transición de un tipo de control a otro, dependiendo de las condiciones de operación del sistema.

Figura 13.6 - Esquema de control combinado

Consideremos primero qué información se puede utilizar para operar la unidad inteligente del sistema. Como sabe, los sistemas con una entrada y una salida están bien descritos en el dominio de la frecuencia. Por lo tanto, es natural utilizar características de frecuencia para organizar el proceso de toma de decisiones al elegir el tipo de control.

Como se mencionó anteriormente, la respuesta de frecuencia de un sistema controlado de manera robusta corresponde a la peor combinación de parámetros en la región de incertidumbre. Por lo tanto, el control robusto se puede tomar como uno de los límites del control seleccionado.

Otro límite lo determinan las capacidades del sistema en estudio (velocidad del variador, relación potencia / peso, etc.). Entre estos dos límites hay un área en la que tiene sentido utilizar el control adaptativo.

Figura 13.7 - Esquema de control combinado

Dado que el algoritmo adaptativo es sensible a la etapa inicial del funcionamiento del sistema, en esta etapa es aconsejable utilizar un control robusto, que sea suficientemente insensible a la tasa de cambio del ruido externo. Pero su desventaja es la larga duración de los procesos transitorios y los grandes valores permisibles de la coordenada de salida bajo la acción de la interferencia.

Después de un tiempo, tiene sentido cambiar el control robusto a adaptativo.

El control adaptativo le permite rastrear con mayor precisión la señal de entrada en presencia de información sobre la interferencia. El control adaptativo exige la riqueza del espectro de la señal de entrada y, por ejemplo, con señales que varían lentamente, los procesos de adaptación pueden interrumpirse o ralentizarse considerablemente. En tal situación, es necesario volver a cambiar a un control robusto, lo que garantiza la estabilidad del sistema.

De lo anterior se deduce que para que el sistema funcione, es necesario tener información sobre el espectro de frecuencia de la señal de interferencia útil y sobre la relación señal / ruido.

Además, se requiere información preliminar sobre el espectro de frecuencias en el que opera el sistema adaptativo y sobre las características particulares del objeto de control en los límites de la región de incertidumbre. A partir de esta información, es posible formar una base de datos en la que se ingresa por adelantado información individual para cada clase de objetos. La información sobre el espectro de frecuencia de la señal útil, la interferencia y la relación señal / ruido se ingresa en la base de datos a medida que el sistema funciona y se actualiza constantemente.

El contenido de la base de datos se puede utilizar en la base de conocimientos, que se forma en forma de reglas. Dependiendo de las propiedades específicas del sistema, se puede configurar la conmutación de dos tipos de control. Las reglas requeridas se forman en uno de los sistemas lógicos adecuados para el caso en cuestión.

Al contar con bases de datos y conocimiento, es posible desarrollar un mecanismo de toma de decisiones que asegure la correcta elección del tipo de control, en función de las condiciones de funcionamiento del sistema.

Figura 13.8 - Diagrama de bloques de un sistema con una unidad inteligente (IS)

La parte intelectual del sistema funciona de forma discreta, en intervalos de tiempo específicos. La figura 13.8 muestra un diagrama de bloques de un sistema con una unidad IS inteligente que permite elegir el tipo de control.

La entrada del bloque recibe la señal ry la medida, la señal de salida del objeto y. En el bloque de procesamiento preliminar de información BPOI, de acuerdo con las características de tiempo de las señales r (t), y (t), las características de frecuencia de la señal de entrada r (w) y la perturbación externa d (w), la posición relativa de los espectros r (w) yd (w) y los valores característicos de la relación señal / ruido r (w) / d (w). Toda esta información va a la base de datos DB. El bloque de toma de decisiones del BPR, utilizando la base de conocimiento generada de la base de conocimiento y los datos de la base de datos, desarrolla una decisión de acuerdo con cuál de los tipos de control se enciende. En el siguiente intervalo, el proceso se repite utilizando nuevos datos.

INTRODUCCIÓN

Las condiciones de funcionamiento de los complejos tecnológicos modernos llevan a la necesidad de contabilidad en el proceso de seguimiento y control. los siguientes tipos de incertidumbre:

1. Baja precisión de la información operacional recibida de los objetos de control, que surgen debido al gran error de los sensores para medir parámetros tecnológicos (caudal, presión, etc.), su baja confiabilidad, fallas en los canales de comunicación, un gran retraso en la transmisión de información sobre los niveles de control, la incapacidad de medir parámetros en todos los puntos del proceso tecnológico requerido para los modelos.

