Ledning inför osäkerhet. Sammanfattning: Intelligenta styrsystem Styrobjekt för intelligenta styrsystem

Den här artikeln finns också:

Introduktion

Intelligent kontroll är en generalisering av semiotisk, kognitiv och informativ kontroll. Inom intelligent transportledning särskiljs följande områden: intelligenta transportsystem, intelligent semiotisk kontroll och intelligent kognitiv kontroll. Intelligent semiotisk kontroll är förknippad med olika former av logik, produktionssystem, evolutionära algoritmer. Intelligent kognitiv kontroll ses som en syntes av mänsklig datorkontroll med hjälp av associativa kanaler och tyst kunskapsanalys. Intelligent kontroll ses som ett sätt att fatta beslut under förhållanden av osäkerhet. Intelligent informationshantering ses som stöd för intelligent informationsteknologihantering.

Behovet av intelligent kontroll

Med samhällsutvecklingen och kompliceringen av objekt och förvaltningsuppgifter förändrades också förvaltningsteknikerna. Det mest akuta problemet med att hantera komplexa situationer var problemet med "big data". Det skapar en informationsbarriär för teknologier för "organisationsledning". Tillväxten av dåligt strukturerad information är karakteristisk för modern förvaltning. Detta leder till övergången till intelligent förvaltning, vilket i sin tur leder till behovet av att tillämpa kunskapshanteringsteknologier. Intelligent styrning bygger på intelligenta system och intelligenta teknologier. Ett intelligent system är ett tekniskt eller mjukvarutekniskt system som kan erhålla kreativa lösningar på problem som hör till ett specifikt ämnesområde, vars kunskap finns lagrad i minnet av ett sådant system. Förenklat inkluderar strukturen för ett intelligent system tre huvudblock - en kunskapsbas, en lösare och ett intelligent gränssnitt. Lösaren är den dominerande komponenten i ett intelligent system. I första ordningens logik är en lösare en mekanism för att erhålla lösningar på logiska uttryck. I multiagentsystem, som klassas som artificiell intelligens, används även begreppet lösare. En agent är en problemlösare, vilket är en mjukvaruenhet som kan agera för att uppnå sina mål. I symbolisk modellering är en s-lösare ett meddelandespecialiseringsvärde. En av de första i Ryssland som introducerade detta koncept var Efimov E.I. ... Från denna korta lista följer lösarens betydelse för intelligenta system och intelligenta teknologier.

Intelligent kontroll inom ramen för tillämpad semiotik

Semiotik studerar karaktären, typerna och funktionerna av tecken, teckensystem och tecken mänsklig aktivitet, tecken essens av naturliga och konstgjorda språk för att bygga en allmän teori om tecken. Inom semiotikområdet finns en riktning "tillämpad semiotik", vars grundare är D.A. Pospelov.

Inom semiotik särskiljs två användningsområden för tecken: kognition och kommunikation. Detta delar upp semiotiken i två delar: kognitionens semiotik; semantisk kommunikations semiotik. Grunden för intelligent kontroll är det semiotiska systemet. Enligt Pospelov kallas en ordnad åtta uppsättningar ett semiotiskt system W:

W =< T, R, A, P, τ, ρ, α, π>, (1)

var
T - uppsättning grundläggande symboler;
R - uppsättning syntaktiska regler;
A - mycket kunskap om ämnesområdet;
P är en uppsättning regler för att härleda beslut (pragmatiska regler);
τ är reglerna för att ändra mängden T;
ρ - regler för att ändra mängden R;
α - regler för att ändra mängden A;
π är reglerna för att ändra mängden P.

De två första uppsättningarna genererar språket för systemet W, och τ och ρ genomföra sin förändring. regler α förändra mycket kunskap om ämnesområdet. Om vi ​​betraktar kunskap som axiom för det formella systemet (som bildas av de fyra första elementen i W), så gäller reglerna α , i huvudsak ändra tolkningen av de grundläggande symbolerna och, följaktligen, korrekt konstruerade formler för språket i det semiotiska systemet W.

De fyra första uppsättningarna bildar det formella systemet FS, element från den femte till den åttonde bildar reglerna för att ändra det formella systemet. På så sätt säkerställer de anpassningen av det formella systemet, "justerar" det för att lösa problem och problem som finns inom systemet FS kan inte lösas.

Således kan det semiotiska systemet (1) definieras som ett sammansatt dynamiskt system: W = , var FSi- bestämmer det semiotiska systemets tillstånd, och MFsi- regeln för att ändra dess tillstånd. I detta bör det noteras att även om vi talar om ett semiotiskt system, beskriver ett sådant system de facto kontrollobjektet, det vill säga kontrollobjektets tillstånd och dess dynamik.

Därför kan det semiotiska systemet ges en ny tolkning. Sammansatt dynamiskt system: W = FSi, som bestämmer tillståndet i informationssituationen eller informationspositionen, dynamisk MFsi, som definierar reglerna för övergången av kontrollobjektet från en informationsposition till en annan.

regler MFsi = (τ, ρ, α, π), de som ändrar det formella systemets (kontrollobjektets) tillstånd är sammankopplade av beroendet som finns i elementen i den semiotiska triangeln (Freges triangel). Detta innebär att tillämpningen av en av de fyra reglerna leder till att de återstående reglerna tillämpas.

Dessa beroenden är komplexa, deras analytiska representation saknas, och detta är svårt och är föremål för forskning i semiotiska system av artificiell intelligens. Därför är det lättare att använda informationsmetoden och informationsmodelleringen.

Utbyggnader av formella styrsystem i form av dynamiska komponenter MFsi tillhandahålla egenskaperna hos systemöppenhet. De skapar förmågan att anpassa kontrollobjektet till ledningsinfluenser och förändrade yttre förutsättningar.

Detta gör det i synnerhet möjligt att avsevärt utöka möjligheterna till beslutsstöd under förhållanden av osäkerhet, ofullständighet och inkonsekvens i den initiala informationen.

Typer av osäkerheter i implementeringen av intelligent styrning

Traditionella kontrollmetoder, inklusive vissa typer av intelligent kontroll, är baserade på antagandet att ett objekts tillstånd och kontrollmodeller exakt beskriver dess beteende. Metoder baserade på detta antagande ingår i den klassiska kontrollteorin. Men under förhållanden med ökande volymer, tillväxt av ostrukturerad information och påverkan av den yttre miljön är avvikelser från detta tillstånd karakteristiska.

Nästan vilken modell som helst är en förenklad beskrivning av ett verkligt objekt, dess tillstånd och dess beteende. Graden av förenkling kan vara acceptabel eller skapa oklarhet. I dynamiken i kontrollobjektets beteende kan vissa egenskaper hos objektet förändras avsevärt under dess funktion. Allt detta skapar oklarheter i olika modeller för att beskriva ett objekt och gör det svårt att hantera det, även intellektuellt. Den typiska styrmodellen som ligger till grund för styralgoritmen eller en uppsättning etablerade styrregler kallas nominell.

Under förhållanden med betydande osäkerhet visar sig de klassiska metoderna för kontrollteorin vara otillämpliga eller ge otillfredsställande resultat. I dessa fall är det nödvändigt att använda speciella metoder för analys och syntes av styrsystem för objekt med obestämda modeller. Det första steget är att bedöma typen och värdet av osäkerheten.

Huvudtyperna av osäkerheter i förvaltningsmodeller urskiljs: parametriska, funktionella, strukturella och signaler.

Parametrisk osäkerhet innebär att modellens konstanta parametrar är okända eller oprecisa. Till exempel används intervallvärden istället för punktvärden. I övergången till informationsmätningssystem kan vi prata om bristen på informationssäkerhet för parametrarna. Därför kan i många fall de faktiska värdena för parametrarna skilja sig betydligt från de accepterade nominella värdena.

Signalosäkerhet innebär att styrhandlingen eller informationsflödena i styrsystemet påverkas av störningar som väsentligt förändrar de nominella signalerna. Sådana signaler som avviker styrprocessen från det nominella kallas störningar eller brus. Skillnaden är att störningen är passiv och bara ändrar signal-brusförhållandet. Störning ändrar signalen med samma störning.

Moderna intelligenta styrsystem måste säkerställa autonom drift av många relaterade tekniska objekt. Detta ger anledning att tala om ett intelligent styrsystem (IMS). Ett intelligent system måste lösa komplexa problem, inklusive planering, målsättning, prognoser och så vidare. För mångsidighet, anpassning och noggrannhet av lösningar, är det tillrådligt att använda multifunktionell intelligent styrning.

Flernivåarkitekturen för ett intelligent styrsystem består av tre nivåer: konceptuell, informativ och operativ (Fig. 1). Ett system baserat på en sådan arkitektur kontrollerar beteendet hos komplexa tekniska objekt under förhållanden av autonom och kollektiv interaktion. Den konceptuella nivån ansvarar för genomförandet av högre intellektuella funktioner.

Figur 1. Intelligent kontroll på flera nivåer.

På begreppsnivå används en semiotisk (tecken)representation av kunskap och budskap utbyts med resten av nivåerna. Informations- och verksamhetsnivåerna innehåller moduler som stödjer olika intellektuella och informationsprocedurer och omvandlar dem till ledning.

Ledningens huvuduppgift på konceptuell nivå är lagring, förvärv och användning av konceptuell kunskap presenterad i en semiotisk (symbolisk) form.

Sammansatt dynamiskt system: W = innehåller två komponenter: statisk FSi som definierar det dynamiska teckensystemet MFsi, som definierar regelsystemet (fig. 1).

Kunskapsinhämtningen bygger på en modell av en verklig situation i den yttre miljön. De högsta intellektuella funktionerna inkluderar funktionerna att sätta huvudmål och delmål, planera beteende och fördela effekter i en allmän handlingsplan.

På informationshanteringsnivå löses uppgifterna för informationsmodellering, varav de viktigaste är: bygga en informationssituation, informationsposition, som motsvarar komponenten FSi... På informationshanteringsnivå löses uppgifterna att bygga en informationsstruktur, vilket är en återspegling av regelsystemet på den konceptuella nivån och motsvarar komponenten Mfsi. Språkmiljön för semiotisk kontroll på informationsnivå implementeras genom att använda olika informationsenheter. Som fungerar som grund för att bygga en informationssituation, informationsposition och informationsstruktur.

