Menadžment suočen s neizvjesnošću. Sažetak: Inteligentni upravljački sustavi Upravljački objekt inteligentnih upravljačkih sustava

Ovaj članak je također dostupan:

Uvod

Inteligentno upravljanje je generalizacija semiotičke, kognitivne i informacijske kontrole. U inteligentnom upravljanju transportom razlikuju se sljedeća područja: inteligentni transportni sustavi, inteligentno semiotičko upravljanje i inteligentno kognitivno upravljanje. Inteligentna semiotička kontrola povezana je s različitim oblicima logike, proizvodnih sustava, evolucijskih algoritama. Inteligentna kognitivna kontrola promatra se kao sinteza upravljanja ljudskim računalom korištenjem asocijativnih kanala i prešutne analize znanja. Inteligentna kontrola se promatra kao sredstvo donošenja odluka u uvjetima neizvjesnosti. Inteligentno upravljanje informacijama smatra se podrškom upravljanju inteligentnom informacijskom tehnologijom.

Potreba za inteligentnom kontrolom

Razvojem društva i usložnjavanjem objekata i zadataka upravljanja mijenjale su se i tehnologije upravljanja. Najakutniji problem u upravljanju složenim situacijama bio je problem "velikih podataka". To stvara informacijsku barijeru za tehnologije "organizacijskog upravljanja". Rast loše strukturiranih informacija karakterističan je za moderni menadžment. To dovodi do prijelaza na inteligentno upravljanje, što pak dovodi do potrebe primjene tehnologija upravljanja znanjem. Inteligentno upravljanje temelji se na inteligentnim sustavima i inteligentnim tehnologijama. Inteligentni sustav je tehnički ili softversko-tehnički sustav sposoban dobiti kreativna rješenja za probleme koji pripadaju određenom predmetnom području, a znanje o kojem je pohranjeno u memoriji takvog sustava. Pojednostavljeno, struktura inteligentnog sustava uključuje tri glavna bloka - bazu znanja, rješavač i inteligentno sučelje. Solver je dominantna komponenta inteligentnog sustava. U logici prvog reda, rješavač je mehanizam za dobivanje rješenja logičkih izraza. U sustavima s više agenata, koji se klasificiraju kao umjetna inteligencija, također se koristi koncept rješavača. Agent je rješavač problema, što je softverski entitet koji može djelovati kako bi postigao svoje ciljeve. U simboličkom modeliranju, s-rješavač je vrijednost specijalizacije poruke. Jedan od prvih u Rusiji koji je uveo ovaj koncept bio je Efimov E.I. ... Iz ovog kratkog popisa slijedi važnost rješavača za inteligentne sustave i inteligentne tehnologije.

Inteligentno upravljanje u okviru primijenjene semiotike

Semiotika proučava prirodu, vrste i funkcije znakova, znakovne sustave i znakovnu ljudsku djelatnost, znakovnu bit prirodnih i umjetnih jezika kako bi se izgradila opća teorija znakova. U području semiotike postoji smjer "primijenjena semiotika", čiji je utemeljitelj D.A. Pospelov.

U semiotici se razlikuju dva područja primjene znakova: spoznaja i komunikacija. Time se semiotika dijeli na dva dijela: semiotika spoznaje; semiotika semantičkih komunikacija. Osnova inteligentne kontrole je semiotički sustav. Prema Pospelovu, uređenih osam skupova naziva se semiotički sustav W:

W =< T, R, A, P, τ, ρ, α, π>, (1)

gdje
T - skup osnovnih simbola;
R - skup sintaktičkih pravila;
A - puno znanja o predmetnom području;
P je skup pravila za donošenje odluka (pragmatička pravila);
τ su pravila za promjenu skupa T;
ρ - pravila za promjenu skupa R;
α - pravila za promjenu skupa A;
π su pravila za promjenu skupa P.

Prva dva skupa generiraju jezik sustava W, i τ i ρ izvršiti njegovu promjenu. pravila α promijeniti mnoga znanja o predmetnom području. Ako znanje smatramo aksiomom formalnog sustava (koji tvore prva četiri elementa W), onda pravila α , u biti, mijenjaju interpretaciju osnovnih simbola i, posljedično, ispravno konstruiranih formula jezika semiotičkog sustava W.

Prva četiri skupa čine formalni sustav FS, elementi od petog do osmog čine pravila za promjenu formalnog sustava. Na taj način osiguravaju prilagodbu formalnog sustava, "prilagođavajući" ga rješavanju problema i problema koji unutar sustava FS ne može se riješiti.

Dakle, semiotički sustav (1) može se definirati kao kompozitni dinamički sustav: W = , gdje FSi- određuje stanje semiotičkog sustava, i MFsi- pravilo za promjenu stanja. Pri tome valja napomenuti da iako govorimo o semiotičkom sustavu, de facto takav sustav opisuje objekt upravljanja, odnosno stanje kontrolnog objekta i njegovu dinamiku.

Stoga se semiotičkom sustavu može dati novo tumačenje. Kompozitni dinamički sustav: W = FSi, koji određuje stanje u informacijskoj situaciji ili informacijskoj poziciji, dinamički MFsi, koji definira pravila za prijelaz kontrolnog objekta s jedne informacijske pozicije na drugu.

pravila MFsi = (τ, ρ, α, π), one koje mijenjaju stanje formalnog sustava (kontrolnog objekta) povezuje ovisnost koja postoji u elementima semiotičkog trokuta (Fregeov trokut). To znači da primjena jednog od četiri pravila dovodi do primjene preostalih pravila.

Te su ovisnosti složene, njihov analitički prikaz nema, a to je teško i predmet je istraživanja u semiotičkim sustavima umjetne inteligencije. Stoga je lakše koristiti informacijski pristup i informacijsko modeliranje.

Proširenja formalnih sustava upravljanja u obliku dinamičkih komponenti MFsi osigurati svojstva otvorenosti sustava. Oni stvaraju sposobnost prilagodbe kontrolnog objekta utjecajima upravljanja i promjenjivim vanjskim uvjetima.

To, posebice, omogućuje značajno proširenje mogućnosti potpore odlučivanju u uvjetima neizvjesnosti, nepotpunosti i nedosljednosti početnih informacija.

Vrste nesigurnosti u provedbi inteligentnog upravljanja

Tradicionalne metode upravljanja, uključujući neke vrste inteligentnog upravljanja, temelje se na pretpostavci da stanje i modeli upravljanja objekta točno opisuju njegovo ponašanje. Metode temeljene na ovoj pretpostavci uključene su u klasičnu teoriju upravljanja. Međutim, u uvjetima sve veće količine, rasta nestrukturiranih informacija i utjecaja vanjskog okruženja karakteristična su odstupanja od tog stanja.

Gotovo svaki model je pojednostavljeni opis stvarnog objekta, njegovog stanja i ponašanja. Stupanj pojednostavljenja može biti podnošljiv ili stvarati dvosmislenost. U dinamici ponašanja kontrolnog objekta, neke karakteristike objekta mogu se značajno promijeniti tijekom njegovog funkcioniranja. Sve to stvara nejasnoće u raznim modelima za opisivanje objekta i otežava upravljanje njime, pa tako i intelektualnim. Tipični model upravljanja koji leži u osnovi kontrolnog algoritma ili skupa utvrđenih kontrolnih pravila naziva se nominalnim.

U uvjetima značajne nesigurnosti, klasične metode teorije upravljanja pokazuju se neprimjenjivim ili daju nezadovoljavajuće rezultate. U tim slučajevima potrebno je koristiti posebne metode analize i sinteze upravljačkih sustava za objekte s neodređenim modelima. Prvi korak je procjena vrste i vrijednosti nesigurnosti.

Razlikuju se glavne vrste nesigurnosti u modelima upravljanja: parametarske, funkcionalne, strukturne i signalne.

Parametrijska nesigurnost znači da su konstantni parametri modela nepoznati ili neprecizni. Na primjer, vrijednosti intervala se koriste umjesto vrijednosti točke. U prelasku na informacijske mjerne sustave može se govoriti o nedostatku informacijske sigurnosti parametara. Stoga se u mnogim slučajevima stvarne vrijednosti parametara mogu značajno razlikovati od prihvaćenih nominalnih vrijednosti.

Nesigurnost signala znači da na upravljačko djelovanje ili na tokove informacija u upravljačkom sustavu utječu smetnje koje značajno mijenjaju nazivne signale. Takvi signali koji odstupaju regulacijski proces od nominalnog nazivaju se smetnji ili šumovi. Razlika je u tome što su smetnje pasivne i mijenjaju samo omjer signal-šum. Perturbacija mijenja signal s istom interferencijom.

Suvremeni inteligentni sustavi upravljanja moraju osigurati autonoman rad mnogih povezanih tehničkih objekata. To daje razlog da se govori o inteligentnom upravljačkom sustavu (IMS). Inteligentni sustav mora rješavati složene probleme, uključujući planiranje, postavljanje ciljeva, predviđanje i tako dalje. Za svestranost, prilagodbu i točnost rješenja preporučljivo je koristiti višenamjensko inteligentno upravljanje.

Višerazinska arhitektura inteligentnog upravljačkog sustava sastoji se od tri razine: konceptualne, informacijske i operativne (slika 1.). Sustav temeljen na takvoj arhitekturi kontrolira ponašanje složenih tehničkih objekata u uvjetima autonomne i kolektivne interakcije. Konceptualna razina odgovorna je za provedbu viših intelektualnih funkcija.

Sl. 1. Inteligentna kontrola na više razina.

Na konceptualnoj razini koristi se semiotički (znakovni) prikaz znanja i razmjenjuju poruke s ostalim razinama. Informacijske i operativne razine sadrže module koji podržavaju različite intelektualne i informacijske postupke i pretvaraju ih u upravljanje.

Glavna zadaća menadžmenta na konceptualnoj razini je pohranjivanje, stjecanje i korištenje konceptualnog znanja prikazanog u semiotičkom (simboličkom) obliku.

Kompozitni dinamički sustav: W = uključuje dvije komponente: statičku FSi koji definira dinamički znakovni sustav MFsi, koji definira sustav pravila (slika 1).

Stjecanje znanja temelji se na modelu realnog stanja u vanjskom okruženju. Najviše intelektualne funkcije uključuju funkcije postavljanja glavnog cilja i podciljeva, planiranja ponašanja i raspodjele utjecaja u općem planu djelovanja.

Na razini upravljanja informacijama rješavaju se zadaci informacijskog modeliranja, od kojih su glavni: izgradnja informacijske situacije, informacijska pozicija, koji odgovaraju komponenti FSi... Na razini upravljanja informacijama rješavaju se zadaci izgradnje informacijske strukture koja je odraz sustava pravila konceptualne razine i odgovara komponenti Mfsi. Jezično okruženje semiotičke kontrole na informacijskoj razini implementira se korištenjem različitih informacijskih jedinica. Koji služe kao osnova za izgradnju informacijske situacije, informacijske pozicije i informacijske strukture.