2. Inexactitud de modelos de objetos de control y gestión causado por: no equivalencia de soluciones de sistemas de modelos jerárquicos multinivel y problemas locales individuales utilizados en la práctica; descomposición incorrecta del problema de control general, idealización excesiva del modelo de proceso tecnológico, ruptura de eslabones esenciales en el complejo tecnológico, linealización, discretización, reemplazo de las características reales del equipo por pasaportes, violación de los supuestos hechos al derivar ecuaciones ( estacionariedad, isotermalidad, homogeneidad, etc.).

3. Toma de decisiones confusa en sistemas jerárquicos multinivel, debido a que la presencia de metas claras (precisas) y decisiones de coordinación en cada nivel de control y gestión, y para cada dispositivo de control local, complica el proceso de coordinación y predetermina la larga naturaleza iterativa de la coordinación de decisiones.

4. La presencia de un operador humano, incluido un despachador, en el circuito de control. y la conducción del proceso de coordinación en un sistema de producción real en lenguaje natural, lleva a la necesidad de tomar en cuenta las dificultades de representar el conocimiento del despachador en forma de algoritmos y la consistencia de la solución obtenida por la computadora con su evaluación.

“La búsqueda excesiva de la precisión comenzó a tener un efecto que anula la teoría del control y la teoría de sistemas, ya que lleva a que la investigación en esta área se concentre en aquellos y solo aquellos problemas que se prestan a soluciones exactas. Muchas clases de problemas importantes, en los que los datos, los objetivos y las limitaciones son demasiado complejos o están mal definidos para permitir un análisis matemático preciso, han estado y permanecen al margen simplemente porque no se prestan al tratamiento matemático ".

L.Zadeh

Entre los procesos de producción modernos, hay muchos que tienen un complejo de cualidades inesperadas para la teoría clásica del control automático (TAU). Este "inconveniente" o, como también se les llama, "Semiestructurada" o "Mal definido" los objetos tienen propiedades tales como unicidad, falta de un propósito formalizado de existencia y optimización, no estacionariedad de la estructura y los parámetros, incompletitud o ausencia casi completa de una descripción formal del objeto.

Marco conceptual

gestión bajo incertidumbre

Incertidumbres que se entienden como fuentes de incertidumbre, se subdividen condicionalmente en los siguientes tres grandes grupos:

1. incertidumbre e información incompleta sobre la situación, que se utiliza para tomar una decisión sobre la evaluación de la calidad del funcionamiento o la formación de control sobre el funcionamiento del sistema - factor de incertidumbre ambiental y del sistema;

2. factores generados por la incertidumbre, la falta de claridad del pensamiento y el conocimiento de una persona- incertidumbre que se manifiesta en la interacción de una persona con el sistema y su entorno;

3. factores de incertidumbre, borrosidad(inexactitud) conocimiento acumulado, concentrado en las bases de conocimiento de los sistemas de inteligencia artificial, Incertidumbre de operar este conocimiento en el proceso de implementación. ciertos procedimientos lógicos y lógico-algebraicos para recolectar y procesar información, desarrollar, elegir y tomar decisiones gerenciales.

Clasificación de factores (fuentes) de incertidumbre que deben tenerse en cuenta en el estudio de sistemas complejos se muestra en la Figura B.1.

Figura B.1. Clasificación de incertidumbres

Metodología para analizar y contabilizar factores de incertidumbre en

gestión en complejos sistemas organizativos y técnicos ...

(ACS con DSS y DSS-sistemas de apoyo a la toma de decisiones y sistemas de toma de decisiones)

1. Problemas y formalización generalizada de tareas para el desarrollo y

tomar decisiones de gestión en condiciones de incertidumbre….

2. Enfoque de juego determinista para la toma de decisiones en condiciones

incertidumbre ………… .. …………… .. …………………… ..

3. Un enfoque estocástico para resolver problemas de toma de decisiones en

condiciones de incertidumbre… .. ……………………………………………

4. Probabilístico - enfoque estadístico para la toma de decisiones en EE. UU.

ante la incertidumbre …………………………………………… ..