På den operativa (verkställande) nivån sker genomförandet av ledningsbeslut (ledningsinfluenser). Ledningspåverkan ändrar utan att misslyckas det kontrollerade objektets informationsposition. Ledningspåverkan kan vid behov förändra informationssituationen för det kontrollerade objektet. Samtidigt finns det oftast inget behov av att ändra informationssituationen. Huvuduppgiften för denna nivå är att ändra tillstånd och position för kontrollobjektet och att rapportera förändringar till den konceptuella nivån.

Den skiktade arkitekturen har ett antal funktioner. Det inkluderar ett antal mänskliga kognitiva funktioner. Den förlitar sig på användningen av en informativ metod för intelligent hantering.

Skillnaden mellan intelligent och informationsteknik bör noteras. Informationsteknologin utför funktioner för att stödja intelligent styrning. Huvudrollen spelas av intelligenta beslutsfattande teknologier. De gör det möjligt att, tillsammans med en lösning eller i loppet av att få en lösning, söka efter ny kunskap och ackumulering av intellektuella resurser. Informationsteknik skapar bara informationsresurser. Detta innebär att kunskap formaliserad i en explicit form, när den väl bemästras, kan bli en del av erfarenheten och en del av kunskapsbasen och användas av den för att lösa problem och fatta beslut.

Slutsats

Intelligent kontroll är effektiv och nödvändig när man hanterar komplexa objekt för vilka det är svårt eller omöjligt att hitta formella funktionsmodeller. Grunden för intelligent kontroll är semiotiska modeller i första hand och informationsmodeller i andra hand. Intelligenta kontrollmetoder är olika och applicerbara på tekniska, kognitiva och transportsystem. Intelligent kontroll används ofta för multifunktionskontroll. Modern intelligent förvaltning integreras i molnplattformar och tjänster. När man hanterar distribuerade organisationer och företag blir det nödvändigt att ta hänsyn till rumsliga relationer och rumslig kunskap. Ett annat problem är det begränsade antalet intelligenta teknologier för att arbeta med tyst kunskap. Tekniskt sett är problemet med kunskapshantering förknippat med omvandlingen av informationsresurser till intellektuella resurser och deras tillämpning i intelligenta teknologier.

Bibliografisk lista

UDC 004.896

I. A. Shcherbatov

INTELLIGENT KONTROLL AV ROBOTISKA SYSTEM UNDER OSÄKERHET

Introduktion

Intelligent kontroll - tillämpningen av artificiell intelligensmetoder för att kontrollera föremål av olika fysisk natur. Inom området för kontroll av robotsystem används artificiell intelligens mest. Detta beror först och främst på robotarnas autonomi och behovet av att de löser icke-formaliserade kreativa uppgifter under förhållanden med ofullständig information och olika typer av osäkerhet.

Tills nyligen förblev den specificerade klassen av problem privilegiet för naturlig intelligens: en operatör av ett kontrollobjekt, en ingenjör, en vetenskapsman, det vill säga en person. Moderna framsteg inom området för automatisk styrningsteori, intelligenta metoder för att formalisera semistrukturerade uppgifter och hantera komplexa tekniska system gör det möjligt att implementera mycket komplexa robotsystem, som inkluderar mobila robotplattformar, flexibla automatiserade linjer och androidrobotar.

Robotsystem fungerar under förhållanden med ofullständig ingångsinformation, när den grundläggande omöjligheten att mäta ett antal parametrar medför betydande begränsningar för kontrollprogrammet. Detta leder till behovet av att utveckla en bas av algoritmer som gör det möjligt att, på basis av indirekta tecken och mätbara indikatorer, beräkna omätade parametrar.

Osäkerheten i den yttre miljö som robotsystemet fungerar i gör det nödvändigt att i styrsystemet inkludera olika typer av kompensatorer, moduler för anpassning, ackumulering och rangordning av information.

Formulering av problemet

Syftet med forskningen var att skapa tillvägagångssätt för konstruktion av intelligenta styrsystem för robotsystem som är oföränderliga med avseende på funktionssärdragen, med hänsyn tagen till ofullständigheten i indatainformation och olika typer av osäkerhet.

För att uppnå detta mål krävs det att lösa ett antal sammanhängande uppgifter: att analysera arkitekturerna för intelligenta styrsystem för robotsystem; utveckla en generaliserad algoritm för situationsidentifiering av ett robotsystem; att utveckla ett generaliserat diagram över ett robotsystems styrsystem; att utveckla intelligenta styrsystem för en manipulationsrobot, en mobil robotplattform och en flexibel automatiserad linje.

Forskningsmetoder

Under forskningens gång användes metoderna för den allmänna teorin om automatisk kontroll, teorin om fuzzy sets, neurala nätverk, systemanalys och teorin om expertbedömningar.

Robotsystemets placering i den yttre miljön

För implementering av intelligenta styralgoritmer är prioritet uppgiften att den aktuella identifieringen av situationen där robotsystemet befinner sig. För att lösa detta problem har ett strukturdiagram över det situationella identifieringssystemet utvecklats (Fig. 1).

Enheten för teknisk syn och sensoriskt sinne är utformad för att fastställa förändringar i den yttre miljöns tillstånd och presentera en sensorkarta över miljön för vidare bearbetning. Den sensoriska kartan över miljön är en bild av situationen där roboten befinner sig i det aktuella ögonblicket. Tidsintervallet för att bygga en sensorkarta väljs baserat på detaljerna i ämnesområdet.

Kunskapsbas

Operatör

Intellektuell

gränssnitt

Identifierare

algoritmer

Organ för teknisk syn och sensorisk perception

Yttre miljön

Verkställande

mekanismer

Ris. 1. Blockschema över

Arbetsminne, i analogi med expertsystem, är utformat för att bearbeta information som kommer från sensorer och bearbetas med hjälp av den befintliga algoritmbasen och kunskapsbasen (KB) för robotsystemet.

Basen av algoritmer inkluderar algoritmer för förbearbetning av en sensorkarta (digital signalbehandling, igenkänning av ljudbilder och bilder), beräkning av omätade parametrar (funktionella beroende av uppmätta parametrar), återställande av informationens fullständighet (kontrollera kunskap för fullständighet och inkonsekvens, anpassning av kunskap med hänsyn till icke-stationaritet och variabla yttre förhållanden), matematiska operationer, etc.

Kunskapsbasen är en komplex hierarkisk struktur som innehåller a priori information om den yttre miljön, fastställd på utbildningsstadiet, komplett och konsekvent kunskap som roboten förvärvat i processen att fungera och uppfattningen av den yttre miljön. Kunskapen i kunskapsbasen rangordnas enligt kriterierna för relevans och uppdateras med hänsyn till förändringar i detaljerna i robotens funktion baserat på kunskapsanpassningsalgoritmer.

Det viktigaste blocket är situationsidentifieraren. Det är detta block som är ansvarigt för korrekt igenkänning av bilden av situationen baserat på sensorkartan. Resultatinformationen för detta block är avgörande för valet av robotsystemets styrprogram.

Och slutligen ett intelligent gränssnitt, som krävs för kommunikation med operatören. Operatören kontrollerar robotsystemets funktion, samt övervakar processen för att uppnå de uppsatta målen. Som regel bör kommunikationen mellan roboten och operatören ske med ett naturligt språkgränssnitt i en begränsad delmängd av det naturliga språket.

Strukturen av ett styrsystem för ett robotsystem under förhållanden av osäkerhet

Implementeringen av algoritmer och program för intelligent styrning av robotsystem i förhållanden av osäkerhet är förknippad med ett antal betydande svårigheter.

Komplexiteten hos algoritmerna för preliminär bearbetning av ingångsinformation och den strukturella osäkerheten i själva robotsystemets beteendemodell bestämmer redundansen i strukturen hos det intelligenta styrsystemet.

För att lösa problemet med att styra en robot under förhållanden av osäkerhet har följande arkitektur för ett intelligent styrsystem utformats (fig. 2).

Ett situationsidentifieringssystem (SID) bör vara en del av alla intelligenta styrsystem för ett robotsystem. En intelligent styrenhet (IUU) innehåller en BZ och en styrprogramvalsenhet (BVPU). Syftet med detta block är att utveckla en kontrollfunktion för systemet med elektriska drivenheter (ED) som verkar på robotens mekaniska system (MS).

Ris. 2. Blockschema över robotsystemets intelligenta styrsystem

Styrsystem för industriella manipulatorer

Traditionella industriella manipulatorstyrsystem är indelade i flera klasser. Den första klassen av system är programmerade styrsystem.

Systemet med kontinuerlig kontroll av manipulatorns arbetskropp innebär att manipulatorn anpassas till referensmodellen. Denna kontrollalgoritm tar inte hänsyn till förlusterna i manipulatorn MS och det antas att alla ansträngningar som utvecklas av drivenheterna överförs till arbetskroppen.

Det programmerade kraftkontrollsystemet i arbetskroppen används för att styra inte bara kraftvektorn utan också vektorn för arbetskroppens position. Systemet för oberoende kontroll av rörelse och kraft i manipulatorns arbetskropp för olika grader av rörlighet har två kontrollslingor med återkoppling: position och kraft.

I systemet med kopplad styrning av förskjutning och kraft i manipulatorns arbetskropp korrigeras uppgiften av vektorn för arbetskroppens position med kraftvektorns nuvarande värde. Detta innebär att när arbetskroppen rör sig korrigeras storleken på dess slag av kraften från påverkan på den yttre miljön.

Adaptiva styrsystem används vid utförande: operationer för att ta ett godtyckligt lokaliserat eller rörligt föremål, bågsvetsning av sömmar med en variabel position, kringgå rörliga och oförutsedda hinder. För detta ändamål används adaptiva system med associativt minne.

För att styra industriella manipulatorer används också robusta styrsystem som för närvarande används flitigt i praktiken.

Intelligent kontrollimplementering

Problemet med hur ett robotsystem fungerar under förhållanden av osäkerhet är mångfacetterat.