Na operativnoj (izvršnoj) razini odvija se provedba upravljačkih odluka (upravljački utjecaji). Menadžment utječe bez greške na promjenu informacijske pozicije kontroliranog objekta. Utjecaji upravljanja mogu po potrebi promijeniti informacijsku situaciju kontroliranog objekta. Istodobno, obično nema potrebe mijenjati informacijsku situaciju. Glavna zadaća ove razine je promijeniti stanje i položaj kontrolnog objekta i prijaviti promjene na konceptualnu razinu.

Slojevita arhitektura ima niz značajki. Uključuje niz ljudskih kognitivnih funkcija. Oslanja se na korištenje informacijskog pristupa inteligentnom upravljanju.

Treba uočiti razliku između inteligentne i informacijske tehnologije. Informacijska tehnologija obavlja funkcije podrške inteligentnoj kontroli. Glavnu ulogu imaju inteligentne tehnologije donošenja odluka. Omogućuju, uz rješenje ili u tijeku dobivanja rješenja, traženje novih znanja i akumulaciju intelektualnih resursa. Informacijske tehnologije stvaraju samo informacijske resurse. To znači da znanje formalizirano u eksplicitnom obliku, nakon savladavanja, može postati dio iskustva i baze znanja te se njime koristiti za rješavanje problema i donošenje odluka.

Zaključak

Inteligentna kontrola učinkovita je i neophodna pri upravljanju složenim objektima za koje je teško ili nemoguće pronaći formalne modele funkcioniranja. Temelj inteligentnog upravljanja su semiotički modeli na prvom mjestu, a informacijski na drugom mjestu. Inteligentne metode upravljanja su raznolike i primjenjive na tehničke, kognitivne i transportne sustave. Inteligentno upravljanje se široko koristi za višenamjensko upravljanje. Moderno inteligentno upravljanje integrira se u platforme i usluge u oblaku. Prilikom upravljanja distribuiranim organizacijama i korporacijama potrebno je voditi računa o prostornim odnosima i prostornom znanju. Drugi problem je ograničen broj inteligentnih tehnologija za rad s prešutnim znanjem. Tehnički, problem upravljanja znanjem povezan je s transformacijom informacijskih resursa u intelektualne resurse i njihovom primjenom u inteligentnim tehnologijama.

Bibliografski popis

UDK 004.896

I. A. Ščerbatov

INTELIGENTNO UPRAVLJANJE ROBOTSKIM SUSTAVIMA U NESIGURNOSTI

Uvod

Inteligentno upravljanje - primjena metoda umjetne inteligencije za upravljanje objektima različite fizičke prirode. U području upravljanja robotskim sustavima najviše se koriste metode umjetne inteligencije. To je prije svega zbog autonomije robota i potrebe da oni rješavaju neformalizirane kreativne zadatke u uvjetima nepotpunih informacija i raznih vrsta neizvjesnosti.

Donedavno je navedena klasa problema ostala prerogativ prirodne inteligencije: operater kontrolnog objekta, inženjer, znanstvenik, tj. osoba. Suvremeni napredak u području teorije automatskog upravljanja, inteligentne metode formaliziranja polustrukturiranih zadataka i upravljanja složenim tehničkim sustavima omogućuju implementaciju vrlo složenih robotskih sustava, koji uključuju mobilne robotske platforme, fleksibilne automatizirane linije i android robote.

Robotski sustavi rade u uvjetima nepotpunih ulaznih informacija, kada temeljna nemogućnost mjerenja niza parametara nameće značajna ograničenja upravljačkom programu. To dovodi do potrebe za razvojem baze algoritama koji omogućuju, na temelju neizravnih znakova i mjerljivih pokazatelja, izračunavanje neizmjerenih parametara.

Neizvjesnost vanjskog okruženja u kojem robotski sustav funkcionira čini nužnim uključiti u upravljački sustav različite vrste kompenzatora, modula za prilagodbu, akumulaciju i rangiranje informacija.

Formulacija problema

Cilj istraživanja bio je formiranje pristupa konstrukciji inteligentnih upravljačkih sustava za robotske sustave koji su invarijantni s obzirom na specifičnosti funkcioniranja, uzimajući u obzir nepotpunost ulaznih informacija i različite vrste nesigurnosti.

Za postizanje ovog cilja potrebno je riješiti niz međusobno povezanih zadataka: analizirati arhitekturu inteligentnih upravljačkih sustava za robotske sustave; razviti generalizirani algoritam za situacijsku identifikaciju robotskog sustava; razviti generalizirani dijagram sustava upravljanja robotskim sustavom; razviti inteligentne upravljačke sustave za robota za manipulaciju, mobilnu robotsku platformu i fleksibilnu automatiziranu liniju.

Metode istraživanja

U tijeku istraživanja korištene su metode opće teorije automatskog upravljanja, teorije neizrazitih skupova, neuronskih mreža, analize sustava i teorije stručnih procjena.

Položaj robotskog sustava u vanjskom okruženju

Za implementaciju inteligentnih algoritama upravljanja prioritet je zadaća trenutne identifikacije situacije u kojoj se robotski sustav nalazi. Za rješavanje ovog problema razvijen je strukturni dijagram sustava situacijske identifikacije (slika 1.).

Jedinica tehničkog vida i osjetilnog osjeta namijenjena je utvrđivanju promjena stanja vanjske okoline i predstavljanju senzorske karte okoliša za daljnju obradu. Senzorna karta okoline je slika situacije u kojoj se robot nalazi u trenutnom trenutku. Vremenski interval za izradu senzorske karte odabire se na temelju specifičnosti predmetnog područja.

Baza znanja

Operater

Intelektualac

sučelje

Identifikator

algoritmi

Organi tehničkog vida i osjetilne percepcije

Vanjsko okruženje

Izvršni

mehanizama

Riža. 1. Blok dijagram sustava situacijske identifikacije

Radna memorija, po analogiji s ekspertnim sustavima, dizajnirana je za obradu informacija koje dolaze od senzora i obrađuju se korištenjem postojeće baze algoritama i baze znanja (KB) robotskog sustava.

Osnova algoritama uključuje algoritme za prethodnu obradu senzorske karte (digitalna obrada signala, prepoznavanje zvučnih slika i slika), izračunavanje neizmjerenih parametara (funkcionalne ovisnosti o mjerenim parametrima), vraćanje cjelovitosti informacija (provjera potpunosti i nedosljednosti znanja, prilagođavanje znanja uzimajući u obzir nestacionarnost i promjenjive vanjske uvjete), matematičke operacije itd.

Baza znanja je složena hijerarhijska struktura koja sadrži apriorne informacije o vanjskom okruženju, postavljene u fazi obuke, cjelovito i dosljedno znanje koje robot stječe u procesu funkcioniranja i percepcije vanjskog okruženja. Znanje u bazi znanja rangirano je prema kriterijima relevantnosti i ažurira se uzimajući u obzir promjene u specifičnostima funkcioniranja robota na temelju algoritama prilagodbe znanja.

Najvažniji blok je identifikator situacije. Upravo je ovaj blok odgovoran za ispravno prepoznavanje slike situacije na temelju senzorske karte. Informacije o rezultatu ovog bloka odlučujuće su za izbor upravljačkog programa robotskog sustava.

I konačno, inteligentno sučelje, koje je potrebno za komunikaciju s operaterom. Operater kontrolira rad robotskog sustava, kao i prati proces za postizanje zadanih ciljeva. U pravilu bi se komunikacija između robota i operatera trebala odvijati korištenjem sučelja prirodnog jezika u ograničenom podskupu prirodnog jezika.

Struktura upravljačkog sustava za robotski sustav u uvjetima neizvjesnosti

Implementacija algoritama i programa za inteligentno upravljanje robotskim sustavima u uvjetima neizvjesnosti povezana je s nizom značajnih poteškoća.

Složenost algoritama za preliminarnu obradu ulaznih informacija i strukturna nesigurnost modela ponašanja samog robotskog sustava određuju redundantnost strukture inteligentnog upravljačkog sustava.

Za rješavanje problema upravljanja robotom u uvjetima neizvjesnosti, projektirana je sljedeća arhitektura inteligentnog upravljačkog sustava (slika 2).

Sustav situacijske identifikacije (SID) trebao bi biti dio svakog inteligentnog upravljačkog sustava za robotski sustav. Inteligentni kontrolni uređaj (IUU) sadrži BZ i jedinicu za odabir upravljačkog programa (BVPU). Svrha ovog bloka je razviti upravljačko djelovanje za sustav električnih pogona (ED) koji djeluju na mehanički sustav (MS) robota.

Riža. 2. Blok dijagram inteligentnog upravljačkog sustava robotskog sustava

Sustavi upravljanja industrijskim manipulatorima

Tradicionalni sustavi upravljanja industrijskim manipulatorima podijeljeni su u nekoliko klasa. Prva klasa sustava su programirani upravljački sustavi.

Sustav kontinuiranog upravljanja radnim tijelom manipulatora podrazumijeva prilagođavanje manipulatora referentnom modelu. Ovaj algoritam upravljanja ne uzima u obzir gubitke u manipulatoru MS i pretpostavlja se da se svi napori koje razvijaju pogoni prenose na radno tijelo.

Programirani sustav upravljanja silom u radnom tijelu služi za upravljanje ne samo vektorom sile, već i vektorom položaja radnog tijela. Sustav neovisne kontrole kretanja i sile u radnom tijelu manipulatora za različite stupnjeve pokretljivosti ima dvije upravljačke petlje s povratnom spregom: položaj i sila.

U sustavu spregnutog upravljanja pomakom i silom u radnom tijelu manipulatora, zadatak vektorom položaja radnog tijela se korigira trenutnom vrijednošću vektora sile. To znači da kada se radno tijelo kreće, veličina njegovog hoda se korigira silom utjecaja na vanjsku okolinu.

Prilagodljivi sustavi upravljanja koriste se pri izvođenju: operacija preuzimanja proizvoljno lociranog ili pokretnog objekta, elektrolučnog zavarivanja šavova promjenjivog položaja, zaobilaženja pokretnih i nepredviđenih prepreka. U tu svrhu koriste se adaptivni sustavi s asocijativnom memorijom.

Za upravljanje industrijskim manipulatorima koriste se i robusni upravljački sustavi, koji se trenutno široko koriste u praksi.

Implementacija inteligentne kontrole

Problem funkcioniranja robotskog sustava u uvjetima neizvjesnosti je višestruk.