5. El enfoque probabilístico para la toma de decisiones en condiciones de incertidumbre

pereza… .. ……………………………………………………………

6. Enfoque difuso - estocástico para la toma de decisiones en condiciones

incertidumbres …………………………… .. ……………………… ..

7. Teoría de la oportunidad y el problema de la toma de decisiones en condiciones.

incertidumbres ……………………. …………………………………

8. Difuso: un posible enfoque para la toma de decisiones en condiciones

incertidumbres ……………………………………………………….

9. El enfoque lingüístico para la toma de decisiones en condiciones de incertidumbre

divisiones .. ……………………… .. ………………………………….

La gestión de objetos semiestructurados desde el punto de vista del TAU clásico es un problema bastante difícil, prácticamente insoluble. Esto se debe al hecho de que al construir un sistema de control automático tradicional (ACS), primero es necesario describir formalmente el objeto de control y formar los criterios de control sobre la base de un aparato matemático que opera en categorías cuantitativas. Si es imposible dar una descripción matemática exacta del objeto y los criterios para controlarlo en términos cuantitativos, el TAU tradicional resulta inaplicable.

Por ejemplo, el ACS clásico por sistemas determinísticos y estocásticos se utiliza con éxito para construir ACS por aviones, centrales eléctricas, etc., pero intenta extender los métodos tradicionales a áreas como la biosíntesis, los procesos químico-tecnológicos multifásicos asociados con la tostación, fusión, catálisis. etc., no dieron resultados prácticos tangibles, a pesar de los métodos matemáticos cada vez más complicados de su descripción.

Sin embargo, en la práctica, tales objetos semiestructurados son controlados con bastante éxito por un operador humano, que es rescatado por la capacidad de observar, analizar y memorizar información, sacar ciertas conclusiones, etc. y, como resultado, tomar las decisiones correctas. en un entorno de información incompleta y difusa. Gracias a su intelecto, una persona puede operar no solo con cuantitativos(que, hasta cierto punto, una máquina puede), pero también con conceptos informales cualitativos, como resultado de lo cual hace frente con bastante éxito a la incertidumbre y la complejidad del proceso de gestión. Por tanto, la construcción de modelos de razonamiento aproximado de una persona y su uso en ACS es hoy una de las direcciones más importantes en el desarrollo de TAU.

No cabe duda de que un aumento significativo en la eficiencia de la gestión de objetos complejos consiste en la creación de ACS inteligentes capaces de reproducir en un grado u otro determinadas acciones intelectuales humanas asociadas a la adquisición, análisis, clasificación de conocimientos en el área temática de Control de procesos tecnológicos, así como conocimientos operativos acumulados por el operador humano o por el propio sistema en el curso de actividades prácticas para controlar el objeto.

La necesidad de trabajar en estas condiciones dificulta el uso de sistemas de automatización estándar y APCS.... Es especialmente difícil describir las áreas de modos de funcionamiento permisibles del equipo en tales condiciones cuando el establecimiento de restricciones estrictas (claras) para el sistema de control de procesos y los sistemas de automatización conducen al apagado automático o manual de estos sistemas. Por lo tanto, es extremadamente importante usarlo para la descripción y formalización de áreas de modos de operación permitidos de equipos. teorías de inteligencia artificial (IA) y sistemas inteligentes (SI).

Debido al rápido desarrollo de la tecnología informática en los últimos años Se inició el uso de nuevos métodos de gestión inteligente en la industria.... Y aunque las primeras aplicaciones de ACS inteligente se llevaron a cabo en Europa, estos sistemas se introducen de forma más intensiva en Japón. Su gama de aplicaciones es amplia: desde el control de robots industriales, plantas de rectificación y altos hornos hasta lavadoras, aspiradoras y hornos microondas. Al mismo tiempo, el ACS inteligente puede mejorar la calidad de los productos al tiempo que reduce el consumo de recursos y energía y proporciona una mayor resistencia al impacto de factores perturbadores en comparación con el ACS tradicional.