Tänk på problemet med att planera beteendet hos ett robotsystem under förhållanden av osäkerhet. För att lösa det är det mest ändamålsenligt att använda tekniken för dynamiska expertsystem. Kunskapsbasen för ett sådant expertsystem anpassas över tiden. Om en produktionsregelbas tillämpas, undersöks sammansättningen av produktionsreglerna kontinuerligt för fullständighet och konsekvens. Dessutom, på grund av anpassningsalgoritmer, uppdateras och ersätts föråldrade och föråldrade regler. Samtidigt ägnas särskild uppmärksamhet åt frågorna om att lära ut expertsystemet utan lärare (självlärande), eftersom det är ekonomiskt olämpligt att övervaka systemet för en högt kvalificerad specialist.

Självinlärnings- eller självinställningsblocket i expertsystemets kunskapsbas kräver noggranna studier vid designstadiet av ett intelligent styrsystem för ett robotsystem.

min. Det är på kvaliteten på detta skede av designarbetet som effektiviteten av att lösa uppgiften ofta beror. Den bör innefatta delsystem för att bedöma kunskapens fullständighet och inkonsekvens, bedömning av förvaltningens kvalitet och korrigering av kunskap.

Kronologiskt kan nästa steg efter planeringsbeteende vara problemet med att utfärda kontrollkommandon till ett robotsystem på naturligt språk. För att skapa ett naturligt språkgränssnitt, enligt vår åsikt, är det mest lämpliga implementeringsverktyget teorin om fuzzy sets.

Med hjälp av språkliga variabler innehållande en viss tidigare beskriven termuppsättning görs en beskrivning av ämnesområdet, ett begränsat system av kommandon och objekt som påverkar robotsystemet och förändras under dess handling. Metoderna för fuzzification och defuzzification som används i detta fall, såväl som algoritmer för fuzzy inferens, har en betydande inverkan på noggrannheten i att utarbeta kontrollåtgärder och hastigheten på robotsystemet.

Och slutligen, användningen av styrsystem för neurala nätverk för robotsystem. Den största fördelen med ett neuralt nätverk är att det inte finns något behov av att känna till eller skapa en matematisk modell av ett objekt, eftersom ett neuralt nätverk är en universell fuzzy approximator.

Objektet (robotsystemet) fungerar som en "svart låda". Det neurala nätverket kan fungera som en referensmodell för ett kontrollerat robotsystem. Det bör noteras att detta bör vara ett lärande flerskiktigt neuralt nätverk (objektidentifierare). Den neurala nätverksmodellen är avstämd till kontrollobjektet genom oöverensstämmelse mellan objektets och modellens utsignaler. Den utgör också ett träningsprov för att justera och justera styranordningen i enlighet med det valda kvalitetskriteriet.

Slutsats

Analysen gjorde det möjligt att syntetisera arkitekturen för ett intelligent styrsystem för robotsystem som är invariant med avseende på funktionssärdragen. Den utvecklade sigör det möjligt att bygga mycket informativa sensorkartor över den yttre miljön. De huvudsakliga tillvägagångssätten för bildandet av intelligenta styrsystem för robotsystem beskrivs. Riktningarna för perspektivutvecklingen av de mest effektiva metoderna för artificiell intelligens som används för implementering av kontrollenheter visas.

BIBLIOGRAFI

1. Yurevich EI Fundamentals of robotics. - SPb .: BHV-Petersburg, 2007 .-- 416 sid.

2. Manipulationssystem av robotar / ed. A.I. Korendyaseva. - M .: Mashinostroenie, 1989 .-- 472 sid.

3. Burdakov SF Syntes av robusta regulatorer med elastiska element: samling av artiklar. vetenskaplig. tr. - Nr 443. Mekanik och ledningsprocesser. - SPb .: SPbSTU, 1992.

4. Protalinsky OM Tillämpning av artificiell intelligens metoder för automatisering av tekniska processer: monografi. - Astrakhan: Publishing house of ASTU, 2004 .-- 184 sid.

Artikeln inkom till redaktionen 2010-01-13

INTELLEKTUELL HANTERING AV ROBOTISKA SYSTEM I FÖRHÅLLANDEN AV OSÄKERHET

I. A. Shcherbatov

Syftet med det givna arbetet är att skapa tillvägagångssätt för konstruktion av intellektuella styrsystem för robotsystem, invarianta i förhållande till specificiteten hos funktionen, med hänsyn till ofullständighet i ingångsinformationen och olika typer av osäkerhet. Analysen, som får syntetisera arkitekturen hos ett intellektuellt kontrollsystem av robotsystem som är invariant i förhållande till funktionsspecificiteten, utförs. Den utvecklade algoritmen för situationsidentifiering gör det möjligt att bygga upp bra pekkort av miljön. De grundläggande tillvägagångssätten för bildandet av intellektuella styrsystem för robotsystem beskrivs. Riktningar för perspektivutveckling av de mest effektiva metoderna för det artificiella intellektet som tillämpas för realisering av aktiveringsanordningar visas.

Nyckelord: robotsystem, roboten, intellektuell ledning, strukturell osäkerhet, ofullständig information, pekkort, neurala nätverk, teorin om de otydliga uppsättningarna, egenutbildat expertsystem.

ÄMNE 13. INTELLIGENTA STYRSYSTEM

En ny generation av system - intelligenta system (IS) - väckte liv till andra principer för att organisera komponenterna i systemen, nya koncept, termer, block dök upp som inte tidigare stött på i utvecklingen och därför i vetenskaplig litteratur.

Intelligenta system kan syntetisera ett mål, fatta beslut om handling, tillhandahålla en handling för att uppnå målet, förutsäga värdena för handlingsresultatparametrarna och jämföra dem med verkliga, bilda feedback, justera målet eller kontrollen

Figur 13.1 visar ett blockschema över IS, där två stora block av systemet är markerade: syntesen av målet och dess implementering.

I det första blocket, baserat på den aktiva bedömningen av informationen som tas emot från sensorsystemet, i närvaro av motivation och kunskap, syntetiseras ett mål och ett beslut fattas för handling. Aktiv bedömning av information utförs under påverkan av triggersignaler. Omgivningens föränderlighet och systemets eget tillstånd kan leda till behov av något (motivation), och om det finns kunskap kan ett mål syntetiseras.

Målet förstås som en ideal, mental förväntan på resultatet av en aktivitet. Om du fortsätter att aktivt utvärdera information om miljön och systemets eget tillstånd, inklusive kontrollobjektet, när du jämför alternativen för att uppnå målet, kan du fatta ett beslut om åtgärd.

Vidare, i det andra blocket, gör ett dynamiskt expertsystem (DES), baserat på aktuell information om miljön och dess eget tillstånd för IS, i närvaro av ett mål och kunskap, en expertbedömning, fattar beslut om förvaltning , förutsäger resultatet av en åtgärd och utvecklar kontroll.

Den kodade styrningen omvandlas till en fysisk signal och matas till ställdonen.

Styrobjektet, som tar emot en signal från ställdonen, utför en eller annan åtgärd, vars resultat, presenterade i form av parametrar, genom återkopplingsslingan 2 går in i DES, där de jämförs med de förutsagda. Samtidigt kan parametrarna för resultatet av handlingen, tolkade i enlighet med egenskaperna hos målet och inträde i block I, användas för en känslomässig bedömning av det uppnådda resultatet: till exempel uppnås målet, men resultatet är inte trevligt.

Om målet uppnås i alla avseenden förstärks ledningen. Annars korrigeras kontrollen. När målet är ouppnåeligt, då justeras målet.

Det bör noteras att med plötsliga förändringar i miljöns tillstånd, eller kontrollobjektet, eller systemet som helhet, är det möjligt att syntetisera ett nytt mål och organisera dess uppnående.

IS-strukturen, tillsammans med nya element, innehåller traditionella element och samband, den centrala platsen i den upptas av ett dynamiskt expertsystem.

Block 1 - målsyntes Block II - målförverkligande

Figur 13.1 - IC-blockschema

Formellt beskrivs IS av följande sex uttryck:

T X S M T ;

T M S ST ;

C T S R T;

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

T Y = (D T) X T;

T R Y MED T ,

där T är en uppsättning tidpunkter;

X, S, M, C, R och Y - uppsättningen av tillstånd i systemet, miljö, motivation, mål, förutspått och verkligt resultat;

А, В och D - matriser av parametrar;

Intelligenta transformationsoperatörer som använder kunskap.

Denna beskrivning kombinerar representationen av systemobjekt i form av en uppsättning betydelser, eller en uppsättning uttalanden, eller några andra former.

De dynamiska egenskaperna hos IS kan beskrivas i tillståndsutrymmet. Intelligenta operatörer som implementerar perception, representation, begreppsbildning, bedömning och slutledning i kognitionsprocessen är ett formellt sätt att bearbeta information och kunskap, såväl som att fatta beslut. Alla dessa aspekter bör ligga till grund för att konstruera DES som fungerar i realtid och i den verkliga världen.

