Управління за умов невизначеності. Реферат: Інтелектуальні системи управління Об'єкт управління інтелектуальних систем управління

Стаття також доступна (this article also available):

Вступ

Інтелектуальне управління є узагальненням семіотичного, когнітивного та інформаційного управління. В інтелектуальному управлінні транспортом виділяють напрямки: інтелектуальних транспортних систем, інтелектуального семіотичного керування та інтелектуального когнітивного керування. Інтелектуальне семіотичне управління пов'язані з різними формами логіки, системою продукції, еволюційними алгоритмами. Інтелектуальне когнітивне управління сприймається як синтез людського комп'ютерного управління з використанням асоціативних каналів та аналізу неявних знань. Інтелектуальне управління сприймається як прийняття рішень за умов невизначеності . Інтелектуальне інформаційне управління сприймається як підтримка інтелектуального управління з допомогою інформаційних технологій.

Необхідність інтелектуального управління

У міру розвитку суспільства та ускладнення об'єктів та завдань управління змінювалися та технології управління. Найбільш гостро в управлінні складними ситуаціями виявилася проблема «великих даних». Він створює інформаційний бар'єр для технологій «організаційного управління». Для сучасного управління характерне зростання слабо структурованої інформації. Це зумовлює перехід до інтелектуального управління, яке, своєю чергою, призводить до необхідності застосування технологій управління знаннями. Основою інтелектуального управління є інтелектуальні системи та інтелектуальні технології. Інтелектуальна система - це технічна або програмно-технічна система, здатна отримувати творчі розв'язання завдань, що належать до конкретної предметної галузі, знання про яку зберігаються в пам'яті такої системи. Спрощено структура інтелектуальної системи включає три основні блоки - базу знань, вирішувач та інтелектуальний інтерфейс. Вирішувач є домінуючою складовою інтелектуальної системи. У логіках першого порядку вирішувачем називають механізм отримання рішень логічних виразів. У мультиагентних системах, які належать до галузі штучного інтелекту, також використовують поняття решателя. Агентом називають вирішувач завдань, який є програмною сутністю, здатною діяти на користь досягнення поставленої мети. У символічному моделюванні вирішувачем (s-solver) називають значення спеціалізації повідомлення. Одним із перших у Росії ввів це поняття Єфімов Є.І. . З цього короткого переліку випливає важливість вирішувача для інтелектуальних систем та інтелектуальних технологій.

Інтелектуальне управління в рамках прикладної семіотики

Семіотика вивчає природу, види та функції знаків, знакові системи та знакову діяльність людини, знакову сутність природних та штучних мов з метою побудови загальної теорії знаків. У сфері семіотики існує напрямок «прикладна семіотика», основоположником якого є Д.А. Поспєлов.

У семіотиці виділяють дві сфери застосування знаків: пізнання та комунікації. Це ділить семіотику на частини: семіотика пізнання; семіотика смислових комунікацій. Основою інтелектуального управління є семіотична система. Згідно Поспелова семіотичною системою W називається впорядкована вісімка множин:

W=< T, R, A, P, τ, ρ, α, π>, (1)

де
T - безліч основних символів;
R - безліч синтаксичних правил;
A - безліч знань про предметну область;
P - безліч правил виведення рішень (прагматичних правил);
τ - правила зміни множини T;
ρ - правила зміни множини R;
α - правила зміни множини A;
π - правила зміни множини P.

Перші дві множини породжують мову системи W, а τ і ρ здійснюють його зміну. Правила α змінюють безліч знань про предметну область. Якщо вважати знання аксіомами формальної системи (яку утворюють перші чотири елементи з W), то правила α , сутнісно, ​​змінюють інтерпретацію основних символів і, отже, правильно побудованих формул мови семіотичної системи W.

Перші чотири множини утворюють формальну систему FSелементи з п'ятого по восьму утворюють правила зміни формальної системи. Цим вони забезпечують адаптацію формальної системи, «підлаштовуючи» її для вирішення завдань та проблем, які в рамках системи FSвирішити не вдається.

Таким чином, семіотична система (1) може бути визначена як складова динамічна система: W= , де FSi- Визначає стан семіотичної системи, а MFsi- Правило зміни її стану. У цьому слід зазначити, що хоча йдеться про семіотичну систему, де факто така система описує об'єкт управління, тобто стан об'єкта управління та його динаміку.

Тому семіотичній системі можна дати нову інтерпретацію. Складова динамічна система: W= FSi, який визначає стан в інформаційній ситуації чи інформаційну позицію, динамічний MFsi, Що визначає правила переходу об'єкта управління з однієї інформаційної позиції в іншу.

Правила MFsi = (τ, ρ, α, π), міняючі стан формальної системи (об'єкта управління) пов'язані залежністю, що існує в елементах семіотичного трикутника (трикутника Фреге). Це означає, що застосування одного з правил з цієї четвірки призводить до застосування правил, що залишилися.

Залежно ці складні, їх аналітичне уявлення відсутня, і це становить труднощі і є предметом дослідження семіотичних систем штучного інтелекту. Тому найпростішим є застосування інформаційного підходу та інформаційного моделювання.

Розширення формальних систем управління як динамічних компонент MFsiзабезпечують властивості відкритості систем. Вони створюють можливість адаптації об'єкта управління до управлінських впливів і зовнішніх умов, що змінюється.

Це, зокрема, дозволяють значно розширити можливості підтримки прийняття рішень за умов невизначеності, неповноти та суперечливості вихідної інформації.

Види невизначеностей під час реалізації інтелектуального управління

Традиційні методи керування, включаючи деякі види інтелектуального керування засновані на припущенні, що моделі стану та керування об'єкта точно описують його поведінку. Методи, що ґрунтуються на цьому припущенні, входять у класичну теорію управління. Однак в умовах збільшення обсягів, зростання неструктурованої інформації та впливу зовнішнього середовища характерні відхилення від цієї умови.

Практично будь-яка модель є спрощеним описом реального об'єкта, його стану та його поведінки. Ступінь спрощення може бути допустимою або створювати невизначеність. У динаміці поведінки об'єкта управління деякі характеристики об'єкта можуть змінюватися у його функціонування. Все це створює невизначеності різних моделей опису об'єкта і ускладнює керування ним, включаючи інтелектуальне. Типову модель управління, покладену основою алгоритму управління чи сукупність встановлених правил управління, називають номінальною.

У разі значної невизначеності класичні методи теорії управління виявляються непридатними чи дають незадовільні результати. У таких випадках необхідно застосування спеціальних методів аналізу та синтезу систем управління об'єктами з невизначеними моделями. Першим етапом є оцінка виду та значення невизначеності.

Виділяють основні типи невизначеностей управлінських моделей: параметрична, функціональна, структурна та сигнальна.

Параметрична невизначеність означає, що невідомими чи неточно визначеними є постійні параметри моделі. Наприклад, замість точкових значень мають місце інтервальні значення. При переході до інформаційно-вимірювальних систем можна говорити про відсутність інформаційної визначеності параметрів. Тому в багатьох випадках реальні значення параметрів можуть суттєво відрізнятись від прийнятих номінальних.

Сигнальна невизначеність означає, що на управлінський вплив або інформаційні потоки в системі управління впливають перешкоди, що істотно змінюють номінальні сигнали. Такі сигнали, що відхиляють процес управління від номінального, називають обуреннями або перешкодами. Відмінність у цьому, що перешкода пасивна і змінює лише ставлення сигнал/шум. Обурення змінює сигнал за тієї ж перешкоди.

Сучасні системи інтелектуального управління повинні забезпечувати автономну роботу багатьох пов'язаних технічних об'єктів. Це дає підстави говорити про інтелектуальну систему управління (ІСУ). Інтелектуальна система має вирішувати складні завдання, включаючи планування, мету, прогнозування та інше. Для універсальності, адаптації та точності рішень доцільно застосування багатоцільового інтелектуального управління.