Un sistema inteligente significa(KA Pupkov) un conjunto de medios técnicos y software combinados por un proceso de información, trabajando en conjunto con una persona (un grupo de personas) o de forma autónoma, capaz de sintetizar un objetivo en base a información y conocimiento, con motivación, haciendo un decisión para la acción y búsqueda de formas racionales para alcanzar las metas.

La principal característica arquitectónica que distingue sistemas de control inteligente (IMS) de "tradicionales“Es un mecanismo de obtención, almacenamiento y procesamiento de conocimientos para el desempeño de sus funciones.

La creación de sistemas de control inteligente se basa en dos principios: el control situacional (control basado en el análisis de situaciones o eventos externos) y el uso de tecnologías modernas de la información para el procesamiento del conocimiento (sistemas expertos, redes neuronales artificiales, lógica difusa, algoritmos genéticos, y varios otros).

Programa no 14 de investigación fundamental en OEMMPU RAS

"ANÁLISIS Y OPTIMIZACIÓN DEL FUNCIONAMIENTO DE SISTEMAS DE CONTROL INTELIGENTE, MULTINIVEL Y EN RED BAJO INCERTIDUMBRE"

1. Justificación del programa

1.1. Importancia científica y práctica

El desarrollo intensivo de la tecnología (interacción en red, miniaturización de ordenadores, aumento de su velocidad, etc.) impone nuevos requisitos a los sistemas de control modernos y abre nuevas oportunidades tanto a nivel de sistemas de control embebidos (a nivel de grandes centros de despacho) como a nivel de red (comunicación-red, grupo) interacción de sistemas descentralizados de múltiples agentes. Los sistemas de control están adquiriendo cada vez más el carácter de sistemas de control de la información y se estudian en la intersección de las teorías de control, computación y comunicación. Por lo tanto, es necesario tener en cuenta las propiedades de los canales de comunicación (comunicación), por ejemplo, en sistemas descentralizados (multiagente), y las características de la computadora incorporada son importantes cuando se implementan en sistemas de control multinivel tales funciones intelectuales como visión técnica, planificación de acciones, formación, toma de decisiones multicriterio, reflexión, etc. etc. En particular, la intelectualización del control está diseñada para incrementar el grado de autonomía del funcionamiento de los sistemas, cuando la ausencia de modelos cuantitativos de dinámicas o perturbaciones en el funcionamiento del objeto de control, provocando la pérdida de la adecuación de los modelos cuantitativos (por ejemplo, ecuaciones que describen la evolución de un sistema complejo), potencian el papel de los cualitativos (el llamado "conocimiento", por Por ejemplo, modelos lógico-lingüísticos) del objeto y el entorno utilizados en los niveles superiores del sistema de control.

El programa tiene como objetivo resolver problemas fundamentales que surgen en las áreas prioritarias de ciencia, tecnología y tecnología de la Federación de Rusia. La tarea es obtener nuevos resultados fundamentales y aplicados en el campo de la teoría de control para sistemas complejos técnicos, hombre-máquina y otros, teniendo en cuenta la incertidumbre y falta de información inicial, incluyendo: la teoría del análisis y síntesis de sistemas estocásticos, la teoría de la creación de sistemas de control para procesos de movimiento y tecnológicos, con diagnóstico actual y control sobre la condición técnica, así como la teoría de la creación de sistemas de diseño automatizados y control inteligente basados ​​en tecnologías de la información modernas.

Debido a la variedad de uso de la teoría de control, análisis y optimización en diversas aplicaciones (transporte, logística, producción, sistemas de aviación y espaciales, submarinos y buques de superficie, etc.), es necesario tener en cuenta una gran cantidad de factores de complejidad. , tal como:

Gestión multinivel,

Descentralización,

No linealidad,

Multiconexión,

Distribución de parámetros,

Diferentes escalas de procesos en el espacio y el tiempo,

Alta dimensión,

Heterogeneidad de la descripción de subsistemas,

Multimodo,

La presencia de influencias impulsivas,

Presencia de perturbaciones coordinadas-paramétricas, estructurales, regulares y singulares,

Uso de modelos deterministas y probabilísticos para describir la incertidumbre de la información sobre el vector de estado y los parámetros del sistema, sobre las propiedades de los errores de medición y el medio ambiente.

La presencia de efectos de retardo en el control u objeto,

· Complejidad estructural general de los sistemas de control modernos.