Ett dynamiskt expertsystem är någon form av komplex utbildning som kan bedöma systemets och miljöns tillstånd, jämföra parametrarna för de önskade och verkliga resultaten av en åtgärd, fatta ett beslut och utveckla kontroll som bidrar till att uppnå målet. För att göra detta måste DES ha ett kunskapsbestånd och ha metoder för att lösa problem. Kunskapen som överförs till expertsystemet kan delas in i tre kategorier:

1) konceptuell (på begreppsnivå) kunskap är kunskap förkroppsligad i det mänskliga talets ord eller, mer specifikt, i vetenskapliga och tekniska termer och, naturligtvis, i klasserna och egenskaperna hos miljöobjekt bakom dessa termer. Här ingår även samband, samband och beroenden mellan begrepp och deras egenskaper, och sambanden är abstrakta, även uttryckta i ord och termer. Begreppskunnande är sfären, främst inom de grundläggande vetenskaperna, om vi tar hänsyn till att begreppet är den högsta produkten av den högsta produkten av materia - hjärnan;

2) saklig, ämneskunskap är en samling information om specifika objekts kvalitativa och kvantitativa egenskaper. Det är med denna kategori av kunskap som termerna "information" och "data" förknippas, även om sådan användning av dessa termer något minskar deras betydelse. All kunskap bär information och kan presenteras i form av data; faktakunskap är vad datorer alltid har sysslat med och vad de har sysslat mest med hittills. Den moderna formen av dataackumulering brukar kallas databaser. Naturligtvis, för att organisera databaser, för att hitta den nödvändiga informationen i dem, måste man förlita sig på konceptuell kunskap;

3) algoritmisk, procedurkunskap - detta är vad som brukar kallas orden "skicklighet", "teknik" etc. Inom datoranvändning implementeras algoritmisk kunskap i form av algoritmer, program och subrutiner, men inte vilka som helst, utan de som kan överföras från händerna till händerna och användas utan författarnas medverkan. Denna implementering av algoritmisk kunskap kallas en mjukvaruprodukt. De vanligaste formerna av en mjukvaruprodukt är mjukvarupaket, mjukvarusystem och andra, fokuserade på ett specifikt område av DES-applikationen. Organisationen och användningen av applikationspaket baseras på konceptuell kunskap.

Det är tydligt att konceptuell kunskap är en högre, definierande kunskapskategori, även om andra kategorier ur praktisk synvinkel kan verka viktigare.

Det är förmodligen därför som konceptuell kunskap sällan förkroppsligas i en form som kan bearbetas på datorer. Och om det är förkroppsligat, är det oftast ofullständigt och ensidigt. I de flesta fall förblir en person bärare av konceptuell kunskap. Detta saktar ner automatiseringen av många processer.

Representationer av konceptuell kunskap, eller snarare, system som implementerar alla tre kunskapskategorier, men lyfter fram konceptuell kunskap i förgrunden och arbetar utifrån dess intensiva användning, kallas kunskapsbaser.

Skapandet och utbredd användning av kunskapsbaser inom IP är en av de mest angelägna uppgifterna. Den konceptuella delen av kunskapsbasen kommer att kallas domänmodellen, den algoritmiska delen - mjukvarusystemet och faktadelen - databasen.

Nästa funktion hos DES är problemlösning. Ett problem kan lösas av en maskin endast om det är formellt ställt - om en formell specifikation har skrivits för det. Det senare bör baseras på någon kunskapsbas. Domänmodellen beskriver den allmänna miljön där uppgiften uppstod, och specifikationen beskriver uppgiftens innehåll. Sammantaget gör de det möjligt att fastställa vilka abstrakta samband och beroenden, i vilka kombinationer och i vilken ordningsföljd som ska användas för att lösa problemet.

Applikationsprogram representerar de specifika verktygen bakom dessa beroenden och innehåller även algoritmer för att lösa de ekvationer som uppstår. Slutligen tillhandahåller databasen hela eller delar av de initiala data för att exekvera dessa algoritmer, den saknade data måste finnas i specifikationen.

Dessa tre delar av kunskapsbasen motsvarar tre steg för att lösa problemet:

1) konstruktion av ett abstrakt lösningsprogram (inklusive problemets uppkomst, dess formulering och specifikation);

2) översättning av problemet till ett lämpligt maskinspråk;

3) sändning och genomförande av programmet.

Konstruktionen av ett abstrakt program är förknippat med representation och bearbetning av konceptuell kunskap i IS och är per definition artificiell intelligenss egendom.

Artificiell intelligens är förknippad med bearbetning av texter, muntliga meddelanden på naturligt språk, med analys och bearbetning av information (igenkänning av alla typer av bilder, satsbevisande, logisk slutledning, etc.).

Funktionerna för DES är också bedömningen av resultaten av att lösa problemet, bildandet av parametrarna för det framtida resultatet av åtgärden, beslutsfattande om förvaltning, utveckling av kontroll och jämförelse av parametrarna för det önskade och verkliga resultat. Det tillhandahåller modellering av processer för att bedöma de möjliga konsekvenserna och riktigheten av lösningen på problemet.

Observera att det i verkliga fall är problem med att beskriva de föremål som studeras. Det är olämpligt att betrakta en sådan beskrivning som en del av uppgiftsspecifikationen, eftersom som regel många uppgifter ställs i förhållande till ett objekt, vilket naturligtvis måste beaktas vid bildandet av kunskapsbasen. Dessutom kan det visa sig att det uppkomna problemet inte kan lösas automatiskt till slutet, till exempel på grund av att specifikationen eller beskrivningen av objektet är ofullständigt.

Därför är det i IS tillrådligt att i vissa skeden ha ett interaktivt driftsätt med DES. Man bör komma ihåg att domänmodellen beskriver den allmänna miljön (kunskap), och specifikationen beskriver uppgiftens innehåll. Mycket viktiga problem är skapandet av en enhetlig mjukvarumiljö och syntesen av algoritmer direkt enligt problemets formulering.

Beroende på vilket mål IS står inför, kan kunskapsbasen, algoritmer för att lösa ett problem, fatta beslut, utveckla kontroll, naturligtvis ha en annan representation, vilket i sin tur beror på typen av problemlösning. Följaktligen kan tre typer av DES ses. Strukturen för en DES av den första typen visas i figur 13.2.

Figur 13.2 - Struktur för DES av den första typen

Det förutsätts här att begrepps- och faktakunskaper på ett korrekt sätt återspeglar processer och information relaterade till ett visst ämnesområde.

Sedan kommer lösningen på problemet som uppstår inom detta område att erhållas på grundval av rigorösa matematiska metoder, i enlighet med formuleringen och specifikationen. Resultatet av beslutsstudien och prognosen används för att inhämta ett expertutlåtande och fatta beslut om behov av förvaltning. Sedan, baserat på en lämplig kontrollalgoritm som finns tillgänglig i kunskapsbasen, bildas en kontrollåtgärd.

Effektiviteten och konsekvensen av denna påverkan, innan den når kontrollobjektet, bedöms med hjälp av en matematisk simuleringsmodell. Utvärdering bör utföras snabbare än verkliga processer i IS.

DES som implementerar beslutsfattande är dock komplexa mjukvarusystem designade för automatiskt beslutsfattande eller för att hjälpa beslutsfattare, och i den operativa hanteringen av komplexa system och processer arbetar de som regel under svåra tidsbegränsningar.

Till skillnad från DES av den första typen, designad för att hitta den optimala lösningen och baserad på rigorösa matematiska metoder och optimeringsmodeller, är DES av den andra typen huvudsakligen inriktade på att lösa svåra formaliserade problem i avsaknad av fullständig och tillförlitlig information (Fig. 13.3). Den använder expertmodeller baserade på experters kunskap - specialister inom detta problemområde, och heuristiska metoder för att hitta en lösning.

Ett av huvudproblemen vid utformningen av en DES av den andra typen är valet av en formell apparat för att beskriva beslutsprocesser och utifrån dess bygga en beslutsmodell som är adekvat för problemområdet (semantiskt korrekt). Produktionssystem används vanligtvis som en sådan apparat. Den huvudsakliga forskningen utförs dock i samband med en algoritmisk (deterministisk) tolkning av ett produktionssystem med dess inneboende sekvensiella lösningssökningsschema.

De resulterande modellerna är ofta otillräckliga för verkliga problemområden som kännetecknas av icke-determinism i processen att hitta en lösning. Vägen ut ur denna situation är sökparallellism.

I verkligheten bör man fokusera på att kombinera DES av den första och andra typen till en beräkningslogisk DES av den tredje typen, där kunskapsbasen kombinerar en beskrivning i form av strikta matematiska formler med information från experter, och även, i enlighet med detta, matematiska metoder för att hitta en lösning med icke-strikt heuristiska metoder, och vikten av den ena eller den andra komponenten bestäms av möjligheten till en adekvat beskrivning av ämnesområdet och metoden för att hitta en lösning (Fig. 13.4).

Figur 13.3 - Struktur för dieselkraftverket på andra nivån

När du utvecklar en DES uppstår följande problem:

1.bestämmande av kunskapsbasens sammansättning och dess bildande;

2. utveckling av nytt och användning av välkända teorier och metoder för att beskriva informationsprocesser i IS;

3. utveckling av sätt att representera och organisera användningen av kunskap;

4. Utveckling av algoritmer och programvara med parallellisering och användning av "flexibel logik";

1. hitta lämpliga beräkningsmiljöer för implementering av parallella algoritmer i bildandet av DES.

Figur 13.4 - Strukturen för dieselkraftverket på tredje nivån

Tillsammans med ovanstående är det viktigt att notera att DES bör ha egenskapen att anpassa sig till ett dynamiskt problemområde, förmågan att introducera nya element och samband i beskrivningen av situationer, ändra regler och strategier för objektens funktion i process att fatta beslut och utveckla kontroll, arbeta med ofullständig, suddig och motsägelsefull information och etc.

Dynamiska expertsystem fungerar som en del av IS med feedback, och därför är det viktigt att säkerställa en stabil drift av sådana IS.

Ur traditionell synvinkel kan det antas att varaktigheten av DES-svaret på input-påverkan, dvs. den tid som läggs på att bearbeta ingångsinformation och utveckla en kontrollåtgärd är ren fördröjning. Baserat på frekvensanalysen är det möjligt att uppskatta förändringen i systemets fasegenskaper och därigenom bestämma stabilitetsmarginalen. Om det behövs kan du korrigera systemet med hjälp av filter.

Men ur den klassiska kontrollteorins synvinkel är IS:er multi-objekt multi-anslutna system, vars analys av stabiliteten med konventionella metoder är mycket svår.

För närvarande är teorin om robust kontroll (-kontrollteori, -kontroll) en av de intensivt utvecklande grenarna av kontrollteorin. Relativt ung (de första verken dök upp i början av 80-talet) uppstod de från de akuta praktiska problemen med syntesen av flerdimensionella linjära styrsystem som arbetar under förhållanden med olika typer av störningar och förändringar i parametrar.