Багаторівнева архітектура інтелектуальної системи управління складається з трьох рівнів: концептуального, інформаційного та операційного (рис.1). Система, побудована за такою архітектурою, керує поведінкою складних технічних об'єктів в умовах автономної та колективної взаємодії. Концептуальний рівень є відповідальним за реалізацію вищих інтелектуальних функцій

Рис.1. Багаторівневе інтелектуальне керування.

На концептуальному рівні використовується семіотичне (знакове) уявлення знань та здійснюється обмін повідомленнями з іншими рівнями. Інформаційний та операційний рівні містять модулі, що підтримують різні інтелектуальні та інформаційні процедури та трансформують їх в управління.

Основним завданням управління на концептуальному рівні є зберігання, набуття та використання концептуальних знань, представлених у семіотичному (символьному) вигляді.

Складова динамічна система: W= включає два компоненти: статичний FSiщо визначає систему знаків динамічний MFsi, Що визначає систему правил (рис.1).

Придбання знань ґрунтується на моделі реальної ситуації у зовнішньому середовищі. До вищих інтелектуальних функцій відносять функції постановки головної мети та підцілей, планування поведінки та розподілу впливів у загальному плані дій.

На інформаційному рівні управління вирішуються завдання інформаційного моделювання, основними з яких є: побудова інформаційної ситуації, інформаційної позиції, які відповідають компоненту FSi. На інформаційному рівні управління вирішуються завдання побудови інформаційної конструкції, яка є відображенням системи правил концептуального рівня та відповідає компоненту Mfsi. Мовне середовище семіотичного управління інформаційному рівні реалізується застосуванням різних інформаційних одиниць. Які є основою побудови інформаційної ситуації, інформаційної позиції та інформаційної конструкції.

На операційному (виконавчому) рівні відбувається реалізація управлінських рішень (управлінських впливів). Управлінські впливу обов'язково змінюють інформаційну позицію об'єкта управління. Управлінські впливу можуть змінювати, якщо це необхідно, інформаційну ситуацію об'єкта управління. Водночас змінювати інформаційну ситуацію найчастіше немає потреби. Основним завданням цього рівня є зміна стану та позиції об'єкта управління та повідомлення про зміни на концептуальний рівень.

Багаторівнева архітектура має низку особливостей. Вона включає ряд когнітивних функцій людини. Вона спирається використання інформаційного підходи до інтелектуального управління.

Слід зазначити різницю між інтелектуальними та інформаційними технологіями. Інформаційні технології виконують функції підтримки інтелектуального управління. Основну роль грають інтелектуальні технології прийняття рішень. Вони дають можливість поряд із рішенням або під час отримання рішення здійснювати пошук нових знань та накопичення інтелектуальних ресурсів. Інформаційні технології створюють лише інформаційні ресурси. Це означає, що знання, формалізовані у явному вигляді, будучи освоєними, можуть стати частиною досвіду та частиною бази знань та бути використані ним для вирішення завдань та прийняття рішень.

Висновок

Інтелектуальне управління є ефективним і необхідним при управлінні складними об'єктами, для яких важко або неможливо знайти формальні моделі функціонування. Основою інтелектуального управління є семіотичні моделі насамперед та інформаційні у другу. Методи інтелектуального управління різноманітні та застосовні до технічних, когнітивних та транспортних систем. Інтелектуальне управління широко застосовують для багатоцільового управління. Сучасне інтелектуальне управління інтегрують у хмарні платформи та сервіси. При управлінні розподіленими організаціями та корпораціями виникає необхідність урахування просторових відносин та просторових знань. Ще однією проблемою є обмежена кількість інтелектуальних технологій роботи з неявними знаннями. Технічно проблема управління знаннями пов'язана трансформацією інформаційних ресурсів в інтелектуальні ресурси та їх застосуванням в інтелектуальних технологіях.

бібліографічний список

УДК 004.896

І. А. Щербатов

ІНТЕЛЕКТУАЛЬНЕ УПРАВЛІННЯ РОБОТОТЕХНІЧНИМИ СИСТЕМАМИ В УМОВАХ НЕВИЗНАЧЕННОСТІ

Вступ

Інтелектуальне управління - застосування методів штучного інтелекту управління об'єктами різної фізичної природи. У сфері управління робототехнічними системами методи штучного інтелекту знаходять широке застосування. Це зумовлено, передусім, автономністю роботів та необхідністю вирішення ними неформалізованих творчих завдань за умов неповноти інформації та різних видів невизначеності.

Зазначений клас завдань донедавна залишався прерогативою природного інтелекту: оператора об'єкта управління, інженера, вченого, тобто людини. Сучасні досягнення в галузі теорії автоматичного управління, інтелектуальних методів формалізації слабоструктурованих завдань та управління складними технічними системами дозволяють реалізувати дуже складні робототехнічні системи, до яких належать мобільні роботизовані платформи, гнучкі автоматизовані лінії та андроїдні роботи.

Робототехнічні системи функціонують за умов неповноти вхідний інформації, коли принципова неможливість виміру низки параметрів накладає істотні обмеження програму управління. Це призводить до необхідності розробки бази алгоритмів, що дозволяють на основі непрямих ознак і показників, що вимірюються, розрахувати невимірювані параметри.

Невизначеність зовнішнього середовища, в якому функціонує робототехнічна система, змушує включати до складу системи управління різноманітні компенсатори, модулі адаптації, накопичення та ранжирування інформації.

Постановка задачі

Метою досліджень було формування підходів до побудови інтелектуальних систем управління робототехнічними системами, інваріантних стосовно специфіки функціонування, що враховують неповноту вхідної інформації та різні види невизначеності.

Для досягнення поставленої мети потрібно вирішити низку взаємопов'язаних завдань: провести аналіз архітектур інтелектуальних систем керування робототехнічними системами; розробити узагальнений алгоритм ситуаційної ідентифікації робототехнічної системи; розробити узагальнену схему системи керування робототехнічною системою; розробити інтелектуальні системи управління маніпуляційним роботом, мобільною роботизованою платформою та гнучкою автоматизованою лінією.

Методи дослідження

У результаті досліджень використовувалися методи загальної теорії автоматичного управління, теорії нечітких множин, нейронних мереж, системного аналізу, теорії експертних оцінок.

Розташування робототехнічної системи у зовнішньому середовищі

Для реалізації інтелектуальних алгоритмів управління першочерговою є завдання поточної ідентифікації ситуації, де знаходиться робототехнічна система. Для вирішення цього завдання розроблено структурну схему системи ситуаційної ідентифікації (рис. 1).

Блок технічного зору та сенсорного відчуття призначений для визначення змін стану зовнішнього середовища та подання сенсорної карти середовища для подальшої обробки. Сенсорна карта середовища - це образ ситуації, у якій перебуває робот у час. Інтервал часу побудови сенсорної карти вибирається з специфіки предметної області.

База знань

Оператор

Інтелектуальний

інтерфейс

Ідентифікатор

алгоритмів

Органи технічного зору та сенсорного відчуття

Зовнішнє середовище

Виконавчі

механізми

Мал. 1. Структурна схема системи ситуаційної ідентифікації

Робоча пам'ять, за аналогією з експертними системами, призначена для обробки інформації, що надходить від сенсорів та обробляється за допомогою наявної бази алгоритмів та бази знань (БЗ) робототехнічної системи.

База алгоритмів включає алгоритми передобробки сенсорної карти (цифрова обробка сигналу, розпізнавання звукових образів та зображень), обчислення невимірюваних параметрів (функціональні залежності від вимірюваних параметрів), відновлення повноти інформації (перевірка знань на повноту та суперечливість, адаптація знань з урахуванням нестаціонарності та варіації зовнішніх умов), математичні операції та ін.

База знань є складною ієрархічною структурою, що містить апріорну інформацію про зовнішнє середовище, що закладається на етапі навчання, повні та несуперечливі знання, що набувають робот у процесі функціонування та сприйняття зовнішнього середовища. Знання у БЗ ранжуються за ознаками релевантності та оновлюються з урахуванням зміни специфіки функціонування робота на підставі алгоритмів адаптації знань.