Para lograr este objetivo y resolver las principales tareas, el Programa incluye investigación y desarrollo en las siguientes áreas principales:

1. Análisis y optimización del funcionamiento en diferentes escalas temporales de sistemas de control multinivel con información incompleta.

2. Gestión y optimización en sistemas multinivel y descentralizados de carácter organizativo y técnico.

2.1. Gestión y optimización en sistemas centrados en redes.

2.2. Control inteligente de objetos en movimiento.

2.3. Modelado y optimización de sistemas de información y control multinivel en tiempo real.

Dirección 1. Análisis y optimización del funcionamiento en Diferentes escalas de tiempo de sistemas de control multinivel con información incompleta.

La complejidad de muchos sistemas de control modernos a menudo no permite obtener de antemano una descripción completa de los procesos que ocurren dentro del sistema y su interacción con el medio ambiente. Como regla general, los sistemas reales se describen mediante ecuaciones dinámicas no lineales y, con bastante frecuencia, los modelos matemáticos de los sistemas de control tienen en cuenta solo los rangos permitidos de cambios en los parámetros y características de los elementos individuales sin especificar estos parámetros y características en sí mismos.

Además, en algunos sistemas, en particular, los sistemas micromecánicos y cuánticos, el uso de métodos clásicos de descripción en tiempo continuo o discreto se ve obstaculizado por el hecho de que las fuerzas de interacción internas y / o externas que surgen, así como las acciones de control, son de naturaleza transitoria e impulsiva y no pueden calcularse con precisión ... El sistema parece funcionar en diferentes escalas de tiempo: real (lento) y rápido (impulso). Esta variabilidad temporal de las escalas es una propiedad intrínseca de muchos sistemas de control modernos, incluidos los sistemas con control multinivel, en los que los niveles superiores utilizan modelos cualitativos y discretos, y los inferiores, más a menudo modelos cuantitativos con tiempo continuo.

Por esta razón, el desarrollo de métodos para la formalización matemática de la descripción del funcionamiento de dichos sistemas en tiempo híbrido (continuo-discreto), el estudio de sus propiedades para la controlabilidad y estabilidad en condiciones de información incompleta, oposición y no estándar. las restricciones sobre los controles y las variables de fase es una tarea urgente. El desarrollo de métodos para la síntesis del control óptimo de tales sistemas continuos-discretos, tanto deterministas como estocásticos, es una tarea igualmente urgente.

Además, en condiciones de incertidumbre y escasez de información a priori, las tareas de optimizar el proceso de recolección y procesamiento de información (seguimiento de observaciones y filtrado óptimo) son muy relevantes.

Dirección 2. Gestión y optimización en sistemas multinivel y descentralizados de carácter organizativo y técnico

2.1. Gestión y optimización en sistemas centrados en redes

Los modernos sistemas organizativos y técnicos complejos se caracterizan por la alta dimensionalidad, la descentralización, la gestión multinivel, la necesidad de una planificación eficaz de las actividades, teniendo en cuenta la formación, los multicriterios de las decisiones tomadas y la reflexión de los sujetos controlados.

Los problemas de planificación y control de sistemas múltiples conectados discretos y continuos distribuidos de gran dimensión también se caracterizan por diferentes escalas de procesos no solo en el tiempo, sino también por la distribución y diferentes escalas en el espacio y representan una de las clases de optimización más complejas y laboriosas. problemas. Por este motivo, es recomendable desarrollar métodos y enfoques de investigación para encontrar soluciones precisas y aproximadas, así como herramientas de simulación para su uso en sistemas de apoyo a la toma de decisiones para la planificación, diseño y gestión de complejos aspectos técnicos, organizativos (incluidos el transporte y la logística) y de información. sistemas.

Gestionar la interacción grupal de los componentes de los sistemas organizativos y técnicos descentralizados (sistemas centrados en redes, sistemas de producción, informática, telecomunicaciones y otras redes, etc.) en el contexto de restricciones en los canales de comunicación y la complejidad de los cálculos, las características de procesos de procesamiento de información, así como restricciones en el tiempo de toma de decisiones, capacidades informáticas y ancho de banda de los canales de comunicación. Por lo tanto, es relevante desarrollar métodos de optimización (teniendo en cuenta las restricciones enumeradas) de la estructura de sistemas organizativos y técnicos complejos, incluso con la consideración simultánea de muchos criterios: el detalle de los datos iniciales, la eficiencia de la recopilación de información, la planificación y la toma de decisiones reflexiva, el rendimiento limitado de las computadoras individuales y la reducción de la duplicación de trabajo, así como la participación de cálculos auxiliares asociados con los servicios de transmisión de datos.