Razmotrimo problem planiranja ponašanja robotskog sustava u uvjetima neizvjesnosti. Za njegovo rješavanje najpovoljnije je koristiti tehnologiju dinamičkih ekspertnih sustava. Baza znanja takvog ekspertnog sustava se vremenom prilagođava. Ako se primjenjuje baza pravila proizvodnje, tada se sastav pravila proizvodnje kontinuirano ispituje radi potpunosti i dosljednosti. Osim toga, zbog algoritama prilagodbe ažuriraju se i zamjenjuju zastarjela i zastarjela pravila. Pritom se posebna pozornost pridaje pitanjima poučavanja stručnog sustava bez nastavnika (samoučenje), budući da je praćenje sustava visokokvalificiranog stručnjaka ekonomski neisplativo.

Samoučeći ili samopodešavajući blok baze znanja ekspertnog sustava zahtijeva pažljivo proučavanje u fazi projektiranja inteligentnog upravljačkog sustava za robotski sustav.

moj. Upravo o kvaliteti ove faze projektantskog rada često ovisi učinkovitost rješavanja zadatka. Trebao bi uključivati ​​podsustave za ocjenjivanje cjelovitosti i nedosljednosti znanja, ocjenjivanje kvalitete upravljanja i ispravljanje znanja.

Kronološki, sljedeća faza nakon planiranja ponašanja može biti problem izdavanja upravljačkih naredbi robotskom sustavu na prirodnom jeziku. Za stvaranje sučelja prirodnog jezika, po našem mišljenju, najprikladniji alat za implementaciju je teorija neizrazitih skupova.

Uz pomoć lingvističkih varijabli koje sadrže određeni, prethodno opisani skup pojmova, izrađuje se opis predmetnog područja, ograničeni sustav naredbi i objekata koji utječu na robotski sustav i mijenjaju se pod njegovim djelovanjem. Metode fuzzifikacije i defuzzifikacije korištene u ovom slučaju, kao i algoritmi neizrazitog zaključivanja, imaju značajan utjecaj na točnost određivanja upravljačkih radnji i brzinu robotskog sustava.

I na kraju, korištenje upravljačkih sustava neuronskih mreža za robotske sustave. Glavna prednost neuronske mreže je da nema potrebe za poznavanjem ili stvaranjem matematičkog modela objekta, budući da je neuronska mreža univerzalni neizraziti aproksimator.

Objekt (robotski sustav) djeluje kao "crna kutija". Neuronska mreža može djelovati kao referentni model za kontrolirani robotski sustav. Treba napomenuti da bi ovo trebala biti višeslojna neuronska mreža koja uči (identifikator objekta). Model neuronske mreže je podešen na kontrolni objekt neusklađenošću između izlaznih signala objekta i modela. Također čini uzorak za obuku za podešavanje i podešavanje upravljačkog uređaja prema odabranom kriteriju kvalitete.

Zaključak

Analiza je omogućila sintetiziranje arhitekture inteligentnog upravljačkog sustava za robotske sustave koja je invarijantna s obzirom na specifičnosti funkcioniranja. Razvijeni algoritam situacijske identifikacije omogućuje izradu visoko informativnih senzorskih karata vanjskog okruženja. Opisani su glavni pristupi formiranju inteligentnih upravljačkih sustava za robotske sustave. Prikazani su smjerovi perspektivnog razvoja najučinkovitijih metoda umjetne inteligencije za implementaciju upravljačkih uređaja.

BIBLIOGRAFIJA

1. Yurevich EI Osnove robotike. - SPb .: BHV-Peterburg, 2007.-- 416 str.

2. Manipulacijski sustavi robota / ur. A.I. Korendyaseva. - M .: Mashinostroenie, 1989 .-- 472 str.

3. Burdakov SF Sinteza robusnih regulatora s elastičnim elementima: zbornik članaka. znanstvenim. tr. - Br. 443. Mehanika i procesi upravljanja. - SPb .: SPbSTU, 1992.

4. Protalinsky OM Primjena metoda umjetne inteligencije u automatizaciji tehnoloških procesa: monografija. - Astrakhan: Izdavačka kuća ASTU, 2004.-- 184 str.

Članak je zaprimljen u uredništvo 13.01.2010

INTELEKTUALNO UPRAVLJANJE ROBOTIČKIM SUSTAVIMA U UVJETIMA NESIGURNOSTI

I. A. Ščerbatov

Svrha ovog rada je formiranje pristupa izgradnji intelektualnih upravljačkih sustava robotskih sustava, invarijantnih u odnosu na specifičnost funkcioniranja, s obzirom na nepotpunost ulaznih informacija i različite vrste nesigurnosti. Provedena je analiza koja omogućuje sintezu arhitekture intelektualnog upravljačkog sustava robotskih sustava invarijantnih u odnosu na specifičnosti funkcioniranja. Razvijeni algoritam situacijske identifikacije omogućuje stvaranje dobrih dodirnih kartica okoline. Opisani su osnovni pristupi formiranju intelektualnih upravljačkih sustava robotskih sustava. Prikazani su pravci perspektivnog razvoja najučinkovitijih metoda umjetnog intelekta primijenjenih na realizaciju pogonskih uređaja.

Ključne riječi: robotski sustav, robot, intelektualno upravljanje, strukturna nesigurnost, nepotpunost informacija, touch card, neuronska mreža, teorija nejasnih skupova, samoobučeni ekspertni sustav.

TEMA 13. INTELIGENTNI SUSTAVI UPRAVLJANJA

Nova generacija sustava - inteligentni sustavi (IS) - donijela je u život druge principe organiziranja komponenti sustava, pojavili su se novi pojmovi, pojmovi, blokovi koji se dosad nisu susreli u razvoju, a time i u znanstvenoj literaturi.

Inteligentni sustavi su u stanju sintetizirati cilj, donijeti odluku za akciju, pružiti radnju za postizanje cilja, predvidjeti vrijednosti parametara rezultata akcije i usporediti ih sa stvarnim, formirajući povratnu informaciju, prilagoditi cilj ili kontrolirati

Na slici 13.1 prikazan je blok dijagram IS-a, gdje su istaknuta dva velika bloka sustava: sinteza cilja i njegova implementacija.

U prvom bloku, na temelju aktivne procjene informacija primljenih iz senzorskog sustava, uz prisutnost motivacije i znanja, sintetizira se cilj i donosi odluka o djelovanju. Aktivna procjena informacija provodi se pod utjecajem signala okidača. Promjenjivost okoline i vlastitog stanja sustava može dovesti do potrebe za nečim (motivacije), a ako postoji znanje, može se sintetizirati cilj.

Cilj se shvaća kao idealno, mentalno iščekivanje rezultata neke aktivnosti. Nastavljajući aktivno procjenjivati ​​informacije o okruženju i vlastitom stanju sustava, uključujući kontrolni objekt, pri usporedbi mogućnosti za postizanje cilja, možete donijeti odluku za akciju.

Nadalje, u drugom bloku dinamički ekspertni sustav (DES) na temelju aktualnih informacija o okruženju i vlastitom stanju IS-a, uz prisutnost cilja i znanja, provodi stručnu ocjenu, donosi odluku o upravljanju , predviđa rezultate radnje i razvija kontrolu.

Kodirana kontrola se pretvara u fizički signal i dovodi do aktuatora.

Upravljački objekt, primajući signal od aktuatora, provodi jednu ili drugu radnju, čiji rezultati, predstavljeni u obliku parametara, kroz povratnu petlju 2 ulaze u DES, gdje se uspoređuju s predviđenim. Istovremeno, parametri rezultata radnje, interpretirani u skladu sa svojstvima cilja i ulaska u blok I, mogu se koristiti za emocionalnu procjenu postignutog rezultata: na primjer, cilj je postignut, ali rezultat nije ugodan.

Ako je cilj postignut u svim aspektima, tada je menadžment ojačan. U suprotnom, kontrola je ispravljena. Kada je cilj nedostižan, cilj se prilagođava.

Valja napomenuti da je naglim promjenama stanja okoliša, ili upravljačkog objekta, ili sustava u cjelini, moguće sintetizirati novi cilj i organizirati njegovo postizanje.

Struktura IS-a, uz nove elemente, sadrži tradicionalne elemente i veze, središnje mjesto u njoj zauzima dinamičan ekspertni sustav.

Blok 1 - sinteza cilja Blok II - realizacija cilja

Slika 13.1 - IC blok dijagram

Formalno, IS je opisan sa sljedećih šest izraza:

T x S M T ;

T M S SV ;

C T S R T;

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

T Y = (D T) X T;

T R Y S T ,

gdje je T skup točaka u vremenu;

X, S, M, C, R i Y - skup stanja sustava, okoline, motivacije, cilja, predviđenog i stvarnog rezultata;

A, V i D - matrice parametara;

Inteligentni operatori transformacije koji koriste znanje.

Ovaj opis kombinira prikaz objekata sustava u obliku skupa značenja, ili skupa iskaza, ili nekih drugih oblika.

Dinamička svojstva IS-a mogu se opisati u prostoru stanja. Inteligentni operateri koji implementiraju percepciju, predstavljanje, formiranje pojmova, prosuđivanje i zaključivanje u procesu spoznaje formalno su sredstvo obrade informacija i znanja, kao i donošenja odluke. Svi ovi aspekti trebali bi biti temelj za izgradnju DES-a koji djeluje u stvarnom vremenu iu stvarnom svijetu.

Dinamični ekspertni sustav je neka vrsta složenog obrazovanja sposobnog za procjenu stanja sustava i okoline, usporedbu parametara željenih i stvarnih rezultata radnje, donošenje odluke i razvoj kontrole koja doprinosi postizanju cilja. Da bi to učinio, DES mora imati zalihu znanja i metode za rješavanje problema. Znanje preneseno u ekspertni sustav može se podijeliti u tri kategorije:

1) konceptualno (na razini pojmova) znanje je znanje utjelovljeno u riječima ljudskog govora ili, točnije, u znanstvenim i tehničkim terminima i, naravno, u klasama i svojstvima objekata okoliša koji stoje iza ovih pojmova. To također uključuje veze, odnose i ovisnosti između pojmova i njihovih svojstava, a veze su apstraktne, također izražene riječima i terminima. Konceptualno znanje je sfera, uglavnom fundamentalnih znanosti, ako uzmemo u obzir da je pojam najviši proizvod najvišeg proizvoda materije – mozga;

2) činjenično, predmetno znanje je zbirka informacija o kvalitativnim i kvantitativnim karakteristikama konkretnih predmeta. Uz ovu kategoriju znanja vežu se pojmovi "informacija" i "podaci", iako takva upotreba ovih pojmova donekle umanjuje njihovo značenje. Svako znanje nosi informaciju i može se predstaviti u obliku podataka; činjenično znanje ono je čime su se računala oduvijek bavila i čime su se do sada najviše bavila. Suvremeni oblik prikupljanja podataka obično se naziva bazama podataka. Naravno, za organiziranje baza podataka, za pronalaženje potrebnih informacija u njima, treba se osloniti na konceptualno znanje;

3) algoritamsko, proceduralno znanje - to je ono što se obično naziva riječima "vještina", "tehnologija" itd. U računarstvu se algoritamsko znanje implementira u obliku algoritama, programa i potprograma, ali ne bilo kojih, već onih koji mogu prenositi iz ruku u ruke i koristiti bez sudjelovanja autora. Ova implementacija algoritamskog znanja naziva se softverski proizvod. Najčešći oblici softverskog proizvoda su programski paketi, softverski sustavi i drugi, usmjereni na određeno područje primjene DES-a. Organizacija i korištenje aplikacijskih paketa temelji se na konceptualnom znanju.