Du kan närma dig problemet med att designa kontroll av ett verkligt komplext objekt som fungerar under osäkerhet på ett annat sätt: försök inte använda en typ av kontroll - adaptiv eller robust. Uppenbarligen bör man välja den typ som motsvarar tillståndet i miljön och systemet, som bestäms av den information som finns tillgänglig för systemet. Om det under systemets funktion är möjligt att organisera mottagandet av information, är det lämpligt att använda den i kontrollprocessen.

Men implementeringen av en sådan kombinerad kontroll stötte tills nyligen på oöverstigliga svårigheter när det gäller att bestämma algoritmen för att välja typ av kontroll. De framsteg som uppnåtts i utvecklingen av artificiell intelligensproblem gör det möjligt att syntetisera en sådan algoritm.

Låt oss verkligen sätta uppgiften: att designa ett system som använder adaptiv och robust kontroll och väljer typ av kontroll baserat på artificiell intelligensmetoder. För detta kommer vi att överväga funktionerna hos båda typerna och, med hänsyn till deras specifika egenskaper, kommer vi att bestämma hur ett kombinerat styrsystem kan byggas.

Ett av grundbegreppen i teorin om robust kontroll är begreppet osäkerhet. Osäkerheten i objektet återspeglar inexaktheten i objektmodellen, både parametrisk och strukturell.

Låt oss överväga mer i detalj formerna för att specificera osäkerhet i en robust styrteori med hjälp av ett enkelt system - med en ingång och en utgång (Figur 13.5).

Signaler har följande tolkning: r - inställningssignal; u - ingångssignal (ingång) för objektet; d - yttre störning; y är utsignalen (utgången) för objektet som mäts.

Figur 13.5 - System med en ingång och en utgång

I kontrollteorin är det bekvämt att ställa in osäkerheten i frekvensdomänen. Antag att överföringsfunktionen för en normal anläggning P, och betrakta en störd anläggning, vars överföringsfunktion,

där W är en fast överföringsfunktion (viktfunktion);

- en godtycklig stabil överföringsfunktion som tillfredsställer ojämlikheten.

Denna indignation kommer att kallas tillåtlig. Nedan följer några varianter av osäkerhetsmodeller:

Lämpliga antaganden måste göras för kvantiteterna och W i varje enskilt fall.

Osäkerheten hos ingångssignalerna d återspeglar den olika karaktären hos externa störningar som verkar på anläggningen och styrenheten. Ett obestämt objekt kan alltså betraktas som en sorts uppsättning objekt.

Låt oss välja några egenskaper hos system med feedback, till exempel stabilitet. Regulator C är robust med avseende på denna egenskap om någon av de objekt som definieras av osäkerhet har den.

Sålunda innebär begreppet robusthet närvaron av en kontroller, en uppsättning objekt och fixeringen av en viss egenskap hos systemet.

I detta arbete kommer vi inte att beröra hela uppsättningen av problem som lösts inom ramen för kontrollteorin. Låt oss bara beröra problemet med minimal känslighet: att konstruera en styrenhet C som stabiliserar det slutna systemet och minimerar påverkan av externa störningar på utgången y, med andra ord, minimerar normen för matrisen av överföringsfunktioner från externa störningar till utgången y.

En av funktionerna i lösningen av detta, och faktiskt för hela uppsättningen av robusta kontrollproblem, är det faktum att vi i processen att designa regulatorn, i förväg, i processen att designa regulatorn, inför begränsningar för ingången handlingar och objektets osäkerhet i form av ojämlikheter.

Under driften av ett robust system används inte information om osäkerheter i systemet för kontroll.

Naturligtvis leder detta till det faktum att robusta system är konservativa och att kvaliteten på övergående processer ibland inte tillfredsställer utvecklarna av dessa system.

I likhet med ett robust adaptivt styrsystem är ett adaptivt styrsystem konstruerat för objekt, information om vilka eller om effekterna på vilka inte är tillgänglig i början av systemets funktion. Oftast uppnås anpassningsegenskapen genom bildandet, i en explicit eller implicit form, av en matematisk modell av ett objekt eller en ingångsåtgärd.

Detta särskiljer både sökanpassningsstyrning, som är baserad på sökning och bibehållande av ytterkanten av kontrollkvalitetsindikatorn, och icke-sökstyrning, som är baserad på kompensation för avvikelsen av de faktiska förändringarna i de kontrollerade koordinaterna från de önskade ändringarna. motsvarande den erforderliga nivån på kvalitetsindikatorn. Vidare, enligt den förfinade modellen, justeras den adaptiva styrenheten.

Det huvudsakliga kännetecknet för adaptiva styrsystem är således förmågan att få information i processen att fungera och använda denna information för kontroll.

I adaptiva system används dessutom alltid a priori information om osäkerheten i systemet. Detta är den grundläggande skillnaden mellan det adaptiva och robusta tillvägagångssättet.

Tänk på ett enkelt adaptivt styrsystem som övervakar insignalen i närvaro av störningar vid objektets ingång (Figur 13.6).

Teckning. 13.6 – Adaptivt styrsystem

Den formella skillnaden från kretsen i figur 13.5 är anpassningsblocket A, som baserat på objektets utsignal och signalen som kännetecknar den givna kvaliteten genererar en signal för justering av koefficienterna för den adaptiva styrenheten.

Med tanke på nackdelarna med var och en av regulatorerna är det tillrådligt att försöka använda deras fördelar genom att föreslå ett kombinerat kontrollschema för objektet. Det adaptiva systemet med hjälp av anpassningsenheten genererar viss information om den yttre miljöns tillstånd. I synnerhet kan man i det aktuella fallet få information om den yttre störningen d. Styralgoritmen С а motsvarar det aktuella tillståndet för den yttre miljön, enligt kriteriet som fastställts i anpassningsblocket. Men det adaptiva systemet kräver att insignalen r har ett tillräckligt brett frekvensområde, och lägger allvarliga begränsningar på värdet och frekvensspektrumet för den externa störsignalen d. Därför kan adaptiva system endast fungera inom smala områden för insignalen r och extern störning d. Utanför dessa intervall har det adaptiva systemet dålig kontrollkvalitet och kan till och med bli instabilt.

Egenskaperna hos robust och adaptiv styrning som betraktas ovan leder till slutsatsen att i processen för systemfunktion är det i vissa fall fördelaktigt att använda robust styrning, i andra - adaptiv styrning, d.v.s. kunna kombinera styrning beroende på den yttre miljöns tillstånd.

Kombinerad kontroll. Huvudfrågan vid utformningen av kombinerade styrsystem är hur man utifrån vilken kunskap (information) väljer en eller annan typ av styrning.

De bredaste möjligheterna för detta presenteras av metoder med artificiell intelligens. Deras fördel gentemot enkla växlingsalgoritmer är användningen av ett brett utbud av data och kunskap för att bilda en algoritm för att välja en kontrolltyp.

Om vi ​​formellt kombinerar kretsarna som visas i figurerna 13.5, 13.6 får vi en kombinerad styrkrets (figur 13.7).

Som framgår av figuren bör styrsignalen växla från en robust styrenhet till en adaptiv och vice versa - eftersom miljön förändras under systemets drift. Med hjälp av metoderna för teorin om intelligenta system är det möjligt att tillhandahålla en övergång från en typ av kontroll till en annan, beroende på systemets driftsförhållanden.

Figur 13.6 - Kombinerat styrschema

Låt oss först överväga vilken information som kan användas för att driva systemets intelligenta enhet. System med en ingång och en utgång är som bekant väl beskrivna i frekvensdomänen. Därför är det naturligt att använda frekvensegenskaper för att organisera beslutsprocessen vid val av typ av styrning.

Som nämnts ovan motsvarar frekvenssvaret för ett robust styrt system den sämsta kombinationen av parametrar i osäkerhetsområdet. Därför kan robust styrning tas som en av gränserna för den valda kontrollen.

En annan gräns bestäms av kapaciteten hos systemet som studeras (körhastighet, effekt-viktförhållande, etc.). Mellan dessa två gränser finns ett område där det är vettigt att använda adaptiv kontroll.

Figur 13.7 - Kombinerat styrschema

Eftersom den adaptiva algoritmen är känslig för det inledande skedet av systemets funktion, är det i detta skede tillrådligt att använda robust styrning, som är tillräckligt okänslig för förändringshastigheten för det externa bruset. Men dess nackdel är den långa varaktigheten av de transienta processerna och de stora tillåtna värdena för utgångskoordinaten under påverkan av interferens.

Efter en tid är det vettigt att ändra den robusta kontrollen till adaptiv.

Adaptiv kontroll låter dig spåra insignalen mer exakt i närvaro av information om störningen. Adaptiv styrning ställer krav på rikedomen i insignalspektrat, och till exempel, med långsamt varierande signaler, kan anpassningsprocesser störas eller bromsas kraftigt. I en sådan situation är det nödvändigt att byta till robust styrning igen, vilket garanterar systemets stabilitet.

Det följer av ovanstående att för att systemet ska fungera är det nödvändigt att ha information om frekvensspektrumet för den användbara störsignalen och om signal-brusförhållandet.

Dessutom krävs preliminär information om det frekvensspektrum på vilket det adaptiva systemet verkar och om de speciella egenskaperna hos styrobjektet vid gränserna för osäkerhetsområdet. Från denna information är det möjligt att bilda en databas i vilken information, individuell för varje klass av objekt, läggs in i förväg. Information om frekvensspektrumet för den användbara signalen, störningar och signal-brusförhållande läggs in i databasen när systemet fungerar och uppdateras ständigt.

Databasens innehåll kan användas i kunskapsbasen, som bildas i form av regler. Beroende på systemets specifika egenskaper kan omkoppling av två typer av styrning ställas in. De erforderliga reglerna är utformade i ett av de logiska systemen som är lämpliga för det aktuella fallet.

Med databaser och kunskap är det möjligt att utveckla en beslutsmekanism som säkerställer rätt val av typ av kontroll, beroende på förutsättningarna för systemets funktion.

Figur 13.8 - Blockschema över ett system med en intelligent enhet (IS)

Den intellektuella delen av systemet fungerar diskret, med bestämda tidsintervall. Figur 13.8 visar ett blockschema över ett system med en intelligent IS-enhet som ger val av typ av styrning.