Para los sistemas multinivel y descentralizados, es característica la toma de decisiones distribuida en tiempo real en condiciones de contramedidas de información, así como la incompletitud y heterogeneidad de la información, a menudo de carácter multicriterio cualitativo y subjetivo. Por ello, es necesario desarrollar métodos para la creación de sistemas adecuados de soporte de información y apoyo a la adopción de decisiones estratégicas y operativas en condiciones de información incompleta y oposición. Para ello, es recomendable, en particular, desarrollar: modelos multiagente de sistemas organizativos y técnicos dinámicos, incluyendo modelos de redes con agentes en conflicto, modelos de comportamiento grupal y su pronóstico, evaluando el equilibrio de intereses y la formación de coaliciones en estos sistemas, así como el desarrollo de tecnologías de la información y medios de presentación de información sobre el entorno externo y el conocimiento de los agentes inteligentes.

2.2. Control inteligente de objetos en movimiento

No siempre se pueden crear modelos cuantitativos para resolver las tareas planteadas, por lo que, junto con los métodos tradicionales, el Programa utiliza métodos de inteligencia artificial. La inteligencia artificial, como campo del conocimiento, ha experimentado un gran salto en los últimos cincuenta años, tanto en el desarrollo y perfeccionamiento del concepto mismo de inteligencia, como en el campo de la aplicación práctica de la inteligencia artificial en diversos campos de la actividad humana: en tecnología, economía, negocios, medicina, educación, etc. Muchas posiciones teóricas y métodos de la inteligencia artificial se han transformado en tecnologías inteligentes aplicadas basadas en el conocimiento.

La peculiaridad de la generación moderna de sistemas inteligentes es que se basan en un modelo complejo del entorno externo, que tiene en cuenta tanto la información cuantitativa como los modelos cualitativos: el conocimiento sobre el posible comportamiento de varios objetos en el entorno externo y sus interrelaciones. El uso de tales modelos se hizo posible debido al desarrollo de métodos para representar el conocimiento, métodos para integrar datos de diferentes fuentes, un aumento significativo en la velocidad y la memoria de las computadoras.

La presencia de un modelo del entorno externo permite a los modernos sistemas inteligentes de control de objetos en movimiento tomar decisiones en condiciones de multicriterio, incertidumbre y riesgo, y la calidad de estas decisiones puede superar la calidad de las decisiones tomadas por una persona en condiciones de sobrecarga de información. , tiempo limitado y estrés.

En este sentido, una tarea urgente es desarrollar nuevos medios y métodos para el desarrollo del control inteligente de objetos en movimiento en presencia de los factores anteriores.

2.3. Modelado y optimización de sistemas de control e información multinivel en tiempo real

La relevancia de la investigación en esta dirección se debe a la necesidad de desarrollar métodos para el análisis y síntesis de sistemas de control e información en tiempo real modulares abiertos multinivel (IMS RT) de objetos multimodo y multipropósito que operan en condiciones de incertidumbre, perturbaciones estructurales y situaciones de emergencia (NSS). Entre estos objetos de gestión se encuentran los objetos críticos y los sistemas de uso responsable que determinan la seguridad del estado.

Es obvio que los problemas y tareas de creación de sistemas de esta clase pueden resolverse con éxito sobre la base del desarrollo de una teoría unificada y métodos aplicados orientados al software de análisis dinámico y de escenarios y síntesis de la estructura de dichos sistemas, su algoritmo. , soporte de software e información, mecanismos para el desarrollo de influencias de gestión eficaz. Estos, en primer lugar, incluyen el desarrollo de una metodología formalizada para el diseño de sistemas abiertos de información y control, incluyendo modelos y métodos para sintetizar la estructura modular de I&C RW orientada a objetos con una arquitectura abierta, la cual es óptima según diversas eficiencias. Criterios. Con base en los resultados obtenidos en la etapa de análisis dinámico, se sintetiza una estructura modular funcional óptima de procesamiento y control de datos, es decir, se determina la composición óptima y el número de módulos de I&C RV, se sintetiza la interfaz del sistema y la estructura de su Se determina el soporte de software e información para procesar los flujos de entrada de las aplicaciones.