Jasno je da je konceptualno znanje viša, definirajuća kategorija znanja, iako se s praktične točke gledišta druge kategorije mogu činiti važnijim.

To je vjerojatno razlog zašto se konceptualno znanje rijetko utjelovljuje u obliku koji se može obraditi na računalima. A ako je utjelovljena, onda je najčešće nepotpuna i jednostrana. U većini slučajeva osoba ostaje nositelj konceptualnog znanja. To usporava automatizaciju mnogih procesa.

Prikazi konceptualnog znanja, odnosno sustava koji implementiraju sve tri kategorije znanja, ali u prvi plan ističu konceptualno znanje i rade na temelju njegove intenzivnog korištenja, nazivaju se bazama znanja.

Stvaranje i široka upotreba baza znanja u IP-u jedan je od najhitnijih zadataka. Konceptualni dio baze znanja zvati će se model domene, algoritamski dio - softverski sustav, a faktografski dio - baza podataka.

Sljedeća funkcija DES-a je rješavanje problema. Problem može riješiti stroj samo ako je formalno postavljen - ako je za njega napisana formalna specifikacija. Potonje bi se trebalo temeljiti na nekoj bazi znanja. Model domene opisuje opće okruženje u kojem je zadatak nastao, a specifikacija opisuje sadržaj zadatka. Zajedno, oni omogućuju utvrđivanje koje apstraktne veze i ovisnosti, u kojim kombinacijama i kojim redoslijedom treba koristiti za rješavanje problema.

Aplikacijski programi predstavljaju specifične alate iza ovih ovisnosti, a također sadrže algoritme za rješavanje jednadžbi koje nastaju. Konačno, baza podataka daje sve ili dio početnih podataka za izvršavanje ovih algoritama, podaci koji nedostaju moraju biti sadržani u specifikaciji.

Ova tri dijela baze znanja odgovaraju trima fazama rješavanja problema:

1) izrada apstraktnog programa rješenja (uključujući nastanak problema, njegovu formulaciju i specifikaciju);

2) prijevod problema na odgovarajući strojni jezik;

3) emitiranje i izvođenje programa.

Izgradnja apstraktnog programa povezana je s prikazom i obradom konceptualnog znanja u IS-u i, po definiciji, vlasništvo je umjetne inteligencije.

Umjetna inteligencija povezana je s obradom tekstova, usmenih poruka na prirodnom jeziku, s analizom i obradom informacija (prepoznavanje svih vrsta slika, dokazivanje teorema, logičko zaključivanje i sl.).

Funkcije DES-a su i procjena rezultata rješavanja problema, formiranje parametara budućeg rezultata akcije, donošenje odluka o upravljanju, razvoj kontrole i usporedba parametara željenog i stvarnog. rezultate. Omogućuje modeliranje procesa radi procjene mogućih posljedica i ispravnosti rješenja problema.

Imajte na umu da u stvarnim slučajevima postoji problem opisivanja objekata koji se proučavaju. Neprikladno je takav opis smatrati dijelom specifikacije zadatka, budući da se u pravilu mnogo zadataka postavlja u odnosu na jedan objekt, što se, naravno, mora uzeti u obzir pri formiranju baze znanja. Osim toga, može se pokazati da se problem koji je nastao ne može riješiti automatski do kraja, na primjer, zbog nepotpunosti specifikacije ili opisa objekta.

Stoga je u IS-u preporučljivo u određenim fazama imati interaktivni način rada s DES-om. Treba imati na umu da model domene opisuje opće okruženje (znanje), a specifikacija opisuje sadržaj zadatka. Vrlo važni problemi su stvaranje jedinstvenog softverskog okruženja i sinteza algoritama izravno prema formulaciji problema.

Ovisno o cilju pred IS-om, baza znanja, algoritmi za rješavanje problema, donošenje odluke, razvoj upravljanja mogu, naravno, imati različitu reprezentaciju, što pak ovisi o prirodi rješavanja problema. Sukladno tome, mogu se vidjeti tri tipa DES-a. Struktura DES-a prvog tipa prikazana je na slici 13.2.

Slika 13.2 - Struktura DES-a prvog tipa

Ovdje se pretpostavlja da konceptualno i činjenično znanje točno odražava procese i informacije vezane uz određeno predmetno područje.

Tada će se rješenje problema koji nastaje u ovom području dobiti na temelju rigoroznih matematičkih metoda, u skladu s formulacijom i specifikacijom. Rezultati studije odluka i prognoze služe za dobivanje stručnog mišljenja i donošenje odluke o potrebi upravljanja. Zatim, na temelju prikladnog algoritma upravljanja dostupnog u bazi znanja, formira se kontrolno djelovanje.

Učinkovitost i konzistentnost ovog utjecaja, prije nego što stigne na kontrolni objekt, ocjenjuje se pomoću matematičkog simulacijskog modela. Evaluacija bi se trebala izvoditi brže od stvarnih procesa u IS-u.

Međutim, DES koji implementiraju odlučivanje su složeni softverski sustavi dizajnirani za automatsko donošenje odluka ili za pomoć donositeljima odluka, a u operativnom upravljanju složenim sustavima i procesima u pravilu rade pod teškim vremenskim ograničenjima.

Za razliku od DES-a prvog tipa, dizajniranog za pronalaženje optimalnog rješenja i temeljenog na rigoroznim matematičkim metodama i optimizacijskim modelima, DES drugog tipa uglavnom su usmjereni na rješavanje teških formaliziranih problema u nedostatku potpunih i pouzdanih informacija (slika 13.3). Koristi ekspertne modele temeljene na znanju stručnjaka - stručnjaka za ovo problematično područje, te heurističke metode za pronalaženje rješenja.

Jedan od glavnih problema u projektiranju DES-a drugog tipa je izbor formalnog aparata za opisivanje procesa donošenja odluka i izgradnja na njegovoj osnovi modela odlučivanja koji je adekvatan problemskom području (semantički ispravan). Kao takav aparat obično se koriste proizvodni sustavi. No, glavno istraživanje se provodi u kontekstu algoritamske (determinističke) interpretacije proizvodnog sustava s inherentnom shemom sekvencijalnog pretraživanja rješenja.

Rezultirajući modeli često su neadekvatni za stvarna problematična područja koja karakterizira nedeterminizam procesa pronalaženja rješenja. Izlaz iz ove situacije je paralelizam pretraživanja.

U stvarnosti, treba se usredotočiti na kombiniranje DES-a prve i druge vrste u računsko-logički DES trećeg tipa, gdje baza znanja kombinira opis u obliku strogih matematičkih formula s informacijama stručnjaka, kao i, sukladno tome, matematičke metode za pronalaženje rješenja nestrogim heurističkim metodama, a težina jedne ili druge komponente određena je mogućnošću adekvatnog opisa predmetnog područja i načina pronalaženja rješenja (sl. 13.4).

Slika 13.3 - Struktura dizel elektrane druge razine

Prilikom razvoja DES-a pojavljuju se sljedeći problemi:

1.određivanje sastava baze znanja i njezino formiranje;

2. razvoj novih i korištenje poznatih teorija i metoda za opisivanje informacijskih procesa u IS-u;

3. razvoj načina predstavljanja i organiziranja korištenja znanja;

4. razvoj algoritama i softvera uz paralelizaciju i korištenje "fleksibilne logike";

1. pronalaženje prikladnih računalnih okruženja za implementaciju paralelnih algoritama u formiranju DES-a.

Slika 13.4 - Struktura treće razine dizel elektrane

Uz navedeno, važno je napomenuti da DES treba imati svojstvo prilagođavanja dinamičkom problemskom području, sposobnost uvođenja novih elemenata i veza u opis situacija, promjene pravila i strategija funkcioniranja objekata u proces donošenja odluke i razvoja kontrole, rad s nepotpunim, nejasnim i kontradiktornim informacijama i sl.

Dinamički ekspertni sustavi djeluju kao dio IS-a s povratnom spregom, te je stoga važno osigurati stabilan rad takvih IS-a.

S tradicionalnog stajališta, može se pretpostaviti da trajanje DES odgovora na ulazne utjecaje, t.j. vrijeme utrošeno na obradu ulaznih informacija i razvoj kontrolne radnje je čisto kašnjenje. Na temelju frekvencijske analize moguće je procijeniti promjenu faznih svojstava sustava i na taj način odrediti marginu stabilnosti. Ako je potrebno, možete ispraviti sustav pomoću filtara.

Međutim, sa stajališta klasične teorije upravljanja, IS su više-objektni višestruko povezani sustavi, čija je analiza stabilnosti konvencionalnim metodama vrlo teška.

Trenutno je teorija robusnog upravljanja (-control theory, -control) jedna od grana teorije upravljanja koja se intenzivno razvija. Relativno mlad (prvi radovi pojavili su se početkom 1980-ih), proizašao je iz hitnih praktičnih problema sinteze višedimenzionalnih linearnih upravljačkih sustava koji rade u uvjetima raznih vrsta poremećaja i promjena parametara.

Problemu projektiranja upravljanja stvarnim složenim objektom koji djeluje pod nesigurnošću možete pristupiti na drugačiji način: nemojte pokušavati koristiti jednu vrstu upravljanja - adaptivnu ili robusnu. Očito je potrebno odabrati tip koji odgovara stanju okoliša i sustava, što je određeno informacijama dostupnim sustavu. Ako je tijekom rada sustava moguće organizirati primanje informacija, preporučljivo je koristiti ih u procesu kontrole.

No implementacija takve kombinirane kontrole donedavno je nailazila na nepremostive poteškoće u određivanju algoritma za odabir vrste upravljanja. Napredak postignut u razvoju problema umjetne inteligencije omogućuje sintetizaciju takvog algoritma.