Найважливіший блок – ідентифікатор ситуації. Саме цей блок відповідає за правильне розпізнавання способу ситуації на основі сенсорної карти. Результатна інформація цього блоку є визначальною для вибору програми керування робототехнічною системою.

І нарешті, інтелектуальний інтерфейс, необхідний зв'язку з оператором. Оператор здійснює контроль функціонування робототехнічної системи, а також моніторинг процесу досягнення поставлених цілей. Як правило, спілкування робота з оператором має відбуватися з використанням природно-мовного інтерфейсу на обмеженому підмножині природної мови.

Структура системи управління робототехнічною системою за умов невизначеності

Реалізація алгоритмів та програм інтелектуального управління робототехнічними системами в умовах невизначеності пов'язана з низкою значних труднощів.

Складність алгоритмів попередньої обробки вхідної інформації та структурна невизначеність моделі поведінки самої робототехнічної системи зумовлюють надмірність структури інтелектуального управління.

Для вирішення завдання управління роботом в умовах невизначеності спроектовано наступну архітектуру системи інтелектуального управління (рис. 2).

Система ситуаційної ідентифікації (ССІ) має входити до складу будь-якої інтелектуальної системи управління робототехнічною системою. Інтелектуальний пристрій управління (ІУУ) містить у своєму складі БЗ та блок вибору програми управління (БВПУ). Призначення цього блоку - вироблення керуючого впливу системи електроприводів (ЕП), які впливають на механічну систему (МС) робота.

Мал. 2. Структурна схема системи інтелектуального керування робототехнічною системою

Системи керування промисловими маніпуляторами

Традиційні системи управління промисловими маніпуляторами поділяються кілька класів. Перший клас систем – системи програмного управління.

Система безперервного управління робочим органом маніпулятора має на увазі підрівнювання маніпулятора під еталонну модель. У такому алгоритмі управління не враховуються втрати в МС маніпулятора і приймається, що всі зусилля приводами, що розвиваються, передаються на робочий орган.

Система програмного управління силою в робочому органі застосовується для управління не тільки за вектором сили, а й за вектором положення робочого органу. Система незалежного управління переміщенням та зусиллям у робочому органі маніпулятора за різними ступенями рухливості має два контури управління зі зворотним зв'язком: за становищем і за силою.

У системі пов'язаного управління переміщенням та зусиллям у робочому органі маніпулятора завдання по вектору положення робочого органу коригується за поточним значенням сили вектора. Це означає, що при русі робочого органу величина його ходу коригується за силою на зовнішнє середовище.

Адаптивні системи управління застосовуються, коли виконуються: операції взяття довільно розташованого або об'єкта, що переміщається, дугове зварювання швів з варіюваним положенням, обхід рухомих і непередбачених перешкод. З цією метою застосовуються адаптивні системи з асоціативною пам'яттю.

Для управління промисловими маніпуляторами застосовуються також робастние системи управління, які нині знаходять широке практичне застосування.

Реалізація інтелектуального управління

Проблема функціонування робототехнічної системи за умов невизначеності є багатоаспектною.

Розглянемо завдання планування поведінки робототехнічної системи за умов невизначеності. Для її вирішення найдоцільніше застосування технології динамічних експертних систем. База знань такої експертної системи коригується з часом. Якщо застосовується продукційна база правил, то склад продукційних правил безперервно досліджується щодо повноти і несуперечності . Крім того, за рахунок адаптаційних алгоритмів здійснюється оновлення та витіснення застарілих та втратили свою актуальність правил. При цьому питанням навчання експертної системи без учителя (самонавчання) приділяється особлива увага з огляду на те, що спостереження за системою висококваліфікованого фахівця економічно недоцільне.

Блок самонавчання або самоналаштування БЗ експертної системи вимагає ретельного опрацювання на етапі проектування інтелектуальної системи управління робототехнічної системи.

мій. Саме від якості виконання цього етапу проектних робіт залежить найчастіше ефективність вирішення поставленого завдання. Він повинен включати підсистеми оцінки повноти і суперечливості знань, оцінки якості управління та корекції знань.

Хронологічно наступним етапом після планування поведінки може бути проблема видачі команд управління робототехнічної системі природною мовою. Для створення природно-мовного інтерфейсу, на нашу думку, найбільш підходящим інструментом реалізації є теорія нечітких множин.

За допомогою лінгвістичних змінних, що містять певну, заздалегідь описану терм-множину, проводиться опис предметної області, обмеженої системи команд та об'єктів, що впливають на робототехнічну систему і змінюються під її дією. Використовувані при цьому методи фазифікації та дефазифікації, а також алгоритми нечіткого логічного висновку істотно впливають на точність відпрацювання керуючих впливів та швидкість роботи робототехнічної системи.

І, насамкінець, застосування нейромережевих систем управління робототехнічними системами. Основною перевагою нейронної мережі є необхідність знати або створювати математичну модель об'єкта, оскільки нейронна мережа є універсальним нечітким апроксиматором.

Об'єкт (робототехнічна система) виступає у ролі «чорної скриньки». Нейронна мережа може виступати як еталонна модель керованої робототехнічної системи. Слід зазначити, що це має бути багатошарова нейронна мережа, що навчається (ідентифікатор об'єкта). Нейромережна модель налаштовується на об'єкт управління з неузгодженості вихідних сигналів об'єкта та моделі. Вона ж формує навчальну вибірку для підстроювання та коригування пристрою керування відповідно до обраного критерію якості.

Висновок

Проведений аналіз дозволив синтезувати архітектуру інтелектуальної системи управління робототехнічними системами, інваріантну до специфіки функціонування. Розроблений алгоритм ситуаційної ідентифікації дозволяє будувати високоінформативні сенсорні карти довкілля. Описано основні підходи щодо формування інтелектуальних систем управління робототехнічними системами. Показано напрями перспективного розвитку найбільш ефективних методів штучного інтелекту, що застосовуються для реалізації керуючих пристроїв.

СПИСОК ЛІТЕРАТУРИ

1. Юревич Є. І. Основи робототехніки. – СПб.: БХВ-Петербург, 2007. – 416 с.

2. Маніпуляційні системи роботів / за ред. А. І. Корендясєва. - М: Машинобудування, 1989. - 472 с.

3. Бурдаков С. Ф. Синтез робастних регуляторів з пружними елементами: зб. наук. тр. - № 443. Механіка та процеси управління. - СПб.: СПбДТУ, 1992.

4. Проталінський О. М. Застосування методів штучного інтелекту під час автоматизації технологічних процесів: моногр. – Астрахань: Вид-во АГТУ, 2004. – 184 с.

Стаття надійшла до редакції 13.01.2010

INTELLECTUAL MANAGEMENT ROBOTICS SYSTEMS IN THE CONDITIONS OF UNCERTAINTY

I. A. Shcherbatov

Принципом природної роботи є формування пристосування до створення intellectual control systems of robotics systems, invariant in relation to specificity of functioning, considering incompleteness of entrance information and different kinds of uncertainty. Analysis, здатна до synthesise архітектури інтелектуального управління системою робототехніки системи врізноманітнювати в відношенні до specificity функціонування є здійснено. Розроблений algorithm situational identification allows to build up good touch cards of the environment. Основні відповіді на формування intellectual control systems robotics systems described. Directions of perspective development of most effective methods of artificial artificial applied to realisation of actuation devices are shown.

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

ТЕМА 13. ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ УПРАВЛІННЯ

Нове покоління систем - інтелектуальні системи (ІВ) - викликало до життя інші принципи організації компонентів систем, з'явилися інші поняття, терміни, блоки, які раніше не зустрічалися в розробках і, отже, у науковій літературі.