Blockets ingång tar emot signalen r och den uppmätta, utsignalen från objektet y. I blocket för preliminär bearbetning av information BPOI, enligt tidsegenskaperna för signalerna r (t), y (t), frekvensegenskaperna för insignalen r (w) och extern störning d (w), den relativa positionen för spektra r (w) och d (w) och de karakteristiska värdena för signal-brusförhållandet r (w) / d (w). All denna information går till DB-databasen. BPR:s beslutsblock, med användning av den genererade kunskapsbasen för kunskapsbasen och databasdata, utvecklar ett beslut i enlighet med vilket en av styrtyperna slås på. Vid nästa intervall upprepas processen med nya data.

INTRODUKTION

Driftsförhållandena för moderna tekniska komplex leder till behovet av redovisning i processen för övervakning och kontroll. följande typer av osäkerhet:

1. Låg noggrannhet för driftinformation som tas emot från kontrollobjekt, uppstår på grund av det stora felet hos sensorer för att mäta tekniska parametrar (flödeshastighet, tryck, etc.), deras låga tillförlitlighet, kommunikationskanalfel, en stor fördröjning i överföringen av information över kontrollnivåer, oförmågan att mäta parametrar på alla punkter av den tekniska process som krävs för modellerna.

2. Felaktiga modeller av kontroll- och förvaltningsobjekt orsakad av: icke-ekvivalens mellan lösningar av systemhierarkiska modeller på flera nivåer och individuella lokala problem som används i praktiken; felaktig sönderdelning av det allmänna kontrollproblemet, överdriven idealisering av den tekniska processmodellen, brott av väsentliga anslutningar i det tekniska komplexet, linjärisering, diskretisering, ersättning av utrustningens faktiska egenskaper med pass, brott mot antagandena som gjordes vid härledning av ekvationer ( stationaritet, isotermitet, homogenitet, etc.).

3. Lugnt beslutsfattande i hierarkiska system på flera nivåer, på grund av det faktum att förekomsten av tydliga (precisa) mål och samordnande beslut på varje nivå av kontroll och ledning, och för varje lokal kontrollenhet, komplicerar samordningsprocessen och förutbestämmer den långa iterativa karaktären av samordning av beslut.

4. Närvaron av en mänsklig operatör, inklusive en avsändare, i kontrollslingan och genomförandet av samordningsprocessen i ett verkligt produktionssystem i naturligt språk, leder till behovet av att ta hänsyn till svårigheterna att representera avsändarens kunskap i form av algoritmer och överensstämmelsen hos den lösning som datorn erhåller med dess bedömning.

”Överdriven strävan efter noggrannhet började få en effekt som omintetgör kontrollteori och systemteori, eftersom det leder till att forskningen inom detta område är inriktad på de och bara de problem som lämpar sig för exakta lösningar. Många klasser av viktiga problem, där data, mål och begränsningar är för komplexa eller dåligt definierade för att tillåta korrekt matematisk analys, har varit och förblir vid sidan av helt enkelt för att de inte lämpar sig för matematisk behandling."

L.Zadeh

Bland moderna produktionsprocesser finns det många som har ett komplex av kvaliteter som är oväntade för den klassiska teorin om automatisk styrning (TAU). Detta "obekväma" eller, som de också kallas, "Halvstrukturerad" eller "Illa definierad" föremål har sådana egenskaper som unikhet, avsaknad av ett formaliserat syfte med existens och optimalitet, struktur och parametrar inte är stationära, ofullständighet eller nästan fullständig frånvaro av en formell beskrivning av föremålet.

Begreppsram

förvaltning under osäkerhet

Oklarheter som förstås som källor till osäkerhet, är ganska villkorligt indelade i följande tre stora grupper:

1. osäkerhet och ofullständighet i informationen om situationen, som används för att fatta beslut om bedömningen av kvaliteten på funktion eller bildandet av kontroll över hur systemet fungerar - system- och miljöosäkerhetsfaktor;

2. faktorer som genereras av osäkerhet, luddig tänkande och kunskap om en person- osäkerhet som visar sig i en persons interaktion med systemet och sin omgivning;

3. osäkerhetsfaktorer, luddighet(felaktighet) samlad kunskap, koncentrerad till kunskapsbaserna för artificiella intelligenta system, osäkerhet om att använda denna kunskap under implementeringsprocessen vissa logiska och logiskt-algebraiska procedurer för att samla in och bearbeta information, utveckla, välja och fatta ledningsbeslut.

Klassificering av faktorer (källor) till osäkerhet som måste beaktas vid studiet av komplexa system visas i figur B.1.

Figur B.1. Klassificering av osäkerheter

Metodik för att analysera och redovisa osäkerhetsfaktorer i

ledning i komplexa organisatoriska och tekniska system...

(ACS med DSS och DSS-beslutsstödssystem och beslutssystem)

1. Problem och generaliserad formalisering av uppgifter för utveckling och

fatta ledningsbeslut under förhållanden av osäkerhet...

2. Deterministisk spelinställning till beslutsfattande under förhållanden

osäkerhet ………… .. ………………… .. ………………………… ..

3. Ett stokastiskt förhållningssätt för att lösa beslutsfattande problem i

osäkerhetsförhållanden… .. ………………………………………………

4. Probabilistisk - statistisk syn på beslutsfattande i oss-

inför osäkerheten ………………………………………………… ..

5. Den probabilistiska inställningen till beslutsfattande under förhållanden av osäkerhet

lättja… .. …………………………………………………………………………

6. Fuzzy - stokastiskt förhållningssätt till beslutsfattande under förhållanden

oklarheter …………………………… .. ……………………… ..

7. Möjlighetsteori och problemet med beslutsfattande under förhållanden

oklarheter ……………………. …………………………………

8. Fuzzy - ett möjligt förhållningssätt till beslutsfattande under förhållanden

oklarheter ……………………………………………………….

9. Det språkliga förhållningssättet till beslutsfattande under förhållanden av osäkerhet

divisioner .. ……………………… .. ………………………………………….

Hantering av semistrukturerade objekt från den klassiska TAU:s synvinkel är ett ganska svårt, praktiskt taget olösligt problem. Detta beror på det faktum att när man bygger ett traditionellt automatiskt kontrollsystem (ACS) är det nödvändigt att först formellt beskriva kontrollobjektet och forma kontrollkriterier på basis av en matematisk apparat som arbetar i kvantitativa kategorier. Om det är omöjligt att ge en exakt matematisk beskrivning av objektet och kriterierna för att kontrollera det i kvantitativa termer, visar sig den traditionella TAU vara otillämplig.

Till exempel används det klassiska ACS av deterministiska och stokastiska systemen framgångsrikt för att bygga ACS av flygplan, kraftverk, etc., men försöker utvidga traditionella metoder till områden som biosyntes, flerfas kemisk-teknologiska processer associerade med rostning, smältning, katalys etc., gav inga påtagliga praktiska resultat, trots de allt mer komplicerade matematiska metoderna för deras beskrivning.

Men i praktiken kontrolleras sådana semistrukturerade objekt ganska framgångsrikt av en mänsklig operatör, som räddas av förmågan att observera, analysera och memorera information, dra vissa slutsatser etc., och som ett resultat fatta rätt beslut i en miljö av ofullständig och otydlig information. Tack vare hans intellekt, en person kan inte bara arbeta med kvantitativa(vilket i viss mån en maskin kan), men också med kvalitativa informella begrepp, som ett resultat av vilket det ganska framgångsrikt hanterar osäkerheten och komplexiteten i förvaltningsprocessen. Därför är konstruktionen av modeller för ungefärliga resonemang av en person och deras användning i ACS idag en av de viktigaste riktningarna i utvecklingen av TAU.

Det råder ingen tvekan om att en betydande ökning av effektiviteten i hanteringen av komplexa objekt består i skapandet av intelligent ACS som i en eller annan grad kan återskapa vissa intellektuella mänskliga handlingar i samband med förvärv, analys, klassificering av kunskap inom ämnesområdet ​teknologisk processkontroll, såväl som operativ kunskap, samlad av den mänskliga operatören eller av systemet självt under praktiska aktiviteter för att kontrollera objektet.

Behovet av att arbeta under dessa förhållanden gör det svårt att använda standardautomationssystem och APCS... Det är särskilt svårt att beskriva områdena för tillåtna driftsätt för utrustning under sådana förhållanden när inställningen av strikta (tydliga) begränsningar för processtyrningssystemet och automatiseringssystemen leder till automatisk eller manuell avstängning av dessa system. Därför är det extremt viktigt att använda för beskrivning och formalisering av områden med tillåtna driftsätt för utrustning teorier om artificiell intelligens (AI) och intelligenta system (IS).

På grund av den snabba utvecklingen av datorteknik de senaste åren användningen av nya metoder för intelligent förvaltning inom industrin började... Och även om de första tillämpningarna av intelligent ACS ägde rum i Europa, introduceras sådana system mest intensivt i Japan. Deras användningsområde är brett: från styrning av industrirobotar, korrigeringsanläggningar och masugnar till tvättmaskiner, dammsugare och mikrovågsugnar. Samtidigt kan intelligent ACS förbättra kvaliteten på produkterna samtidigt som resurs- och energiförbrukningen minskar och ge ett högre motstånd mot påverkan av störande faktorer jämfört med traditionell ACS.

Ett intelligent system betyder(KA Pupkov) en uppsättning tekniska medel och mjukvara kombinerad av en informationsprocess, som arbetar i samband med en person (en grupp människor) eller autonomt, kapabla att syntetisera ett mål baserat på information och kunskap med motivation, fatta ett beslut om handling och hitta rationella sätt att uppnå mål.

Den främsta arkitektoniska egenskapen som utmärker intelligenta styrsystem (IMS) från "traditionell"Är en mekanism för att erhålla, lagra och bearbeta kunskap för implementering av dess funktioner.

Skapandet av intelligenta kontrollsystem bygger på två principer: situationskontroll (kontroll baserad på analys av externa situationer eller händelser) och användningen av modern informationsteknik för kunskapsbearbetning (expertsystem, artificiella neurala nätverk, fuzzy logik, genetiska algoritmer, och ett antal andra).