Para planificar acciones y apoyar la toma de decisiones en condiciones de incertidumbre, perturbaciones estructurales y situaciones de emergencia, es recomendable utilizar los métodos de análisis de escenarios y síntesis de acciones de control efectivas en el IMS RV. En este caso, se formará un modelo matemático de la propagación de perturbaciones estructurales y situaciones de emergencia en el lenguaje de gráficos de signos ponderados o funcionales. Sobre la base de este modelo, se sintetizarán escenarios racionales para la gestión de objetos utilizando los conceptos de capacidad de trabajo, resistencia y supervivencia de sus elementos constitutivos. La síntesis de escenarios para eliminar las causas y consecuencias de NSS en objetos de destino multimodo se llevará a cabo teniendo en cuenta las limitaciones de tiempo y recursos determinadas dinámicamente. También es necesario desarrollar formulaciones y métodos para resolver problemas inversos de control de supervivencia para objetos multimodo y multipropósito que operan en condiciones de incertidumbre, perturbaciones estructurales y situaciones de emergencia.

La mencionada especificidad de los sistemas y objetos de gestión, la trascendencia científica y práctica de resolver los problemas de gestión, análisis y optimización de los mismos permiten formular las siguientes metas y objetivos principales del Programa.

1.2. Principales metas y objetivos

El principal objetivo del Programa es resolver los problemas fundamentales de la teoría del control que dificultan la implementación de proyectos prometedores de importante trascendencia estatal en el campo de la gestión de sistemas dinámicos e inteligentes complejos con aplicaciones para controlar el movimiento de objetos técnicos y procesos en tecnología y sistemas organizativos.

Se realizarán investigaciones sobre los siguientes temas generalizados.

Dirección 1

· Desarrollo de métodos para la estabilización de sistemas no lineales en situaciones de medición incompleta de coordenadas y restricciones sobre la estructura permisible de fuerzas de control.

· Desarrollo de métodos de observación y control robustos y adaptativos en condiciones de modelos deterministas, probabilísticos y otros de incertidumbre de los parámetros del objeto de control y el entorno de funcionamiento.

· Desarrollo de métodos y algoritmos para el análisis cualitativo y cuantitativo de modelos dinámicos continuos, discretos y multinivel continuo-discreto y síntesis de control basados ​​en el método de reducción con funciones de comparación de vectores y matrices y transformaciones de modelos.

· Investigación del problema del control óptimo de una nueva clase de sistemas mecánicos que se mueven en medios resistentes debido a cambios en la configuración o movimiento de los cuerpos internos.

· Desarrollo de métodos de formalización matemática y solución de problemas de interacción de choque de sistemas mecánicos en presencia de fricción seca.

· Desarrollo de métodos para el control óptimo de sistemas dinámicos discretos-continuos y de impulsos.

· Desarrollo de métodos para el control garantizado de objetos no lineales expuestos a perturbaciones incontroladas en forma de juegos dinámicos.

· Desarrollo de la teoría del control de sistemas cuánticos.

· Desarrollo de métodos y algoritmos para el análisis de propiedades dinámicas como estabilidad, invariancia, disipatividad para evaluar el estado y síntesis del control multinivel de sistemas con una descripción heterogénea de la dinámica de procesos en diferentes niveles.

Dirección 2.1

· Métodos para la resolución de problemas de control de sistemas centrados en redes de gran dimensión con parámetros distribuidos y procesos de diferentes escalas (en el espacio y en el tiempo).

· Modelos y métodos de comunicación-red de gestión inteligente descentralizada de proyectos y programas distribuidos.

· Métodos para optimizar la estructura de sistemas multinivel y descentralizados.

· Métodos y estructuras de implementación informática de control centrado en redes en un espacio matemáticamente homogéneo de computación distribuida y paralela.

· Modelos y métodos de toma de decisiones grupales basados ​​en información incompleta, heterogénea, cualitativa y subjetiva.

· Modelos y métodos de planificación y gestión de complejos de operaciones interrelacionadas en sistemas técnicos y de transporte y logísticos complejos.