Doista, postavimo zadatak: dizajnirati sustav koji koristi prilagodljivo i robusno upravljanje i odabire vrstu upravljanja na temelju metoda umjetne inteligencije. Za to ćemo razmotriti značajke obje vrste i, uzimajući u obzir njihove specifične kvalitete, utvrdit ćemo kako se može izgraditi kombinirani sustav upravljanja.

Jedan od osnovnih pojmova u teoriji robusnog upravljanja je koncept nesigurnosti. Neizvjesnost objekta odražava netočnost modela objekta, kako parametarskog tako i strukturnog.

Razmotrimo detaljnije oblike specificiranja nesigurnosti u robusnoj teoriji upravljanja pomoću jednostavnog sustava - s jednim ulazom i jednim izlazom (slika 13.5).

Signali imaju sljedeću interpretaciju: r - postavljanje ulaznog signala; u - ulazni signal (ulaz) objekta; d - vanjski poremećaj; y je izlazni signal (izlaz) objekta koji se mjeri.

Slika 13.5 - Sustav s jednim ulazom i jednim izlazom

U teoriji upravljanja zgodno je postaviti nesigurnost u frekvencijskoj domeni. Pretpostavimo da je prijenosna funkcija normalne biljke P, i razmotrimo poremećenu biljku, čija prijenosna funkcija,

gdje je W fiksna prijenosna funkcija (težinska funkcija);

- proizvoljna stabilna prijenosna funkcija koja zadovoljava nejednakost.

Ovo ogorčenje će se nazvati dopuštenim. Ispod su neke varijante modela nesigurnosti:

Za količine i W u svakom slučaju moraju se napraviti odgovarajuće pretpostavke.

Nesigurnost ulaznih signala d odražava različitu prirodu vanjskih smetnji koje djeluju na postrojenje i regulator. Stoga se neodređeni objekt može smatrati nekom vrstom skupa objekata.

Odaberimo neku karakteristiku sustava s povratnom spregom, na primjer stabilnost. Regulator C je robustan s obzirom na ovu karakteristiku ako ga posjeduje bilo koji od skupa objekata definiranih nesigurnošću.

Dakle, koncept robusnosti podrazumijeva prisutnost regulatora, skupa objekata i fiksiranje određene karakteristike sustava.

U ovom radu nećemo se doticati cjelokupnog skupa problema koji se rješavaju u okviru teorije upravljanja. Dotaknimo se samo problema minimalne osjetljivosti: konstruiranjem takvog regulatora C koji stabilizira sustav zatvorene petlje i minimizira utjecaj vanjskih smetnji na izlaz y, drugim riječima, minimizira normu matrice prijenosnih funkcija iz vanjskog smetnje na izlazu y.

Jedna od značajki rješenja ovog, ali i čitavog skupa robusnih upravljačkih problema, jest činjenica da unaprijed, u procesu projektiranja regulatora, namećemo ograničenja na ulazne akcije i nesigurnost objekta u obliku nejednakosti.

Tijekom rada robusnog sustava, informacije o nesigurnostima u sustavu ne koriste se za upravljanje.

Naravno, to dovodi do činjenice da su robusni sustavi konzervativni i da kvaliteta prijelaznih procesa ponekad ne zadovoljava programere tih sustava.

Slično robusnom prilagodljivom sustavu upravljanja, adaptivni upravljački sustav se konstruira za objekte, informacije o kojima ili o učincima na koje nisu dostupne na početku funkcioniranja sustava. Svojstvo prilagodbe najčešće se postiže formiranjem, u eksplicitnom ili implicitnom obliku, matematičkog modela objekta ili ulazne radnje.

To razlikuje adaptivnu kontrolu pretraživanja, koja se temelji na traženju i zadržavanju ekstrema pokazatelja kvalitete kontrole, i kontrolu bez pretraživanja, koja se temelji na kompenzaciji za odstupanje stvarnih promjena u kontroliranim koordinatama od željenih promjena. koji odgovara potrebnoj razini pokazatelja kvalitete. Nadalje, prema dorađenom modelu, prilagođava se prilagodljivi kontroler.

Dakle, glavna značajka adaptivnih upravljačkih sustava je sposobnost dobivanja informacija u procesu funkcioniranja i korištenja tih informacija za upravljanje.

Štoviše, u adaptivnim sustavima uvijek se koristi a priori informacija o nesigurnosti u sustavu. To je temeljna razlika između prilagodljivog i robusnog pristupa.

Razmotrimo jednostavan prilagodljivi upravljački sustav koji prati ulazni signal u prisutnosti smetnji na ulazu objekta (slika 13.6).

Crtanje. 13.6 – Adaptivni sustav upravljanja

Formalna razlika od sklopa na slici 13.5 je adaptacijski blok A, koji na temelju izlaznog signala objekta i signala koji karakterizira zadanu kvalitetu generira signal za podešavanje koeficijenata adaptivnog regulatora.

Imajući na umu nedostatke svakog od regulatora, preporučljivo je pokušati iskoristiti njihove prednosti predlaganjem kombinirane sheme upravljanja za objekt. Prilagodljivi sustav uz pomoć adaptacijske jedinice generira neke informacije o stanju vanjskog okruženja. Konkretno, u predmetu koji se razmatra može se dobiti informacija o vanjskoj smetnji d. Upravljački algoritam S a odgovara trenutnom stanju vanjskog okruženja, prema kriteriju postavljenom u bloku prilagodbe. Ali adaptivni sustav zahtijeva da ulazni signal r ima dovoljno širok frekvencijski raspon i nameće ozbiljna ograničenja na vrijednost i frekvencijski spektar vanjskog signala smetnje d. Stoga adaptivni sustavi mogu raditi samo u uskim rasponima ulaznog signala r i vanjskih smetnji d. Izvan tih raspona, adaptivni sustav ima lošu kvalitetu kontrole i može čak postati nestabilan.

Gore razmotrena svojstva robusnog i prilagodljivog upravljanja dovode do zaključka da je u procesu funkcioniranja sustava u nekim slučajevima povoljno koristiti robusno upravljanje, u drugim - adaptivno upravljanje, t.j. moći kombinirati kontrolu ovisno o stanju vanjskog okruženja.

Kombinirana kontrola. Glavno pitanje u projektiranju kombiniranih sustava upravljanja je kako, na temelju kojih znanja (informacija), odabrati jednu ili drugu vrstu upravljanja.

Najšire mogućnosti za to pružaju metode umjetne inteligencije. Njihova prednost u odnosu na jednostavne algoritme prebacivanja je korištenje širokog raspona podataka i znanja za formiranje algoritma za odabir vrste upravljanja.

Ako formalno kombiniramo sklopove prikazane na slikama 13.5, 13.6, dobivamo kombinirani upravljački krug (slika 13.7).

Kao što je vidljivo na slici, upravljački signal bi trebao prelaziti s robusnog regulatora na prilagodljivi i obrnuto - kako se okruženje mijenja tijekom rada sustava. Koristeći metode teorije inteligentnih sustava, moguće je osigurati prijelaz s jedne vrste upravljanja na drugu, ovisno o uvjetima rada sustava.

Slika 13.6 - Kombinirana upravljačka shema

Razmotrimo najprije koje informacije se mogu koristiti za rad inteligentne jedinice sustava. Kao što znate, sustavi s jednim ulazom i jednim izlazom dobro su opisani u frekvencijskoj domeni. Stoga je prirodno koristiti frekvencijske karakteristike za organizaciju procesa donošenja odluka pri odabiru vrste upravljanja.

Kao što je gore spomenuto, frekvencijski odziv robusno kontroliranog sustava odgovara najgoroj kombinaciji parametara u području nesigurnosti. Stoga se robusna kontrola može uzeti kao jedna od granica odabrane kontrole.

Druga granica određena je mogućnostima sustava koji se proučava (brzina pogona, omjer snage i težine, itd.). Između ove dvije granice nalazi se područje u kojem ima smisla koristiti prilagodljivu kontrolu.

Slika 13.7 - Kombinirana upravljačka shema

Budući da je adaptivni algoritam osjetljiv na početnu fazu funkcioniranja sustava, u ovoj je fazi preporučljivo koristiti robusno upravljanje, koje je dovoljno neosjetljivo na brzinu promjene vanjske buke. Ali njegov nedostatak je dugo trajanje prijelaznih procesa i velike dopuštene vrijednosti izlazne koordinate pod djelovanjem smetnji.

Nakon nekog vremena, ima smisla prebaciti robusnu kontrolu na prilagodljivu.

Prilagodljiva kontrola omogućuje vam točnije praćenje ulaznog signala u prisutnosti informacija o smetnji. Prilagodljivo upravljanje zahtjevno je za bogatstvo spektra ulaznog signala i, na primjer, sa sporo promjenjivim signalima, procesi prilagodbe mogu biti poremećeni ili ozbiljno usporeni. U takvoj situaciji potrebno je ponovno prijeći na robusno upravljanje, što jamči stabilnost sustava.

Iz navedenog proizlazi da je za funkcioniranje sustava potrebno imati informaciju o frekvencijskom spektru korisnog signala interferencije i o omjeru signal-šum.

Osim toga, potrebne su preliminarne informacije o frekvencijskom spektru na kojem djeluje adaptivni sustav i o posebnim karakteristikama kontrolnog objekta na granicama područja nesigurnosti. Iz tih podataka moguće je formirati bazu podataka u koju se unaprijed unose podaci, pojedinačni za svaku klasu objekata. Podaci o frekvencijskom spektru korisnog signala, smetnji i omjeru signal/šum unose se u bazu podataka kako sustav radi i stalno se ažurira.

Sadržaj baze podataka može se koristiti u bazi znanja koja je formirana u obliku pravila. Ovisno o specifičnim svojstvima sustava, može se postaviti preklapanje dvije vrste upravljanja. Potrebna pravila formiraju se u jednom od logičkih sustava prikladnih za slučaj koji se razmatra.

Posjedujući baze podataka i znanja, moguće je razviti mehanizam odlučivanja koji će osigurati ispravan odabir vrste upravljanja, ovisno o uvjetima funkcioniranja sustava.

Slika 13.8 - Blok dijagram sustava s inteligentnom jedinicom (IS)

Intelektualni dio sustava radi diskretno, u određenim vremenskim intervalima. Slika 13.8 prikazuje blok dijagram sustava s inteligentnom IS jedinicom koja omogućuje izbor vrste upravljanja.