Інтелектуальні системи здатні синтезувати ціль, приймати рішення до дії, забезпечувати дію для досягнення мети, прогнозувати значення параметрів результату дії та зіставляти їх із реальними, утворюючи зворотний зв'язок, коригувати ціль чи управління

На малюнку 13.1 наведено структурну схему ІС, де виділено два великі блоки системи: синтез мети та її реалізація.

У першому блоці на основі активного оцінювання інформації, отриманої від системи датчиків, за наявності мотивації та знань синтезується мета та приймається рішення до дії. Активне оцінювання інформації здійснюється під впливом сигналів пуску. Мінливість навколишнього середовища та власного стану системи може призводити до потреби в чомусь (мотивації), а за наявності знань може бути синтезована мета.

Під метою розуміється ідеальне, уявне передбачання результату діяльності. Продовжуючи активно оцінювати інформацію про довкілля та власний стан системи, зокрема об'єкта управління, зі зіставлення варіантів досягнення мети можна прийняти рішення до дії.

Далі, у другому блоці динамічна експертна система (ДЕС) на підставі поточних відомостей про навколишнє середовище та власний стан ІС за наявності мети та знань здійснює експертну оцінку, приймає рішення про управління, прогнозує результати дії та виробляє управління.

Подане в кодованому вигляді управління перетворюється на фізичний сигнал і надходить на виконавчі пристрої.

Об'єкт управління, отримуючи сигнал від виконавчих пристроїв, здійснює ту чи іншу дію, результати якого, представлені у вигляді параметрів, ланцюга зворотного зв'язку 2 надходять у ДЕС, де порівнюються з прогнозованими. Одночасно параметри результату дії, інтерпретовані відповідно до властивостей мети і що надходять до блоку I, можуть використовуватися для емоційної оцінки досягнутого результату: наприклад, мета досягнута, але результат не подобається.

Якщо ціль досягається за всіма параметрами, то керування підкріплюється. Інакше відбувається корекція управління. Коли ж ціль недосяжна, то коригується мета.

Слід зазначити, що з раптових змін стану навколишнього середовища, чи об'єкта управління, чи системи загалом можливий синтез нової мети та організація її досягнення.

Структура ІС поряд з новими елементами містить традиційні елементи та зв'язки, центральне місце у ній займає динамічна експертна система.

Блок 1 – синтез мети Блок II – реалізація мети

Малюнок 13.1 – Структурна схема ІС

Формально ІС описується такими шістьма виразами:

T X S М Т ;

T M S СТ ;

C T S R T;

Т Х= (A T)X T + (B T)U T;

T Y = (D T) X T;

T R Y З Т ,

де Т – безліч моментів часу;

X, S, M, C, R та Y - множини станів системи, навколишнього середовища, мотивації, мети, прогнозованого та реального результату;

А, В та D - матриці параметрів;

Інтелектуальні оператори перетворення, які використовують знання.

У цьому описі поєднуються уявлення об'єктів системи як безліч значень, чи безлічі висловлювань, чи якихось інших форм.

Динамічні властивості ІВ можуть бути описані у просторі станів. Інтелектуальні оператори, що реалізують сприйняття, уявлення, формування поняття, судження та умовиводи у процесі пізнання, є формальним засобом обробки відомостей та знань, а також прийняття рішення. Всі ці аспекти мають бути покладені в основу побудови ДЕС, що функціонують у реальному часі та реальному світі.

Динамічна експертна система є деяке комплексне освіту, здатне оцінювати стан системи та середовища, зіставляти параметри бажаного та реального результатів дії, приймати рішення та виробляти управління, що сприяє досягненню мети. Для цього ДЕС повинна мати запас знань і мати у своєму розпорядженні методи вирішення завдань. Знання, що передаються експертній системі, можна розділити на три категорії:

1) концептуальне (на рівні понять) знання - це знання, втілене в словах людської мови або, конкретніше, - у науково-технічних термінах і, природно, у класах і властивостях об'єктів навколишнього середовища, що стоять за цими термінами. Сюди ж входять зв'язки, відносини та залежності між поняттями та їх властивостями, причому зв'язки абстрактні, також виражені словами та термінами. Концептуальне знання - це сфера, головним чином, фундаментальних наук, враховуючи, що поняття є вищий продукт вищого продукту матерії - мозку;

2) фактуальне, предметне знання - це сукупність відомостей про якісні та кількісні характеристики конкретних об'єктів. Саме з цією категорією знання пов'язуються терміни «інформація» та «дані», хоча таке вживання цих термінів дещо принижує їхнє значення. Будь-яке знання несе інформацію та може бути представлене у вигляді даних; фактуальне знання - це те, з чим завжди мали справу обчислювальні машини і з чим вони найбільше мають справу досі. Сучасну форму накопичення даних прийнято називати базами даних. Звичайно, для організації баз даних, для пошуку потрібної інформації треба спиратися на концептуальне знання;

3) алгоритмічне, процедурне знання - це те, що прийнято називати словами «уміння», «технологія» та ін. в руки та використовуватися без участі авторів. Така реалізація алгоритмічного знання називається програмним продуктом. Найбільш поширені форми програмного продукту – пакети прикладних програм, програмні системи та інші, орієнтовані на конкретну сферу застосування ДЕС. Організація та використання пакетів прикладних програм базується на концептуальному знанні.

Зрозуміло, що концептуальне знання є вищою, визначальною категорією знання, хоча, з погляду практики, інші категорії можуть бути більш важливими.

Саме тому, мабуть, концептуальне знання рідко втілюється у формі, доступної обробки на обчислювальних машинах. А якщо втілюється, то найчастіше неповно та однобічно. Носією концептуального знання залишається здебільшого людина. Це гальмує автоматизацію багатьох процесів.

Уявлення концептуального знання, а точніше, системи, що реалізують всі три категорії знання, але виділяють концептуальне знання на перший план і працюють на основі його інтенсивного використання, називають базами знань.

Створення та широке застосування баз знань в ІВ – одне з найактуальніших завдань. Концептуальну частину бази знань будемо називати моделлю предметної галузі, алгоритмічну частину – програмною системою, а фактуальну частину – базою даних.

Наступна функція ДЕС – вирішення завдань. Завдання може бути вирішена машиною тільки в тому випадку, якщо вона формально поставлена ​​– якщо для неї написано формальну специфікацію. Остання має спиратися на деяку базу знань. Модель предметної області визначає загальну обстановку, де виникла завдання, а специфікація - зміст завдання. У сукупності вони дозволяють встановити, які абстрактні зв'язки та залежності, у яких поєднаннях та в якій послідовності повинні бути використані для вирішення задачі.

Прикладні програми являють собою конкретні засоби, що стоять за цими залежностями, а також містять алгоритми для вирішення рівнянь, що при цьому виникають. Нарешті, база даних постачає всі вихідні дані або частина їх для виконання цих алгоритмів, відсутні дані повинні утримуватися в специфікації.

Цим трьом частинам баз знань відповідають три етапи розв'язання задачі:

1) побудова абстрактної програми рішення (включаючи виникнення задачі, її постановку та специфікацію);

2) переклад завдання на відповідну машинну мову;

3) трансляція та виконання програми.

Побудова абстрактної програми пов'язана з поданням та опрацюванням концептуального знання в ІВ і за визначенням є надбанням штучного інтелекту.

Штучний інтелект пов'язують з обробкою текстів, усних повідомлень природною мовою, з аналізом та обробкою інформації (розпізнавання всіх видів зображень, доказ теорем, логічний висновок тощо).

Функціями ДЕС є також оцінка результатів розв'язання задачі, формування параметрів майбутнього результату дії, прийняття рішення про управління, вироблення управління та звірення параметрів бажаного та реального результатів. Тут передбачається моделювання процесів з метою оцінки можливих наслідків та коректності розв'язання задачі.