· Desarrollo de principios, arquitectura, métodos y algoritmos para la creación de sistemas inteligentes de software distribuido basados ​​en tecnologías multiagente.

· Desarrollo de modelos y métodos de gestión de la información en estructuras de redes multiagente.

Dirección2.2

· Desarrollo de modelos generalizados de gestión situacional, reflejando las características de inclusión en la estructura de modelos de elementos difusos, de redes neuronales y lógico-dinámicos.

· Desarrollo de un método de planificación de rutas que otorgue la propiedad de estabilidad comunicativa de un grupo de objetos dinámicos controlados, heterogéneos (cuantitativos y cualitativos) en su modelo de representación.

· Desarrollo de métodos de análisis y síntesis de plataformas de modelado adaptativo en tiempo real, teniendo en cuenta la no linealidad, multiconectividad, alta dimensionalidad de objetos de control con aplicación a objetos móviles marinos.

· Optimización de sistemas inteligentes de control multinivel de objetos en movimiento en un entorno conflictivo, teniendo en cuenta su interacción grupal, multicriterio, incertidumbre y riesgo.

· Desarrollo de métodos para proporcionar visión técnica para sistemas de control inteligente.

· Desarrollo de métodos para el control inteligente de objetos dinámicos que realizan maniobras complejas, basados ​​en la organización del movimiento forzado en el espacio de estados del sistema.

Dirección2.3

· Modelos y métodos de análisis y optimización de la estructura modular de sistemas de gestión de información multinivel orientados a objetos de tiempo real con una arquitectura abierta en condiciones de incertidumbre y perturbaciones estructurales.

· Métodos de análisis y optimización de modos de sistemas de energía eléctrica y su control.

· Modelos y métodos del abordaje escenario-indicador para la búsqueda de puntos de vulnerabilidad para tareas de gestión.

· Métodos de modelado, análisis y optimización de procesos de control multimodo de objetos en movimiento.

· Desarrollo de métodos y algoritmos para la identificación inteligente de objetos no lineales no estacionarios para mejorar la eficiencia del control mediante la formación de una base de conocimiento tecnológico basada en información a priori sobre el objeto de control.

· Tecnologías de geoinformación para modelar complejos naturales y tecnogénicos en las tareas de gestión de ecosistemas de megalópolis.

· Análisis y optimización de soporte de información para sistemas de navegación y control.

· Modelos y métodos de gestión de procesos productivos.

Los resultados de la teoría desarrollada y los métodos de análisis y síntesis de los sistemas de control se utilizarán en las siguientes áreas:

· control de tráfico en aviación y astronáutica, objetos terrestres y marinos, vehículos;

· sistemas centrados en la red de múltiples agentes, sistemas de producción, informática, telecomunicaciones y otras redes ;

· sistemas de transporte y logística ;

· Energía global, transmisión de gas y otros sistemas de infraestructura a gran escala;

· Sistemas de apoyo a la información para tareas de gestión y apoyo a decisiones estratégicas y operativas en condiciones de información incompleta y oposición.

Los problemas fundamentales de la teoría de la construcción de sistemas de control requieren su desarrollo intensivo. El desarrollo de la investigación en esta dirección permitirá:

Desarrollo de las bases teóricas para resolver el complejo problema trino de control-computación-comunicación (el problema es " Control- Cálculo- Comunicación") para sistemas complejos de información y control, incluso en condiciones de restricciones en los canales de comunicación y fallas de los subsistemas;

Resolver los problemas de gestión de objetos y procesos fundamentalmente nuevos relacionados con objetos en movimiento, objetos de propósito especial, sistemas tecnológicos y organizativos;

Crear métodos efectivos de diagnóstico funcional y garantizar la tolerancia a fallas de los sistemas de control de aeronaves y otros objetos en movimiento, así como la estabilidad dinámica de los sistemas de energía eléctrica;

Mejorar la calidad, agilizar y reducir el costo del desarrollo de soluciones de diseño a través de la algoritmización y automatización del proceso de desarrollo de sistemas de control.

En adelante, el control se entiende en un sentido amplio, incluyendo comunicación-red, grupo, control distribuido (en la literatura en idioma inglés - control en redes, control sobre redes, control distribuido, etc.)