Program nr 14 i grundforskning vid OEMMPU RAS

"ANALYS OCH OPTIMERING AV FUNKTION AV MULTI-NIVEAU, INTELLIGENTA OCH NÄTVERKSSTYRSYSTEM UNDER OSÄKERHET"

1. Motiv för programmet

1.1. Vetenskaplig och praktisk betydelse

Den intensiva utvecklingen av teknik (nätverksinteraktion, miniatyrisering av datorer, ökning av deras hastighet, etc.) ställer nya krav på moderna styrsystem och öppnar för nya möjligheter både på nivån av inbyggda styrsystem (på nivån för stora sändningscentraler) och på nätverksnivå (kommunikation-nätverk, grupp) interaktion av decentraliserade multi-agent system. Styrsystem får alltmer karaktären av informationsstyrsystem och studeras i skärningspunkten mellan styr-, beräknings- och kommunikationsteorier. Så att ta hänsyn till egenskaperna hos kommunikationskanaler (kommunikation) är nödvändigt, till exempel i decentraliserade (multiagent) system, och egenskaperna hos den inbyggda datorn är viktiga när man implementerar sådana intellektuella funktioner i flernivåsystem. som teknisk vision, handlingsplanering, utbildning, beslutsfattande med flera kriterier, reflektion, etc. etc. I synnerhet är intellektualiseringen av kontroll utformad för att öka graden av autonomi för systemens funktion, när avsaknaden av kvantitativa modeller för dynamik eller störningar i kontrollobjektets funktion, vilket orsakar förlusten av kvantitativa modellers tillräcklighet (till exempel ekvationer som beskriver utvecklingen av ett komplext system), förstärker rollen av kvalitativa (den så kallade "kunskapen", för till exempel logiskt-språkliga) modeller av objektet och miljön som används på de övre nivåerna av kontrollsystemet.

Programmet syftar till att lösa grundläggande problem som uppstår inom Ryska federationens prioriterade områden för vetenskap, teknik och teknik. Uppgiften är att erhålla nya grundläggande och tillämpade resultat inom området styrteori för komplexa tekniska, människa-maskin och andra system, med hänsyn tagen till osäkerheten och bristen på initial information, inklusive: teorin om analys och syntes av stokastiska system, teorin om att skapa styrsystem för rörelse och tekniska processer, med aktuell diagnostik och kontroll över det tekniska tillståndet, samt teorin om att skapa automatiserade designsystem och intelligent styrning baserad på modern informationsteknologi.

På grund av mångfalden av användning av styrteori, analys och optimering i olika tillämpningar (transport, logistik, produktion, flyg- och rymdsystem, ubåtar och ytfartyg, etc.), är det nödvändigt att ta hänsyn till ett stort antal komplexitetsfaktorer , Till exempel:

Flernivåhantering,

Decentralisering,

Icke-linjäritet,

Multianslutning,

Fördelning av parametrar,

Olika skalor av processer i rum och tid,

Hög dimension,

Heterogenitet i beskrivningen av delsystem,

Multimode,

Närvaron av impulser påverkar,

Förekomst av koordinatparametriska, strukturella, regelbundna och singulära störningar,

Användning av deterministiska och probabilistiska modeller för att beskriva osäkerheten i information om tillståndsvektorn och systemparametrar, om egenskaperna hos mätfel och miljön,

Förekomsten av fördröjningseffekter i kontroll eller objekt,

· Generell strukturell komplexitet hos moderna styrsystem.

För att uppnå detta mål och lösa huvuduppgifterna omfattar programmet forskning och utveckling inom följande huvudområden:

1. Analys och optimering av funktion i olika tidsskalor av flernivåstyrsystem med ofullständig information.

2. Förvaltning och optimering i flernivå- och decentraliserade system av organisatorisk och teknisk karaktär.

2.1. Hantering och optimering i nätverkscentrerade system.

2.2. Intelligent kontroll av rörliga föremål.

2.3. Modellering och optimering av realtidsinformation och styrsystem på flera nivåer.

Riktning 1. Analys och optimering av funktion i olika tidsskalor för flernivåstyrsystem med ofullständig information

Komplexiteten hos många moderna styrsystem tillåter ofta inte att man i förväg erhåller en fullständig beskrivning av de processer som sker inom systemet och dess interaktion med omgivningen. Som regel beskrivs verkliga system av icke-linjära dynamikekvationer och ganska ofta tar de matematiska modellerna av styrsystem endast hänsyn till de tillåtna intervallen av förändringar i parametrarna och egenskaperna hos enskilda element utan att specificera dessa parametrar och egenskaper själva.

Dessutom, i vissa system, i synnerhet mikromekaniska och kvantsystem, hämmas användningen av klassiska beskrivningsmetoder i kontinuerlig eller diskret tid av det faktum att de uppkommande interna och/eller externa krafterna för interaktion, såväl som kontrollåtgärder, är av övergående, impulsiv karaktär och kan inte beräknas exakt. ... Systemet verkar fungera i olika tidsskalor: verklig (långsam) och snabb (impuls). Sådan tidsvariation av skalor är en inneboende egenskap hos många moderna kontrollsystem, inklusive system med flernivåkontroll, där de övre nivåerna använder kvalitativa och diskreta modeller, och de lägre - oftare kvantitativa modeller med kontinuerlig tid.

Av denna anledning, utvecklingen av metoder för matematisk formalisering av beskrivningen av funktionen hos sådana system i hybrid (kontinuerlig-diskret) tid, studiet av deras egenskaper för kontrollerbarhet och stabilitet under förhållanden med ofullständig information, opposition och icke-standardiserad begränsningar av kontroller och fasvariabler är en brådskande uppgift. Utvecklingen av metoder för syntes av optimal styrning av sådana kontinuerligt-diskreta system, både deterministiska och stokastiska, är en lika angelägen uppgift.

Dessutom, under förhållanden av osäkerhet och brist på a priori-information, är uppgifterna att optimera processen för insamling och bearbetning av information (övervakning av observationer och optimal filtrering) mycket relevanta.

Riktning 2. Förvaltning och optimering i flernivå- och decentraliserade system av organisatorisk och teknisk karaktär

2.1. Hantering och optimering i nätverkscentrerade system

Moderna komplexa organisatoriska och tekniska system kännetecknas av hög dimensionalitet, decentralisering, multilevel management, behovet av effektiv planering av aktiviteter, med hänsyn till utbildning, multikriterier för fattade beslut och reflektion av kontrollerade ämnen.

Problem med planering och kontroll av diskreta och kontinuerligt distribuerade flerkopplade system av stor dimension kännetecknas också av olika skalor av processer, inte bara i tid, utan också av distribution och olika skalor i rummet och representerar en av de mest komplexa och tidskrävande klasser av optimeringsproblem. Av denna anledning är det tillrådligt att utveckla forskningsmetoder och tillvägagångssätt för att hitta korrekta och ungefärliga lösningar, samt simuleringsverktyg för användning i beslutsstödssystem för planering, design och hantering av komplexa tekniska, organisatoriska (inklusive transport och logistik) och information system.

För att hantera gruppinteraktion är komponenterna i decentraliserade organisatoriska och tekniska system (nätverkscentrerade system, produktionssystem, datorer, telekommunikation och andra nätverk etc.) i samband med begränsningar av kommunikationskanaler och komplexiteten i beräkningar av stor betydelse för egenskaperna hos, samt begränsningar av beslutsfattande tid, beräkningsmöjligheter och bandbredd för kommunikationskanaler. Därför är det relevant att utveckla optimeringsmetoder (med hänsyn till de angivna begränsningarna) för strukturen av komplexa organisatoriska och tekniska system, inklusive med samtidig övervägande av många kriterier: detaljerna i de initiala uppgifterna, effektiviteten i att samla information, planering och reflekterande beslutsfattande, individuella datorers begränsade prestanda, vilket minskar dubbelarbetet, såväl som andelen extra beräkningar förknippade med dataöverföringstjänster.

Flernivåsystem och decentraliserade system kännetecknas av distribuerat beslutsfattande i realtid under förhållanden av informationsmotåtgärder, såväl som ofullständighet och heterogenitet i information, ofta av kvalitativ och subjektiv natur med flera kriterier. Av denna anledning är det nödvändigt att utveckla metoder för att skapa adekvata informationsstödsystem och stödja antagandet av strategiska och operativa beslut under förhållanden med ofullständig information och opposition. För detta är det särskilt lämpligt att utveckla: multiagentmodeller av dynamiska organisatoriska och tekniska system, inklusive nätverksmodeller med motstridiga agenter, modeller för gruppbeteende och dess prognos, bedömning av intresseavvägningen och bildandet av koalitioner i dessa system, liksom utvecklingen av informationsteknik och sätt att presentera information om den yttre miljön och kunskap om intelligenta agenter.

2.2. Intelligent kontroll av rörliga föremål

Kvantitativa modeller kan inte alltid skapas för att lösa de uppsatta uppgifterna, därför använder programmet, tillsammans med traditionella metoder, metoder för artificiell intelligens. Artificiell intelligens, som ett kunskapsområde, har under de senaste femtio åren genomgått ett stort steg, både i utvecklingen och förfining av själva begreppet intelligens, och inom området för praktisk tillämpning av artificiell intelligens inom olika områden av mänsklig aktivitet: inom teknik, ekonomi, affärer, medicin, utbildning etc. Många teoretiska positioner och metoder för artificiell intelligens har förvandlats till tillämpad intelligent teknologi baserad på kunskap.

Det speciella med den moderna generationen av intelligenta system är att de förlitar sig på en komplex modell av den yttre miljön, som tar hänsyn till både kvantitativ information och kvalitativa modeller - kunskap om det möjliga beteendet hos olika objekt i den yttre miljön och deras inbördes samband. Användningen av sådana modeller blev möjlig på grund av utvecklingen av metoder för att representera kunskap, metoder för att integrera data från olika källor, en betydande ökning av datorernas hastighet och minne.