Зазначимо, що у реальних випадках існує проблема опису досліджуваних об'єктів. Такий опис неправомірно вважати частиною специфікації завдання, оскільки щодо одного об'єкта ставиться, зазвичай, багато завдань, що, природно, потрібно враховувати для формування бази знань. Крім того, може виявитися, що завдання не вирішити до кінця автоматично, наприклад, через неповноту специфікації або опису об'єкта.

Тому до ІС доцільний на певних стадіях інтерактивний режим роботи з ДЕС. Слід пам'ятати, що модель предметної області визначає загальну обстановку (знання), а специфікація - зміст завдання. Дуже важливими проблемами є створення єдиного програмного середовища та синтез алгоритмів безпосередньо по постановці завдання.

Залежно від мети, що стоїть перед ІВ, база знань, алгоритми розв'язання задачі, прийняття рішення, вироблення управління можуть, природно, мати різне уявлення, що залежить, у свою чергу, від характеру розв'язання задач. Відповідно до цього можна бачити три типи ДЕС. Структура ДЕС першого типу наведено малюнку 13.2.

Малюнок 13.2 – Структура ДЕС першого типу

Тут передбачається, що концептуальні та фактуальні знання точно відображають процеси та відомості, що належать до певної предметної галузі.

Тоді вирішення завдання, що виникає в цій галузі, буде отримано на основі строгих математичних методів відповідно до постановки та специфікації. Результати дослідження рішення та прогноз використовуються для отримання експертної оцінки та прийняття рішення про необхідність управління. Потім на основі відповідного алгоритму управління, що є в базі знань, формується вплив, що управляє.

Ефективність та несуперечність цього впливу, перш ніж воно надійде на об'єкт управління, оцінюється за допомогою імітаційної математичної моделі. Оцінка повинна виконуватися швидше за реальні процеси в ІС.

Однак ДЕС, що реалізують прийняття рішення, є складними програмними комплексами, призначеними для автоматичного прийняття рішення або для допомоги особам, які приймають рішення, і при оперативному управлінні складними системами та процесами, як правило, працюють в умовах жорстких тимчасових обмежень.

На відміну від ДЕС першого типу, призначених для пошуку оптимального рішення та базованих на строгих математичних методах і моделях оптимізації, ДЕС другого типу в основному орієнтовані на вирішення задач, що важко формалізуються, без повної та достовірної інформації (рис. 13.3). Тут використовуються експертні моделі, побудовані на основі знань експертів – фахівців у даній проблемній галузі, та евристичні методи пошуку рішення.

Однією з основних проблем при проектуванні ДЕС другого типу є вибір формального апарату для опису процесів прийняття рішень та побудова на його основі моделі прийняття рішень, адекватної проблемної галузі (семантично коректної). Як такий апарат зазвичай використовують продукційні системи. Однак основні дослідження ведуться в контексті алгоритмічного (детермінованого) трактування продукційної системи з властивою їй послідовною схемою пошуку рішення.

Отримані в результаті моделі часто неадекватні реальним проблемним областям, що характеризується недетермінізм процесу пошуку рішення. Вихід із цього - паралелізм під час пошуку.

Реально слід орієнтуватися на об'єднання ДЕС першого та другого типу в розрахунково-логічну ДЕС третього типу, де база знань поєднує опис у вигляді суворих математичних формул з інформацією експертів, а також відповідно – математичні методи пошуку рішення з нестрогими евристичними методами, причому вага того чи іншого компонента визначається можливістю адекватного опису предметної області та способом пошуку рішення (рис. 13.4).

Рисунок 13.3 – Структура ДЕС другого рівня

Під час розробки ДЕС виникають такі проблемы:

1. визначення складу бази знань та її формування;

2. розробка нових та використання відомих теорій та методів для опису інформаційних процесів в ІС;

3. розробка способів уявлення та організації використання знань;

4. розробка алгоритмів та програмного забезпечення з розпаралелюванням та використанням «гнучкої логіки»;

1. Знаходження відповідних обчислювальних середовищ для реалізації паралельних алгоритмів для формування ДЕС.

Рисунок 13.4 – Структура ДЕС третього рівня

Поряд з викладеним важливо відзначити, що ДЕС повинні мати властивість адаптації до динамічної проблемної галузі, здатність введення нових елементів та зв'язків в опис ситуацій, зміни правил та стратегії функціонування об'єктів у процесі прийняття рішення та вироблення управління, роботи з неповною, нечіткою та суперечливою інформацією та і т.д.

Динамічні експертні системи функціонують у складі ІВ, що мають зворотні зв'язки, і тому важливо забезпечити сталу роботу таких ІС.

З традиційних позицій вважатимуться, що тривалість реакції ДЕС на вхідні дії, тобто. час, що витрачається на обробку вхідної інформації та вироблення керуючого впливу, є чисте запізнення. На основі частотного аналізу можна оцінити зміну фазових властивостей системи і цим визначити запас стійкості. При необхідності можна коригувати систему за допомогою фільтрів.

Однак з точки зору класичної теорії управління ІВ є багатооб'єктними багатозв'язковими системами, аналіз стійкості яких звичайними способами дуже скрутний.

В даний час теорія робастного управління (-теорія управління, -управління) є однією з гілок теорії управління, що інтенсивно розвиваються. Порівняно молода (перші роботи з'явилися на початку 80-х рр.), вона виникла з нагальних практичних проблем синтезу багатовимірних лінійних систем управління, що функціонують в умовах різноманітних збурень та зміни параметрів.

Можна підійти до проблеми проектування керування реальним складним об'єктом, що функціонує в умовах невизначеності, іншим чином: не намагатись використовувати один тип керування – адаптивний чи робастний. Очевидно, слід вибирати той тип, який відповідає стану довкілля та системи, визначеному за наявною у розпорядженні системи інформації. Якщо в процесі функціонування системи можна організувати отримання інформації, доцільно використовувати її в процесі управління.

Але реалізація такого комбінованого управління донедавна наштовхувалася на непереборні труднощі щодо алгоритму вибору типу управління. Досягнуті у розробці проблем штучного інтелекту успіхи уможливлюють синтез такого алгоритму.

Справді, поставимо завдання: спроектувати систему, яка використовує адаптивне та робасте управління та здійснює вибір типу управління на основі методів штучного інтелекту. Для цього розглянемо особливості обох типів і з огляду на їх специфічні якості визначимо, як можна побудувати систему комбінованого управління.

Однією з основних понять теоретично робастного управління є поняття невизначеності. Невизначеність об'єкта відбиває неточність моделі об'єкта, причому як параметричну, і структурну.

Розглянемо докладніше форми завдання невизначеності у робастної теорії управління з допомогою простий системи - з одним входом і виходом (рисунок13.5).

Сигнали мають таку інтерпретацію: r - задає вхідний сигнал; u – вхідний сигнал (вхід) об'єкта; d – зовнішнє обурення; у - вихідний сигнал (вихід) об'єкта, що вимірюється.

Малюнок 13.5 – Система з одним входом та одним виходом

В теорії управління невизначеність зручно задавати в частотній області. Припустимо, що передатна функція нормального об'єкта Р, і розглянемо обурений об'єкт, передатна функція якого,

де W - фіксована передатна функція (вагова функція);

-довільна стійка передатна функція, що задовольняє нерівності.

Таке обурення називатимемо допустимим. Нижче наведемо деякі варіанти моделей невизначеності:

Відповідні припущення повинні бути зроблені для величин W у кожному випадку.

Невизначеність вхідних сигналів d відображає різну природу зовнішніх збурень, які діють об'єкт і регулятор. Невизначений об'єкт, таким чином, може розглядатися як безліч об'єктів.

Виберемо деяку характеристику систем із зворотним зв'язком, наприклад стійкість. Регулятор С є робастним щодо цієї характеристики, якщо нею має будь-який з безлічі об'єктів, що задаються невизначеністю.

Таким чином, поняття робастності має на увазі наявність регулятора, безлічі об'єктів та фіксацію певної характеристики системи.