Na ulaz bloka prima se signal r, a na izmjereni izlazni signal objekta y. U bloku preliminarne obrade informacija BPOI, prema vremenskim karakteristikama signala r (t), y (t), frekvencijskim karakteristikama ulaznog signala r (w) i vanjskim smetnjama d (w), relativni položaj spektre r (w) i d (w) i karakteristične vrijednosti omjera signal-šum r (w) / d (w). Sve te informacije idu u DB bazu podataka. Blok za donošenje odluka BPR-a, koristeći generiranu bazu znanja baze znanja i podataka baze podataka, razvija odluku u skladu s kojom se uključuje jedan od tipova upravljanja. U sljedećem intervalu postupak se ponavlja s novim podacima.

UVOD

Uvjeti rada suvremenih tehnoloških kompleksa dovode do potrebe za računovodstvom u procesu praćenja i kontrole. sljedeće vrste nesigurnosti:

1. Niska točnost operativnih informacija primljenih od kontrolnih objekata, nastaje zbog velike pogreške senzora za mjerenje tehnoloških parametara (brzina protoka, tlaka itd.), njihove niske pouzdanosti, kvarova komunikacijskih kanala, velikog kašnjenja u prijenosu informacija preko kontrolnih razina, nemogućnosti mjerenja parametara na svim točkama tehnološkog procesa potrebnog za modele.

2. Netočnost modela objekata kontrole i upravljanja uzrokovane: neekvivalentnošću rješenja višerazinskih hijerarhijskih modela sustava i pojedinačnih lokalnih problema koji se koriste u praksi; pogrešna dekompozicija općeg problema upravljanja, pretjerana idealizacija modela tehnološkog procesa, prekid bitnih veza u tehnološkom kompleksu, linearizacija, diskretizacija, zamjena stvarnih karakteristika opreme putovničkim, kršenje pretpostavki pri izvođenju jednadžbi ( stacionarnost, izotermnost, homogenost itd.).

3. Nejasno donošenje odluka u višerazinskim hijerarhijskim sustavima, zbog činjenice da prisutnost jasnih (preciznih) ciljeva i koordinirajućih odluka na svakoj razini kontrole i upravljanja, te za svaki lokalni regulacijski uređaj, komplicira proces koordinacije i predodređuje dugu iterativnu prirodu koordinacija odluka.

4. Prisutnost ljudskog operatera, uključujući dispečera, u kontrolnoj petlji i provođenje procesa koordinacije u stvarnom proizvodnom sustavu na prirodnom jeziku, dovodi do potrebe da se u obzir uzmu poteškoće predstavljanja znanja dispečera u obliku algoritama i konzistentnost rješenja dobivenog računalom s njegovom ocjenom.

“Pretjerana težnja za točnošću počela je imati učinak koji poništava teoriju upravljanja i teoriju sustava, budući da dovodi do toga da se istraživanja u ovom području fokusiraju na one i samo one probleme koji se daju egzaktnim rješenjima. Mnoge klase važnih problema, u kojima su podaci, ciljevi i ograničenja previše složeni ili slabo definirani da bi omogućili točnu matematičku analizu, bili su i ostali po strani jednostavno zato što se ne podliježu matematičkoj obradi."

L.Zadeh

Među modernim proizvodnim procesima mnogo je onih koji imaju kompleks kvaliteta neočekivanih za klasičnu teoriju automatskog upravljanja (TAU). Ovo "nezgodno" ili, kako ih još zovu, "Polustrukturirano" ili "Loše definirano" objekti imaju svojstva kao što su jedinstvenost, nedostatak formalizirane svrhe postojanja i optimalnosti, nestacionarnost strukture i parametara, nepotpunost ili gotovo potpuna odsutnost formalnog opisa predmeta.

Konceptualni okvir

upravljanje pod neizvjesnošću

Neizvjesnosti koji se shvaćaju kao izvori nesigurnosti, prilično su uvjetno podijeljeni u sljedeće tri velike skupine:

1. nesigurnost i nepotpunost informacija o situaciji, koji služi za donošenje odluke o ocjeni kvalitete funkcioniranja ili formiranju kontrole nad funkcioniranjem sustava - faktor nesigurnosti sustava i okoliša;

2. čimbenici uzrokovani neizvjesnošću, nejasnoćom razmišljanja i znanjem osobe- neizvjesnost koja se očituje u interakciji osobe sa sustavom i njegovom okolinom;

3. faktori neizvjesnosti, nejasnost(netočnost) akumulirano znanje, koncentriran u bazama znanja umjetnih inteligentnih sustava, neizvjesnost operiranja ovim znanjem u procesu implementacije određene logičke i logičko-algebarske postupke za prikupljanje i obradu informacija, razvijanje, odabir i donošenje upravljačkih odluka.

Klasifikacija čimbenika (izvora) nesigurnosti koje treba uzeti u obzir u proučavanju složenih sustava prikazano je na slici B.1.

Slika B.1. Klasifikacija nesigurnosti

Metodologija za analizu i obračun faktora nesigurnosti u

upravljanje u složenim organizacijskim i tehničkim sustavima ...

(ACS s DSS i DSS sustavima za podršku odlučivanju i sustavima za donošenje odluka)

1. Problemi i generalizirana formalizacija zadataka za razvoj i

donošenje upravljačkih odluka u uvjetima neizvjesnosti...

2. Deterministički pristup donošenju odluka u uvjetima

neizvjesnost ………… .. …………… .. …………………… ..

3. Stohastički pristup rješavanju problema donošenja odluka u

uvjeti neizvjesnosti… .. ………………………………………

4. Probabilistički – statistički pristup odlučivanju u nas-

suočeni s neizvjesnošću …………………………………………… ..

5. Vjerojatnostni pristup donošenju odluka u uvjetima neizvjesnosti

lijenost… .. ………………………………………………………………………

6. Fuzzy - stohastički pristup donošenju odluka u uvjetima

neizvjesnosti …………………………… .. ………………………………… ..

7. Teorija prilika i problem donošenja odluka u uvjetima

neizvjesnosti ……………………. ……………………………………………

8. Fuzzy - mogući pristup donošenju odluka u uvjetima

neizvjesnosti …………………………………………………………………….

9. Jezični pristup odlučivanju u uvjetima neizvjesnosti

divizije .. ………………………………… .. ………………………………….

Upravljanje polustrukturiranim objektima sa stajališta klasičnog TAU-a prilično je težak, praktički nerješiv problem. To je zbog činjenice da je pri izgradnji tradicionalnog automatskog upravljačkog sustava (ACS) potrebno unaprijed formalno opisati objekt upravljanja i formirati kriterije upravljanja na temelju matematičkog aparata koji djeluje u kvantitativnim kategorijama. Ako je nemoguće dati točan matematički opis objekta i kriterije za njegovo upravljanje u kvantitativnom smislu, tradicionalni TAU se ispostavlja neprimjenjivim.

Na primjer, klasični ACS determinističkim i stohastičkim sustavima uspješno se koristi za izgradnju ACS-a od strane zrakoplova, elektrana itd., ali pokušava proširiti tradicionalne metode na područja kao što su biosinteza, višefazni kemijski tehnološki procesi povezani s prženjem, topljenjem, katalizom itd. ., nisu dali opipljive praktične rezultate, unatoč sve kompliciranijim matematičkim metodama njihova opisivanja.

Međutim, u praksi, takvim polustrukturiranim objektima prilično uspješno upravlja ljudski operater, kojeg spašava sposobnost promatranja, analiziranja i pamćenja informacija, donošenja određenih zaključaka itd., te kao rezultat toga, donošenja ispravnih odluka u okruženju nepotpunih i nejasnih informacija. Zahvaljujući svom intelektu, osoba može operirati ne samo s kvantitativnim(što, u određenoj mjeri, stroj može), ali i kvalitativnim neformalnim pojmovima, uslijed čega se prilično uspješno nosi s neizvjesnošću i složenošću procesa upravljanja. Stoga je izgradnja modela približnog razmišljanja osobe i njihova uporaba u ACS-u danas jedan od najvažnijih pravaca u razvoju TAU-a.

Nema sumnje da se značajno povećanje učinkovitosti upravljanja složenim objektima sastoji u stvaranju inteligentnih ACS-a koji će u jednoj ili drugoj mjeri reproducirati određene intelektualne ljudske radnje povezane sa stjecanjem, analizom, klasifikacijom znanja u predmetnom području ​​upravljanje tehnološkim procesima, kao i operativno znanje koje akumulira čovjek-operater ili sam sustav tijekom praktičnih aktivnosti upravljanja objektom.

Potreba za radom u ovim uvjetima otežava korištenje standardnih sustava automatizacije i ACS-a... Posebno je teško opisati područja dopuštenih načina rada opreme u takvim uvjetima kada postavljanje strogih (jasnih) ograničenja za sustav upravljanja procesima i sustave automatizacije dovodi do automatskog ili ručnog isključivanja ovih sustava. Stoga je iznimno važno koristiti za opis i formalizaciju područja dopuštenih načina rada opreme teorije umjetne inteligencije (AI) i inteligentnih sustava (IS).

Zbog brzog razvoja računalne tehnologije posljednjih godina počela je uporaba novih metoda inteligentnog upravljanja u industriji... I premda su se prve primjene inteligentnih ACS dogodile u Europi, takvi se sustavi najintenzivnije uvode u Japanu. Njihov raspon primjena je širok: od upravljanja industrijskim robotima, rektifikacijama i visokim pećima do strojeva za pranje rublja, usisavača i mikrovalnih pećnica. Istovremeno, inteligentni ACS može poboljšati kvalitetu proizvoda uz smanjenje potrošnje resursa i energije te pružiti veću otpornost na utjecaj remetilačkih čimbenika u usporedbi s tradicionalnim ACS-om.

Inteligentni sustav znači(KA Pupkov) skup tehničkih sredstava i softvera kombiniranih informacijskim procesom, koji rade u sprezi s osobom (grupom ljudi) ili autonomno, sposoban sintetizirati cilj na temelju informacija i znanja uz motivaciju, donijeti odluku za akciju i pronalaženje racionalnih načina za postizanje ciljeva.

Glavna arhitektonska značajka koja razlikuje inteligentni upravljački sustavi (IMS) od "tradicionalnih„Je mehanizam za stjecanje, pohranjivanje i obradu znanja za provedbu svojih funkcija.

Stvaranje inteligentnih upravljačkih sustava temelji se na dva principa: situacijskom upravljanju (upravljanje temeljeno na analizi vanjskih situacija ili događaja) i korištenju suvremenih informacijskih tehnologija za obradu znanja (ekspertni sustavi, umjetne neuronske mreže, neizrazita logika, genetski algoritmi, i niz drugih).