Närvaron av en modell av den yttre miljön gör det möjligt för moderna intelligenta kontrollsystem för rörliga objekt att fatta beslut under förhållanden av multikriterier, osäkerhet och risk, och kvaliteten på dessa beslut kan överstiga kvaliteten på beslut som fattas av en person under förhållanden av informationsöverbelastning , begränsad tid och stress.

I detta avseende är en brådskande uppgift att utveckla nya medel och metoder för utveckling av intelligent kontroll av rörliga föremål i närvaro av ovanstående faktorer.

2.3. Modellering och optimering av realtidsinformation och styrsystem på flera nivåer

Forskningens relevans i denna riktning beror på behovet av att utveckla metoder för analys och syntes av öppna modulära realtidsinformations- och kontrollsystem (IMS RT) på flera nivåer för flermods- och multifunktionsobjekt som arbetar under förhållanden av osäkerhet, strukturella störningar och nödsituationer (NSS). Bland dessa förvaltningsobjekt finns kritiska objekt och system för ansvarsfull användning som bestämmer statens säkerhet.

Det är uppenbart att problemen och uppgifterna med att skapa system av denna klass framgångsrikt kan lösas på grundval av utvecklingen av en enhetlig teori och tillämpade mjukvaruorienterade metoder för dynamisk och scenarioanalys och syntes av strukturen för sådana system, deras algoritmiska , programvara och informationsstöd, mekanismer för utveckling av effektiva förvaltningsinfluenser. Dessa inkluderar först och främst utvecklingen av en formaliserad metodik för design av öppna informations- och kontrollsystem, inklusive modeller och metoder för att syntetisera den modulära strukturen av objektorienterad I&C RT med en öppen arkitektur, som är optimal enligt olika effektivitet kriterier. Baserat på resultaten som erhållits vid dynamisk analys, syntetiseras en optimal funktionell modulär struktur för databehandling och kontroll, dvs den optimala sammansättningen och antalet I&C RV-moduler bestäms, systemgränssnittet syntetiseras och strukturen för dess programvara och informationsstöd för bearbetning av ingångsflöden av applikationer bestäms.

För att planera åtgärder och stödja beslutsfattande under förhållanden med osäkerhet, strukturella störningar och nödsituationer, är det tillrådligt att använda metoderna för scenarioanalys och syntes av effektiva kontrollåtgärder i IMS RV. I det här fallet kommer en matematisk modell av spridningen av strukturella störningar och nödsituationer att bildas på språket med viktade eller funktionella teckengrafer. På basis av denna modell kommer rationella scenarier för att hantera objekt att syntetiseras med hjälp av begreppen arbetsförmåga, motstånd och överlevnadsförmåga hos deras beståndsdelar. Syntesen av scenarier för att eliminera orsakerna och konsekvenserna av NSS i flerlägesmålobjekt kommer att utföras med hänsyn till dynamiskt bestämda tids- och resursbegränsningar. Det är också nödvändigt att utveckla formuleringar och metoder för att lösa omvända problem med överlevnadskontroll för multi-mode och multipurpose objekt som arbetar under förhållanden av osäkerhet, strukturella störningar och nödsituationer.

Den ovan nämnda specificiteten hos system och förvaltningsobjekt, den vetenskapliga och praktiska betydelsen av att lösa problemen med förvaltning, analys och optimering för dem gör det möjligt att formulera följande huvudmål och mål för programmet.

1.2. Huvudmål och mål

Programmets huvudmål är att lösa de grundläggande problemen med kontrollteori som hindrar genomförandet av lovande projekt av viktig statlig betydelse inom området för hantering av komplexa dynamiska och intelligenta system med applikationer för att styra rörelsen av tekniska objekt och processer inom tekniska och organisatoriska system.

Forskning kommer att utföras på följande generaliserade ämnen.

Riktning 1

· Utveckling av metoder för stabilisering av olinjära system i situationer med ofullständig mätning av koordinater och begränsningar av den tillåtna strukturen av styrkrafter.

· Utveckling av metoder för robust och adaptiv observation och kontroll under förhållanden med deterministiska, probabilistiska och andra modeller av osäkerhet för styrobjektets parametrar och den fungerande miljön.

· Utveckling av metoder och algoritmer för kvalitativ och kvantitativ analys av kontinuerliga, diskreta och multinivå kontinuerligt-diskreta dynamiska modeller och kontrollsyntes baserad på reduktionsmetoden med vektor- och matrisjämförelsefunktioner och modelltransformationer.

· Undersökning av problemet med optimal kontroll av en ny klass av mekaniska system som rör sig i motståndskraftiga medier på grund av förändringar i konfigurationen eller rörelsen hos interna kroppar.

· Utveckling av metoder för matematisk formalisering och lösning av problem med stötinteraktion av mekaniska system i närvaro av torr friktion.

· Utveckling av metoder för optimal styrning av diskret-kontinuerliga och impulsdynamiska system.

· Utveckling av metoder för garanterad kontroll av olinjära objekt utsatta för okontrollerade störningar i form av dynamiska spel.

· Utveckling av teorin om kontroll av kvantsystem.

· Utveckling av metoder och algoritmer för analys av dynamiska egenskaper såsom stabilitet, invarians, dissipativitet för bedömning av tillstånd och syntes av flernivåstyrning av system med en heterogen beskrivning av dynamiken i processer på olika nivåer.

Riktning 2.1

· Metoder för att lösa problem med kontroll av nätverkscentrerade system av stor dimension med fördelade parametrar och processer av olika skalor (i rum och tid).

· Modeller och metoder för kommunikationsnätverk decentraliserad intelligent hantering av distribuerade projekt och program.

· Metoder för att optimera strukturen i flernivåsystem och decentraliserade system.

· Metoder och strukturer för datorimplementering av nätverkscentrerad styrning i ett matematiskt homogent utrymme av distribuerad och parallell beräkning.

· Modeller och metoder för gruppbeslut baserade på ofullständig, heterogen, kvalitativ och subjektiv information.

· Modeller och metoder för planering och hantering av komplex av sammanhängande operationer i komplexa tekniska och transport- och logistiksystem.

· Utveckling av principer, arkitektur, metoder och algoritmer för att skapa distribuerade mjukvaruintelligenta system baserade på multiagentteknologier.

· Utveckling av modeller och metoder för informationshantering i nätverksstrukturer med flera agenter.

Riktning2.2

· Utveckling av generaliserade modeller för situationshantering, som återspeglar egenskaperna hos inkludering i strukturen av modeller av fuzzy, neurala nätverk och logiskt-dynamiska element.

· Utveckling av en metod för att planera rutter som ger egenskapen kommunikationsstabilitet för en grupp av kontrollerade dynamiska objekt, heterogena (kvantitativa och kvalitativa) i sin modellrepresentation.

· Utveckling av metoder för analys och syntes av adaptiva realtidsmodelleringsplattformar, med hänsyn till olinjäritet, multi-anslutning, hög dimensionalitet av kontrollobjekt med en applikation till marina mobila objekt.

· Optimering av intelligenta system för kontroll på flera nivåer av rörliga objekt i en konfliktmiljö, med hänsyn till deras gruppinteraktion, multikriterier, osäkerhet och risk.

· Utveckling av metoder för att tillhandahålla teknisk vision för intelligenta styrsystem.

· Utveckling av metoder för intelligent styrning av dynamiska objekt som utför komplex manövrering, baserat på organisering av påtvingad rörelse i systemets tillståndsrum.

Riktning2.3

· Modeller och metoder för analys och optimering av den modulära strukturen av objektorienterade flernivåinformationshanteringssystem i realtid med en öppen arkitektur under förhållanden av osäkerhet och strukturella störningar.

· Metoder för analys och optimering av lägen för elkraftsystem och deras styrning.

· Modeller och metoder för scenario-indikatormetoden för att söka efter sårbarhetspunkter för ledningsuppgifter.

· Metoder för modellering, analys och optimering av multi-mode styrprocesser av rörliga objekt.

· Utveckling av metoder och algoritmer för intelligent identifiering av icke-linjära icke-stationära objekt för att förbättra kontrolleffektiviteten genom bildandet av en teknisk kunskapsbas baserad på a priori information om kontrollobjektet.

· Geoinformationsteknik för modellering av naturliga och teknogena komplex i uppgiften att hantera ekosystem i megalopoliser.

· Analys och optimering av informationsstöd för navigations- och styrsystem.

· Modeller och metoder för att styra produktionsprocesser.

Resultaten av den utvecklade teorin och metoderna för analys och syntes av kontrollsystem kommer att användas inom följande områden:

· trafikkontroll inom flyg och astronautik, land- och sjöobjekt, fordon;

· multi-agent nätverkscentrerade system, produktionssystem, datorer, telekommunikation och andra nätverk ;

· transport- och logistiksystem ;

· Global energi, gasöverföring och andra storskaliga infrastruktursystem;

· Informationsstödsystem för ledningsuppgifter och stöd för strategiska och operativa beslut under förhållanden av ofullständig information och opposition.

Grundläggande problem med teorin om att konstruera styrsystem kräver deras intensiva utveckling. Utvecklingen av forskning i denna riktning kommer att tillåta:

Utveckling av de teoretiska grunderna för att lösa det komplexa treeniga problemet med kontroll-beräkning-kommunikation (problemet är " Kontrollera- Beräkning- Kommunikation") för komplexa informations- och kontrollsystem, inklusive villkor för begränsningar av kommunikationskanaler och fel i delsystem.

Att lösa problemen med att hantera fundamentalt nya objekt och processer relaterade till rörliga objekt, specialobjekt, tekniska och organisatoriska system;

Att skapa effektiva metoder för funktionell diagnostik och säkerställa feltoleransen för kontrollsystem för flygplan och andra rörliga föremål, såväl som den dynamiska stabiliteten hos elektriska kraftsystem;

För att förbättra kvaliteten, påskynda och minska kostnaderna för utvecklingen av designlösningar genom algoritmisering och automatisering av processen för att utveckla styrsystem.

Härefter förstås kontroll i vid mening, inklusive kommunikationsnätverk, grupp, distribuerad kontroll (i den engelskspråkiga litteraturen - kontroll i nätverk, kontroll över nätverk, distribuerad kontroll, etc.)