У цій роботі ми не зачіпатимемо всієї безлічі завдань, які вирішуються в рамках теорії управління. Торкнемося лише завдання мінімальної чутливості: побудови такого регулятора С, який стабілізує замкнуту систему та мінімізує вплив зовнішніх збурень на вихід у, інакше кажучи, мінімізує норму матриці передавальних функцій від зовнішніх збурень до виходу.

Однією з особливостей вирішення цієї, та й усієї безлічі завдань робастного управління є той факт, що ми заздалегідь у процесі проектування регулятора закладаємо обмеження на вхідні дії та невизначеність об'єкта у вигляді нерівностей.

У процесі функціонування робастної системи інформація про невизначеності в системі не використовується для керування.

Звичайно, це призводить до того, що робасні системи консервативні і якість перехідних процесів часом не задовольняє розробників цих систем.

Подібно до робастної адаптивна система управління будується для об'єктів, інформація про які або про впливи на які недоступна на початку функціонування системи. Найчастіше властивість адаптації досягається у вигляді явному чи неявному вигляді математичної моделі об'єкта чи вхідного впливу.

Цим відрізняється як пошукове адаптивне управління, основу якого пошук і утримання екстремуму показника якості управління, і безпоисковое, основу якого компенсація відхилення фактичних змін керованих координат від бажаних змін, відповідних необхідному рівню показника якості. Далі за уточненою моделлю відбувається підстроювання адаптивного регулятора.

Таким чином, основна особливість адаптивних систем керування – можливість отримання інформації у процесі функціонування та використання цієї інформації для керування.

Більше того, в адаптивних системах завжди використовується апріорна інформація про невизначеність у системі. Це важлива відмінність адаптивного підходу від робастного.

Розглянемо найпростішу адаптивну систему управління, що забезпечує відстеження вхідного сигналу у присутності перешкоди на вході об'єкта (рисунок 13.6).

Малюнок. 13.6-Адаптивна система управління

Формальна відмінність від схеми малюнку 13.5 - блок адаптації А, який виходячи з вихідного сигналу об'єкта і сигналу, що характеризує задану якість, виробляє сигнал підстроювання коефіцієнтів адаптивного регулятора.

Маючи на увазі недоліки кожного з регуляторів, доцільно спробувати використати їх переваги, запропонувавши комбіновану схему керування об'єктом. Адаптивна система за допомогою блоку адаптації виробляє деяку інформацію про стан довкілля. Зокрема, у цьому випадку можна отримати інформацію про зовнішнє обурення d. Алгоритм управління Са відповідає поточному стану зовнішнього середовища, відповідно до закладеного в блоці адаптації критерію. Але адаптивна система вимагає, щоб вхідний сигнал rимел досить широкий частотний діапазон, і накладає жорсткі обмеження значення і частотний спектр сигналу зовнішнього обурення d. Тому адаптивні системи можуть працювати тільки у вузьких діапазонах вхідного сигналу і зовнішнього обурення d. Поза цими діапазонами адаптивна система має низьку якість управління і може навіть втратити стійкість.

Розглянуті вище властивості робастного і адаптивного управління призводять до висновку, що у процесі функціонування системи у випадках вигідно використовувати робастное управління, за іншими - адаптивне, тобто. мати можливість комбінувати управління залежно стану зовнішнього середовища.

Комбіноване керування. Основне питання під час проектування систем комбінованого управління у тому, яким чином, виходячи з яких знань (інформації) здійснювати вибір тієї чи іншої типу управління.

Найбільш широкі можливості для цього становлять методи штучного інтелекту. Їх перевага в порівнянні з простими перемикаючими алгоритмами полягає у використанні широкого спектра даних та знань для формування алгоритму вибору типу управління.

Якщо формально поєднати схеми, наведені на малюнках 13.5, 13.6, то отримаємо схему комбінованого управління (рис. 13.7).

Як видно з малюнка, сигнал керування і повинен перемикатися з робастного регулятора на адаптивний і навпаки - у міру зміни довкілля у процесі функціонування системи. Використовуючи методи теорії інтелектуальних систем можна забезпечити перехід з одного типу управління на інший залежно від умов роботи системи.

Рисунок 13.6 – Схема комбінованого керування

Розглянемо спочатку, яку інформацію можна використовуватиме роботи інтелектуального блоку системи. Як відомо, системи з одним входом та одним виходом добре описуються в частотній області. Тому природно використовувати частотні характеристики в організацію процесу прийняття рішень під час виборів типу управління.

Як зазначалося вище, частотна характеристика системи з робастним управлінням відповідає найгіршому поєднанню параметрів у сфері невизначеності. Тому робастне керування можна прийняти за одну з меж обраного керування.

Інша межа визначається можливостями досліджуваної системи (швидкість приводу, енергоозброєність тощо). Між двома межами знаходиться область, де розумно використовувати адаптивне управління.

Рисунок 13.7 – Схема комбінованого керування

Оскільки адаптивний алгоритм чутливий до початкового етапу функціонування системи, то цьому етапі доцільно використовувати робастное управління, яке досить нечутливе до швидкості зміни зовнішньої перешкоди. Але його недоліком є ​​велика тривалість перехідних процесів та великі допустимі значення вихідної координати при дії перешкоди.

Через деякий час робастне управління має сенс переключити на адаптивне.

Адаптивне керування дозволяє більш точно відстежити вхідний сигнал за наявності інформації про перешкоду. Адаптивне управління вимогливо до багатства спектра вхідного сигналу, і, наприклад, при повільно змінюються сигнали можливі зриви процесів адаптації або сильне їхнє уповільнення. У такій ситуації необхідно знову переходити на роботне керування, що гарантує стійкість роботи системи.

З вищевикладеного випливає, що для функціонування системи необхідно мати інформацію про частотний спектр корисного сигналу перешкоди та про відношення сигнал/шум.

Крім того, потрібна попередня інформація про частотний спектр, на якому працює адаптивна система, та про приватні характеристики об'єкта управління на межах області невизначеності. З цієї інформації можна сформувати базу даних, до якої інформація, індивідуальна кожному за класу об'єктів, заноситься заздалегідь. Інформація про частотний спектр корисного сигналу, перешкод і відношення сигнал/шум надходить у базу даних у міру функціонування системи і постійно оновлюється.

Вміст бази даних можна використовувати у основі знань, що формується як правил. Залежно від конкретних властивостей системи можна встановити перемикання двох типів керування. Необхідні правила формуються на одній із логічних систем, придатної для аналізованого випадку.

Маючи бази даних та знань, можна розробити механізм прийняття рішень, який забезпечуватиме правильний вибір типу управління залежно від умов функціонування системи.

Малюнок 13.8 – Структурна схема системи з інтелектуальним блоком (ІБ)

Інтелектуальна частина системи працює дискретно на заданих інтервалах часу. На малюнку 13.8 наведено структурну схему системи з інтелектуальним блоком ІБ, що забезпечує вибір типу управління.

На вхід блоку надходять сигнал rі вимірюваний вихідний сигнал об'єкта у. У блоці попередньої обробки інформації БПОІ за тимчасовими характеристиками сигналів r(t), y(t) визначаються частотні характеристики вхідного сигналу r(w) та зовнішнього обурення d(w), взаємне розташування спектрів r(w) та d(w) та характерні значення відношення сигнал/шумr(w)/d(w). Вся ця інформація надходить до бази даних БД. Блок прийняття рішення БПР, використовуючи сформовану базу знань БЗ та дані БД, виробляє рішення, відповідно до якого включається один із типів управління. На наступному інтервалі повторюється процес з використанням нових даних.

ВСТУП

Умови експлуатації сучасних технологічних комплексів призводять до необхідності обліку у процесі контролю та управління наступних видів невизначеності:

1. Низька точність оперативної інформації, одержуваної з об'єктів управління,що виникає з огляду на велику похибку датчиків виміру технологічних параметрів (витрати, тиску і т.д.), їх невисокої надійності, відмов каналів зв'язку, великого запізнення при передачі інформації за рівнями управління відсутності можливості вимірювання параметрів у всіх точках технологічного процесу, необхідних для моделей.