Program br. 14 temeljnih istraživanja na OEMMPU RAS

"ANALIZA I OPTIMIZACIJA FUNKCIONIRANJA VIŠESTININSKIH, INTELIGENTNIH I MREŽNIH KONTROLNIH SUSTAVA U NESIGURNOSTI"

1. Obrazloženje programa

1.1. Znanstveni i praktični značaj

Intenzivan razvoj tehnologije (mrežna interakcija, minijaturizacija računala, povećanje njihove brzine i sl.) nameće nove zahtjeve suvremenim sustavima upravljanja i otvara nove mogućnosti kako na razini ugrađenih upravljačkih sustava (na razini velikih dispečerskih centara), tako i na razini velikih dispečerskih centara. na razini mreže (komunikacijsko-mrežna, grupna) interakcija decentraliziranih multiagentskih sustava. Upravljački sustavi sve više poprimaju karakter informacijskih upravljačkih sustava i proučavaju se na sjecištu upravljačke, računalne i komunikacijske teorije. Dakle, uzimanje u obzir svojstava komunikacijskih kanala (komunikacija) je neophodno, na primjer, u decentraliziranim (višeagentskim) sustavima, a karakteristike ugrađenog računala važne su pri implementaciji takvih intelektualnih funkcija u višerazinskim upravljačkim sustavima kao što su tehničke viziju, planiranje djelovanja, obuku, višekriterijsko odlučivanje, promišljanje itd. itd. Konkretno, intelektualizacija upravljanja osmišljena je za povećanje stupnja autonomije funkcioniranja sustava, kada izostanak kvantitativnih modela dinamike ili poremećaji u funkcioniranju kontrolnog objekta, koji uzrokuju gubitak adekvatnosti kvantitativnih modela (na primjer, jednadžbe koje opisuju evoluciju složenog sustava), pojačavaju ulogu kvalitativnih (tzv. „znanja“, npr. logičko-lingvistički) modeli objekta i okoline koji se koriste na višim razinama upravljačkog sustava.

Program je usmjeren na rješavanje temeljnih problema koji nastaju u prioritetnim područjima znanosti, tehnologije i tehnologije Ruske Federacije. Zadatak je dobiti nove temeljne i primijenjene rezultate u području teorije upravljanja za složene tehničke, čovjek-strojne i druge sustave, uzimajući u obzir nesigurnost i nedostatak početnih informacija, uključujući: teoriju analize i sinteze stohastičkih sustava, teorija stvaranja sustava upravljanja gibanjem i tehnološkim procesima, s aktualnom dijagnostikom i kontrolom tehničkog stanja, te teorija stvaranja automatiziranih sustava projektiranja i inteligentnog upravljanja temeljenog na suvremenim informacijskim tehnologijama.

Zbog raznolikosti primjene teorije upravljanja, analize i optimizacije u raznim primjenama (promet, logistika, proizvodnja, zrakoplovni i svemirski sustavi, podmornički i površinski brodovi itd.), potrebno je uzeti u obzir velik broj čimbenika složenosti. , kao što su:

upravljanje na više razina,

Decentralizacija,

nelinearnost,

višestruka veza,

Distribucija parametara,

Različite skale procesa u prostoru i vremenu,

visoka dimenzija,

Heterogenost opisa podsustava,

višenačin,

Prisutnost impulsnih utjecaja,

Prisutnost koordinatno-parametarskih, strukturnih, regularnih i singularnih perturbacija,

Korištenje determinističkih i probabilističkih modela za opisivanje nesigurnosti informacija o vektoru stanja i parametrima sustava, o svojstvima mjernih pogrešaka i okoline,

Prisutnost efekata kašnjenja u kontroli ili objektu,

· Opća strukturalna složenost suvremenih upravljačkih sustava.

Kako bi se postigao ovaj cilj i riješili glavni zadaci, Program uključuje istraživanje i razvoj u sljedećim glavnim područjima:

1. Analiza i optimizacija funkcioniranja u različitim vremenskim skalama višerazinskih upravljačkih sustava s nepotpunim informacijama.

2. Upravljanje i optimizacija u višerazinskim i decentraliziranim sustavima organizacijske i tehničke prirode.

2.1. Upravljanje i optimizacija u sustavima usmjerenim na mrežu.

2.2. Inteligentna kontrola pokretnih objekata.

2.3. Modeliranje i optimizacija višerazinskih informacijskih i upravljačkih sustava u stvarnom vremenu.

Smjer 1. Analiza i optimizacija funkcioniranja u različite vremenske skale višerazinskih upravljačkih sustava s nepotpunim informacijama

Složenost mnogih modernih sustava upravljanja često ne dopušta unaprijed dobivanje cjelovitog opisa procesa koji se odvijaju unutar sustava i njegove interakcije s okolinom. U pravilu se stvarni sustavi opisuju nelinearnim jednadžbama dinamike i vrlo često matematički modeli upravljačkih sustava uzimaju u obzir samo dopuštene raspone promjena parametara i karakteristika pojedinih elemenata bez specificiranja samih parametara i karakteristika.

Osim toga, u nekim sustavima, posebno u mikromehaničkim i kvantnim sustavima, korištenje klasičnih metoda opisa u kontinuiranom ili diskretnom vremenu otežano je činjenicom da nastale unutarnje i/ili vanjske sile interakcije, kao i kontrolna djelovanja, prolazne su, impulzivne prirode i ne mogu se točno izračunati... Čini se da sustav funkcionira u različitim vremenskim skalama: stvarnom (sporom) i brzom (impulsno). Takva vremenska varijabilnost ljestvica intrinzično je svojstvo mnogih modernih sustava upravljanja, uključujući sustave s višerazinskim upravljanjem, u kojima gornje razine koriste kvalitativne i diskretne modele, a niže, češće kvantitativne modele s kontinuiranim vremenom.

Iz tog razloga, razvoj metoda za matematičku formalizaciju opisa funkcioniranja takvih sustava u hibridnom (kontinuirano-diskretnom) vremenu, proučavanje njihovih svojstava za upravljivost i stabilnost u uvjetima nepotpune informacije, suprotnosti i nestandardnih ograničenja na kontrole i fazne varijable je hitan zadatak. Razvoj metoda za sintezu optimalnog upravljanja takvim kontinuirano-diskretnim sustavima, kako determinističkih tako i stohastičkih, jednako je hitan zadatak.

Osim toga, u uvjetima neizvjesnosti i nedostatka apriornih informacija, vrlo su relevantni zadaci optimizacije procesa prikupljanja i obrade informacija (praćenje opažanja i optimalno filtriranje).

Smjer 2. Upravljanje i optimizacija u višerazinskim i decentraliziranim sustavima organizacijske i tehničke prirode

2.1. Upravljanje i optimizacija u sustavima usmjerenim na mrežu

Suvremene složene organizacijske i tehničke sustave karakterizira visoka dimenzionalnost, decentraliziranost, upravljanje na više razina, potreba za učinkovitim planiranjem aktivnosti, uzimajući u obzir obuku, višekriterijnost donesenih odluka i refleksiju kontroliranih subjekata.

Problemi planiranja i upravljanja diskretnim i kontinuiranim distribuiranim višestruko povezanim sustavima velikih dimenzija također su karakterizirani različitim razmjerima procesa ne samo u vremenu, već i distribucijom i različitim razmjerima u prostoru te predstavljaju jednu od najsloženijih i najzahtjevnijih klasa optimizacije. problema. Iz tog razloga preporučljivo je razviti istraživačke metode i pristupe pronalaženju točnih i približnih rješenja, kao i simulacijske alate za korištenje u sustavima za podršku odlučivanju za planiranje, projektiranje i upravljanje složenim tehničkim, organizacijskim (uključujući transport i logistiku) i informacijskim sustava.

Za upravljanje grupnom interakcijom od velike su važnosti komponente decentraliziranih organizacijskih i tehničkih sustava (mrežno-centrični sustavi, proizvodni sustavi, računalne, telekomunikacijske i druge mreže itd.) u kontekstu ograničenja komunikacijskih kanala i složenosti proračuna. karakteristike procesa obrade informacija, kao i ograničenja na vrijeme donošenja odluka, računalne sposobnosti i propusnost komunikacijskih kanala. Stoga je relevantno razviti metode optimizacije (uzimajući u obzir navedena ograničenja) strukture složenih organizacijskih i tehničkih sustava, uključujući istovremeno uzimanje u obzir mnogih kriterija: pojedinosti početnih podataka, učinkovitosti prikupljanja informacija, planiranja. i refleksivno donošenje odluka, ograničene performanse pojedinačnih računala, smanjenje dupliciranja rada, kao i udio pomoćnih računanja povezanih s uslugama prijenosa podataka.

Višerazinske i decentralizirane sustave karakterizira distribuirano donošenje odluka u stvarnom vremenu u uvjetima informacijskih protumjera, kao i nepotpunost i heterogenost informacija, često višekriterijumske kvalitativne i subjektivne prirode. Zbog toga je potrebno razviti metode za stvaranje adekvatnih sustava informacijske potpore i potpore donošenju strateških i operativnih odluka u uvjetima nepotpune informiranosti i protivljenja. Za to je posebno preporučljivo razviti: multiagentske modele dinamičnih organizacijskih i tehničkih sustava, uključujući mrežne modele s konfliktnim agentima, modele ponašanja grupe i njezino predviđanje, procjenu ravnoteže interesa i formiranje koalicija u ovi sustavi, kao i razvoj informacijskih tehnologija i sredstava prezentiranja informacija.o vanjskom okruženju i znanja inteligentnih agenata.

2.2. Inteligentna kontrola pokretnih objekata

Kvantitativni modeli se ne mogu uvijek kreirati za rješavanje postavljenih zadataka, stoga se uz tradicionalne metode u Programu koriste metode umjetne inteligencije. Umjetna inteligencija, kao područje znanja, doživjela je veliki skok u proteklih pedesetak godina, kako u razvoju i usavršavanju samog koncepta inteligencije, tako i u području praktične primjene umjetne inteligencije u različitim područjima ljudskog djelovanja: u tehnologiji, ekonomiji, poslovanju, medicini, obrazovanju itd. Mnoga teorijska stajališta i metode umjetne inteligencije pretvorena su u primijenjene inteligentne tehnologije temeljene na znanju.

Posebnost suvremene generacije inteligentnih sustava je u tome što se oslanjaju na složen model vanjskog okruženja, koji uzima u obzir i kvantitativne informacije i kvalitativne modele – znanja o mogućem ponašanju različitih objekata u vanjskom okruženju i njihovim međusobnim odnosima. Korištenje takvih modela postalo je moguće zahvaljujući razvoju metoda za predstavljanje znanja, metoda integracije podataka iz različitih izvora, značajnog povećanja brzine i memorije računala.

Prisutnost modela vanjskog okruženja omogućuje suvremenim inteligentnim sustavima upravljanja pokretnim objektima da donose odluke u uvjetima višekriterija, neizvjesnosti i rizika, a kvaliteta tih odluka može premašiti kvalitetu odluka koje donosi osoba u uvjetima preopterećenosti informacijama. , ograničeno vrijeme i stres.