2. Неточність моделей об'єктів контролю та управління, Викликана: нееквівалентністю рішень системних багаторівневих ієрархічних моделей і використовуваних на практиці окремих локальних завдань; неправильно проведеної декомпозицією загальної задачі управління, зайвої ідеалізації моделі технологічного процесу, розриву суттєвих зв'язків у технологічному комплексі, лінеаризації, дискретизації, заміни фактичних характеристик обладнання паспортними, порушення припущень, прийнятих при виведенні рівнянь (стаціонарності, ізотермічності, однорідності).

3. Нечіткість у процесі прийняття рішеньу багаторівневих ієрархічних системах, зумовлена ​​тим, що наявність чітких (точних) цілей і координуючих рішень на кожному рівні контролю та управління, і для кожного локального устрою регулювання ускладнює процес координації та визначає тривалий ітеративний характер узгодження рішень.

4. Наявність людини-оператора у т.ч.диспетчера в контурі управлінняі ведення процесу координації в реальній виробничій системі природною мовою, призводить до необхідності врахування труднощів уявлення знань диспетчера у вигляді алгоритмів та узгодженості отриманого ЕОМ рішення з його оцінкою.

«Зайве прагнення до точності стало надавати дію, що зводить нанівець теорію управління та теорію систем, оскільки воно призводить до того, що дослідження в цій галузі зосереджуються на тих і лише тих проблемах, які піддаються точному рішенню. Багато класів важливих проблем, у яких дані, цілі та обмеження є надто складними або погано визначеними для того, щоб допустити точний математичний аналіз, залишалися і залишаються осторонь лише з тієї причини, що вони не піддаються математичному трактуванню».

Л.Заде

Серед сучасних виробничих процесів знайдеться чимало таких, які мають комплекс несподіваних для класичної теорії автоматичного управління (ТАУ) якостей. Цим «незручним» або, як їх прийнято називати, «слабоструктурованим»або «погано визначеним»об'єктам притаманні такі властивості, як унікальність, відсутність формалізованої мети існування та оптимальності, нестаціонарність структури та параметрів, неповнота або практично повна відсутність формального опису об'єкта.

Концептуальні засади

управління в умовах невизначеності

Фактори невизначеності,під якими розуміють джерела невизначеності, досить умовно поділяються на такі три великі групи:

1. невизначеність та неповнота інформації про обстановку, яка використовується для прийняття рішення щодо оцінки якості функціонування або формування управління функціонуванням системи - фактор невизначеності системи та середовища;

2. фактори, що породжуються невизначеністю, нечіткістю мислення та знань людини- невизначеність, що виявляється при взаємодії людини з системою та навколишнім середовищем;

3. фактори, зумовлені невизначеністю, нечіткістю(Неточністю) накопиченого знання, що зосереджується в базах знань штучних інтелектуальних систем, невизначеністю оперування цим знанням у процесі здійсненнятих чи інших логічних та логіко-алгебраїчних процедур збору та обробки інформації, вироблення, вибору та прийняття управлінських рішень.

Класифікація факторів (джерел) невизначеності, що вимагають свого обліку для дослідження складних систем, наведена на рис.В.1.

Рис.В.1. Класифікація факторів невизначеності

Методологія аналізу та обліку факторів невизначеності при

управлінні у складних організаційно-технічних системах...

(АСУ з СППР та СПР-системи підтримки прийняття рішень та системи прийняття рішень)

1. Проблеми та узагальнена формалізація завдань вироблення та при-

ня управлінських рішень в умовах невизначеності ….

2. Детерміністичний ігровий підхід прийняття рішень в умовах

віях невизначеності …………..……………..……………………..

3. Стохастичний підхід до вирішення завдань прийняття рішень у

умовах невизначеності …..………………………………………

4. Імовірнісно - статистичний підхід прийняття рішень у ус-

ловах невизначеності ……………………………………………..

5. Імовірнісний підхід прийняття рішень в умовах невизначеності

ленності …..………………………………………………………………

6. Нечітко - стохастичний підхід прийняття рішень в умовах

невизначеності ……………………………..………………………..

7. Теорія можливостей та проблема прийняття рішень в умовах

невизначеності …………………….…………………………………

8. Нечітко - можливий підхід прийняття рішень в умовах

невизначеності ……………………………………………………….

9. Лінгвістичний підхід прийняття рішень в умовах неопре-

дільності..………………………..………………………………….

Управління слабоструктурованими об'єктами представляє з погляду класичної ТАУ досить складне, практично нерозв'язне завдання. Це викликано тим, що з побудові традиційної системи автоматичного управління (САУ) необхідно попередньо формально описати об'єкт управління та сформувати критерії управління з урахуванням математичного апарату, оперує кількісними категоріями. У разі, якщо неможливо дати точний математичний опис об'єкта та критеріїв керування ним у кількісних термінах, традиційна ТАУ виявляється незастосовною.

Наприклад, класична ТАУ детермінованими та стохастичними системами успішно застосовується для побудови САУ літальними апаратами, енергетичними установками тощо, але спроби розповсюдження традиційних методів на такі галузі, як біосинтез, багатофазні хіміко-технологічні процеси, пов'язані з випалом, плавкою, каталізом і т.п., не дали відчутних практичних результатів, незважаючи на все більш ускладнюються математичні методи їх опису.

Однак, на практиці подібними слабоструктурованими об'єктами досить успішно управляє людина-оператор, якого виручають здібності спостерігати, аналізувати і запам'ятовувати інформацію, робити певні висновки і т.п., і, як наслідок, приймати правильні рішення в обстановці неповної та нечіткої інформації. Завдяки своєму інтелекту, людина може оперувати не лише з кількісними(що певною мірою може і машина), але і з якісними неформалізованими поняттями, внаслідок чого досить успішно справляється з невизначеністю та складністю процесу управління. Тому побудова моделей наближених міркувань людини та використання їх у САУ представляє сьогодні один із найважливіших напрямів розвитку ТАУ.

Не викликає сумнівів, що суттєве підвищення ефективності управління складними об'єктами полягає у створенні інтелектуальних САУ, здатних тією чи іншою мірою відтворювати певні інтелектуальні дії людини, пов'язані з придбанням, аналізом, класифікацією знань у предметній галузі управління технологічним процесом, а також оперуючими знаннями , Накопиченими людиною-оператором або самою системою в ході практичної діяльності з управління об'єктом.

Необхідність роботи в цих умовах ускладнює використання стандартних систем автоматики та АСУ ТП. Особливо складним є опис областей допустимих режимів роботи обладнання в умовах, коли завдання жорстких (чітких) обмежень для АСУ ТП і систем автоматики призводять до автоматичного або ручного відключення цих систем. Тому вкрай важливою є можливість використання для опису та формалізації областей допустимих режимів роботи обладнання теорії штучного інтелекту (ІІ) та інтелектуальних систем (ІВ).

У зв'язку з бурхливим розвитком обчислювальної техніки останнім часом почалося використання нових методів інтелектуального управління у промисловості. І хоча перші застосування інтелектуальних САУ відбулися у Європі, найінтенсивніше впроваджуються такі системи у Японії. Спектр додатків їх широкий: від управління промисловими роботами, ректифікаційними установками та доменними печами до пральних машин, пилососів та НВЧ-печей. При цьому інтелектуальні САУ дозволяють підвищити якість продукції при зменшенні ресурсів і енерговитрат і забезпечують більш високу стійкість до впливу факторів, що обурюють, порівняно з традиційними САУ.

Під інтелектуальною системою розуміється(К.А. Пупков) об'єднана інформаційним процесом сукупність технічних засобів та програмного забезпечення, що працює у взаємозв'язку з людиною (колективом людей) або автономно, здатну на основі відомостей та знань за наявності мотивації синтезувати мету, приймати рішення до дії та знаходити раціональні способи досягнення цілі.