S tim u vezi, hitan je zadatak razviti nova sredstva i metode za razvoj inteligentnog upravljanja pokretnim objektima uz prisutnost gore navedenih čimbenika.

2.3. Modeliranje i optimizacija višerazinskih informacijskih i upravljačkih sustava u stvarnom vremenu

Relevantnost istraživanja u ovom smjeru proizlazi iz potrebe razvoja metoda za analizu i sintezu višerazinskih otvorenih modularnih informacijskih i upravljačkih sustava u realnom vremenu (IMS RT) višenamjenskih i višenamjenskih objekata koji rade u uvjetima nesigurnosti, strukturnih poremećaja. i hitne situacije (NSS). Među tim objektima upravljanja su kritični objekti i sustavi odgovornog korištenja koji određuju sigurnost države.

Očito je da se problemi i zadaci stvaranja sustava ove klase mogu uspješno rješavati na temelju razvoja jedinstvene teorije i primijenjenih softverski orijentiranih metoda dinamičke i scenarijske analize i sinteze strukture takvih sustava, njihove algoritamske , softverska i informacijska podrška, mehanizmi za razvoj učinkovitih upravljačkih utjecaja. To, prije svega, uključuje razvoj formalizirane metodologije za projektiranje otvorenih informacijskih i upravljačkih sustava, uključujući modele i metode za sintezu modularne strukture objektno orijentiranih I&C RT s otvorenom arhitekturom, koja je optimalna prema različitoj učinkovitosti. kriterijima. Na temelju rezultata dobivenih u fazi dinamičke analize sintetizira se optimalna funkcionalna modularna struktura obrade podataka i upravljanja, odnosno utvrđuje se optimalni sastav i broj I&C RV modula, sintetizira sučelje sustava i struktura njegovog utvrđuje se softverska i informacijska podrška za obradu ulaznih tokova aplikacija.

Za planiranje akcija i potporu donošenju odluka u uvjetima neizvjesnosti, strukturnih poremećaja i izvanrednih situacija, preporučljivo je koristiti metode analize scenarija i sinteze učinkovitih kontrolnih radnji u IMS RV. U tom će se slučaju oblikovati matematički model širenja strukturnih poremećaja i izvanrednih situacija na jeziku ponderiranih ili funkcionalnih znakovnih grafova. Na temelju ovog modela sintetizirat će se racionalni scenariji upravljanja objektima koristeći koncepte radne sposobnosti, otpornosti i preživljavanja njihovih sastavnih elemenata. Sinteza scenarija za otklanjanje uzroka i posljedica NSS-a u višemodnim ciljnim objektima će se provesti uzimajući u obzir dinamički određena vremenska i resursna ograničenja. Također je potrebno razviti formulacije i metode za rješavanje inverznih problema kontrole preživljavanja za višenamjenske i višenamjenske objekte koji rade u uvjetima neizvjesnosti, strukturnih poremećaja i izvanrednih situacija.

Navedena specifičnost sustava i objekata upravljanja, znanstveni i praktični značaj rješavanja problema upravljanja, analize i optimizacije za njih omogućuju formuliranje sljedećih glavnih ciljeva i zadataka Programa.

1.2. Glavni ciljevi i zadaci

Glavni cilj Programa je rješavanje temeljnih problema teorije upravljanja koji ometaju realizaciju perspektivnih projekata od važne državne važnosti u području upravljanja složenim dinamičkim i inteligentnim sustavima s aplikacijama za upravljanje kretanjem tehničkih objekata i procesa u tehnološkim i organizacijski sustavi.

Istraživanja će se provoditi na sljedeće generalizirane teme.

Smjer 1

· Razvoj metoda stabilizacije nelinearnih sustava u situacijama nepotpunog mjerenja koordinata i ograničenja na dopuštenu strukturu upravljačkih sila.

· Razvoj metoda robusnog i adaptivnog promatranja i upravljanja u uvjetima determinističkih, vjerojatnosnih i drugih modela nesigurnosti parametara objekta upravljanja i radnog okruženja.

· Razvoj metoda i algoritama za kvalitativnu i kvantitativnu analizu kontinuiranih, diskretnih i višerazinskih kontinuirano-diskretnih dinamičkih modela i sintezu upravljanja na temelju metode redukcije s vektorskim i matričnim usporednim funkcijama i transformacijama modela.

· Istraživanje problema optimalnog upravljanja novom klasom mehaničkih sustava koji se kreću u otpornim medijima zbog promjena u konfiguraciji ili kretanju unutarnjih tijela.

· Razvoj metoda matematičke formalizacije i rješavanje problema udarne interakcije mehaničkih sustava u prisutnosti suhog trenja.

· Razvoj metoda za optimalno upravljanje diskretno-kontinuiranim i impulsnim dinamičkim sustavima.

· Razvoj metoda za zajamčeno upravljanje nelinearnim objektima izloženim nekontroliranim smetnjama u obliku dinamičkih igara.

· Razvoj teorije upravljanja kvantnim sustavima.

· Razvoj metoda i algoritama za analizu dinamičkih svojstava kao što su stabilnost, invarijantnost, disipativnost za ocjenu stanja i sintezu višerazinskog upravljanja sustavima s heterogenim opisom dinamike procesa na različitim razinama.

Smjer 2.1

· Metode rješavanja problema upravljanja mrežnocentričnim sustavima velike dimenzije s distribuiranim parametrima i procesima različitih razmjera (u prostoru i vremenu).

· Modeli i metode komunikacijsko-mrežnog decentraliziranog inteligentnog upravljanja distribuiranim projektima i programima.

· Metode optimizacije strukture višerazinskih i decentraliziranih sustava.

· Metode i strukture računalne implementacije mrežnocentričnog upravljanja u matematički homogenom prostoru distribuiranog i paralelnog računanja.

· Modeli i metode grupnog odlučivanja na temelju nepotpunih, heterogenih, kvalitativnih i subjektivnih informacija.

· Modeli i metode planiranja i upravljanja kompleksima međusobno povezanih operacija u složenim tehničkim i transportno-logističkim sustavima.

· Razvoj principa, arhitekture, metoda i algoritama za stvaranje distribuiranih softverskih inteligentnih sustava temeljenih na multi-agens tehnologijama.

· Razvoj modela i metoda upravljanja informacijama u višeagentskim mrežnim strukturama.

Smjer2.2

· Razvoj generaliziranih modela situacijskog upravljanja, koji odražavaju značajke uključivanja u strukturu modela neizrazitih, neuronskih mreža i logičko-dinamičkih elemenata.

· Razvoj metode planiranja ruta koje osiguravaju svojstvo komunikacijske stabilnosti skupine kontroliranih dinamičkih objekata, heterogenih (kvantitativnih i kvalitativnih) u modelskom prikazu.

· Razvoj metoda za analizu i sintezu adaptivnih platformi za modeliranje u stvarnom vremenu, uzimajući u obzir nelinearnost, višestruku povezanost, visoku dimenzionalnost upravljačkih objekata s primjenom na morske pokretne objekte.

· Optimizacija inteligentnih sustava višerazinskog upravljanja pokretnim objektima u konfliktnom okruženju, uzimajući u obzir njihovu grupnu interakciju, višekriterijsku, neizvjesnost i rizik.

· Razvoj metoda za pružanje tehničke vizije za inteligentne upravljačke sustave.

· Razvoj metoda za inteligentno upravljanje dinamičkim objektima koji izvode složeno manevriranje, temeljeno na organizaciji prisilnog kretanja u prostoru stanja sustava.

Smjer2.3

· Modeli i metode analize i optimizacije modularne strukture objektno orijentiranih višerazinskih sustava upravljanja informacijama u stvarnom vremenu otvorene arhitekture u uvjetima neizvjesnosti i strukturnih poremećaja.

· Metode analize i optimizacije načina rada elektroenergetskih sustava i njihovo upravljanje.

· Modeli i metode scenarijsko-indikatorskog pristupa traženju točaka ranjivosti za zadatke upravljanja.

· Metode za modeliranje, analizu i optimizaciju višemodnih procesa upravljanja pokretnim objektima.

· Razvoj metoda i algoritama za inteligentnu identifikaciju nelinearnih nestacionarnih objekata za poboljšanje učinkovitosti upravljanja kroz formiranje tehnološke baze znanja temeljene na apriornim informacijama o objektu upravljanja.

· Geoinformacijske tehnologije za modeliranje prirodnih i tehnogenih kompleksa u zadacima upravljanja ekosustavima megalopolisa.

· Analiza i optimizacija informacijske podrške za navigacijske i upravljačke sustave.

· Modeli i metode upravljanja proizvodnim procesima.

Rezultati razvijene teorije i metode analize i sinteze upravljačkih sustava koristit će se u sljedećim područjima:

· nadzor prometa u zrakoplovstvu i astronautici, kopneni i morski objekti, vozila;

· multi-agentski mrežno-centrični sustavi, proizvodni sustavi, računalne, telekomunikacijske i druge mreže ;

· transportni i logistički sustavi ;

· Globalni energetski, plinski transportni i drugi infrastrukturni sustavi velikih razmjera;

· Sustavi informacijske potpore upravljačkim zadacima i podrška strateškim i operativnim odlukama u uvjetima nepotpunih informacija i protivljenja.

Temeljni problemi teorije konstruiranja sustava upravljanja zahtijevaju njihov intenzivan razvoj. Razvoj istraživanja u ovom smjeru omogućit će:

Razvoj teorijskih osnova za rješavanje složenog trojednog problema upravljanje-računanje-komunikacija (problem je " Kontrolirati- Računanje- Komunikacija") za složene informacijske i upravljačke sustave, uključujući u uvjetima ograničenja komunikacijskih kanala i kvarova podsustava;

Rješavanje problema upravljanja temeljno novim objektima i procesima koji se odnose na pokretne objekte, objekte posebne namjene, tehnološke i organizacijske sustave;

Stvoriti učinkovite metode funkcionalne dijagnostike i osigurati otpornost na greške upravljačkih sustava zrakoplova i drugih pokretnih objekata, kao i dinamičku stabilnost elektroenergetskih sustava;

Poboljšati kvalitetu, ubrzati i smanjiti troškove razvoja projektantskih rješenja kroz algoritmizaciju i automatizaciju procesa razvoja upravljačkih sustava.

U daljnjem tekstu upravljanje se razumijeva u širem smislu, uključujući komunikacijsko-mrežno, grupno, distribuirano upravljanje (u literaturi na engleskom jeziku - upravljanje u mrežama, upravljanje mrežama, distribuirano upravljanje itd.)