Головна архітектурна особливість, яка вирізняє інтелектуальні системи управління (ІСУ) від "традиційних- це механізм отримання, зберігання та обробки знань для реалізації своїх функцій.

В основі створення інтелектуальних систем управління лежать два принципи: ситуаційне управління (управління на основі аналізу зовнішніх ситуацій чи подій) та використання сучасних інформаційних технологій обробки знань (експертні системи, штучні нейронні мережі, нечітка логіка, генетичні алгоритми та низка інших).

Програми №14 фундаментальних досліджень ОЕММПУ РАН

«АНАЛІЗ І ОПТИМІЗАЦІЯ ФУНКЦІОНУВАННЯ СИСТЕМ БАГАТОРІВНЬОВОГО, ІНТЕЛЕКТУАЛЬНОГО І МЕРЕЖЕВОГО УПРАВЛІННЯ В УМОВАХ НЕВИЗНАЧЕННОСТІ»

1. Обґрунтування Програми

1.1. Наукова та практична значимість

Інтенсивний розвиток техніки (мережева взаємодія, мініатюризація обчислювачів, підвищення їх швидкодії та ін.) висуває нові вимоги до сучасних систем управління та відкриває нові можливості як на рівні вбудованих систем управління (на рівні великих диспетчерських центрів), так і на рівні мережевого (комунікаційно- мережевої, групової) взаємодії децентралізованих мультиагентних систем.Системи управління все більше набувають характеру інформаційно-керуючих систем і досліджуються на стику теорій управління, обчислень і зв'язку. Так, облік властивостей каналів зв'язку (комунікації) необхідний, наприклад, у децентралізованих (багатоагентних) системах, а характеристики вбудованого обчислювача важливі при реалізації в багаторівневих системах управління таких інтелектуальних функцій, як технічний зір, планування дій, навчання, багатокритеріальне прийняття рішень, рефлексія та ін. Зокрема, інтелектуалізація управління покликана підвищити ступінь автономності функціонування систем, коли відсутність кількісних моделей динаміки або порушення у функціонуванні об'єкта управління, що викликають втрату адекватності кількісних моделей (наприклад, рівнянь, що описують еволюцію складної системи), посилюють роль якісних (так званих « знаних», наприклад, логіко-лінгвістичних) моделей об'єкта та середовища, що використовуються на верхніх рівнях системи управління.

Програма спрямована на вирішення фундаментальних проблем, що виникають у пріоритетних напрямках науки, технології та техніки Російської Федерації. Ставиться завдання отримання нових фундаментальних та прикладних результатів у галузі теорії управління складними технічними, людино-машинними та іншими системами з урахуванням невизначеності та дефіциту вихідної інформації, у тому числі: теорії аналізу та синтезу стохастичних систем, теорії створення систем управління рухом та технологічними процесами, при поточної діагностики та контролю за технічним станом, а також теорії створення автоматизованих систем проектування та інтелектуального управління на базі сучасних інформаційних технологій.

В силу різноманітності використання теорії управління, аналізу та оптимізації в різних додатках (транспортні, логістичні, виробничі, авіаційні та космічні системи, підводні та надводні кораблі та ін.) необхідно враховувати велику кількість факторів складності, таких як:

· Багаторівневість управлінь,

· Децентралізованість,

· нелінійність,

· багатозв'язковість,

· Розподіл параметрів,

· Різномасштабність процесів за простором і часом,

· Висока розмірність,

· Різнорідність опису підсистем,

· Багаторежимність,

· Наявність імпульсних впливів,

· Присутність координатно-параметричних, структурних, регулярних та сингулярних збурень,

· використання детермінованих та ймовірнісних моделей опису невизначеності інформації про вектор стану та параметри системи, про властивості помилок вимірювань та зовнішнього середовища,

· Наявність ефектів запізнення в управлінні або об'єкті,

· Загальна структурна складність сучасних систем управління.

Для досягнення поставленої мети та вирішення основних завдань Програма включає дослідження та розробки за такими основними напрямками:

1. Аналіз та оптимізація функціонування у різних тимчасових шкалах багаторівневих систем управління з неповною інформацією.

2. Управління та оптимізація у багаторівневих та децентралізованих системах організаційно-технічної природи.

2.1. Управління та оптимізація у сетецентричних системах.

2.2. Інтелектуальне управління об'єктами, що рухаються.

2.3. Моделювання та оптимізація багаторівневих інформаційно-керуючих систем реального часу.

Напрямок 1. Аналіз та оптимізація функціонування в різних тимчасових шкалах багаторівневих систем керування з неповною інформацією

Складність багатьох сучасних систем управління часто не дозволяє отримати заздалегідь повний опис процесів, що протікають усередині системи, та її взаємодії із середовищем. Як правило, реальні системи описуються нелінійними рівняннями динаміки і часто математичні моделі систем управління враховують лише допустимі області зміни параметрів і характеристик окремих елементів без конкретизації самих цих параметрів і характеристик.

Крім того, в деяких системах, зокрема, мікромеханічних і квантових, використання класичних методів опису в безперервному або дискретному часі утруднено тим, що внутрішні і/або зовнішні сили взаємодії, що виникають, а також керуючі впливи носять швидкоплинний, імпульсний характер і не піддаються точному обчисленню . Система функціонує у різних масштабах часу: реальному (повільному) і швидкому (імпульсному). Подібна тимчасова різномаштабність є внутрішньою властивістю багатьох сучасних систем керування, у тому числі систем з багаторівневим керуванням, у яких верхні рівні використовують якісні та дискретні моделі, а нижні – частіше кількісні моделі з безперервним часом.

З цієї причини розробка методів математичної формалізації опису функціонування таких систем у гібридному (безперервно-дискретному) часі, дослідження їх властивостей на предмет керованості та стійкості в умовах неповної інформації, протидії та нестандартних обмежень на управління та фазові змінні є актуальним завданням. Так само актуальним завданням є розробка методів синтезу оптимального управління подібними безперервно-дискретними системами, як детермінованими, так і стохастичними.

Крім того, в умовах невизначеності та дефіциту апріорної інформації дуже актуальними є завдання оптимізації процесу збирання та обробки інформації (управління спостереженнями та оптимальна фільтрація).

Напрямок 2. Управління та оптимізація у багаторівневих та децентралізованих системах організаційно-технічної природи

2.1. Управління та оптимізація у сетецентричних системах

Сучасні складні організаційно-технічні системи характеризуються високою розмірністю, децентралізованістю, багаторівневістю управління, необхідністю ефективного планування діяльності з урахуванням навчання, багатокритеріальності прийнятих рішень та рефлексії керованих суб'єктів.

Завдання планування та управління дискретними та безперервними розподіленими багатозв'язковими системами великої розмірності також характеризуються різномаштабністю процесів не тільки за часом, а й розподіленістю та різномаштабністю за простором і є одним з найбільш складних та трудомістких класів завдань оптимізації. З цієї причини доцільною є розробка методів дослідження та підходів до знаходження точного та наближеного рішень, а також засобів імітаційного моделювання для використання в системах підтримки прийняття рішень при плануванні, проектуванні та управлінні складними технічними, організаційними (в т. ч. транспортно-логістичними) та інформаційними системами.

Для управління груповою взаємодією компонент децентралізованих організаційно-технічних систем (сетецентричні системи, виробничі системи, обчислювальні, телекомунікаційні та інші мережі тощо) в умовах обмежень на канали зв'язку та складність обчислень велике значення мають характеристики процесів обробки інформації, а також обмеження на час прийняття рішень, обчислювальні можливості та пропускну спроможність каналів зв'язку. Тому актуальною є розробка методів оптимізації (з урахуванням перелічених обмежень) структури складних організаційно-технічних систем, у тому числі – з одночасним урахуванням багатьох критеріїв: детальності вихідних даних, оперативності збору інформації, планування та рефлексивного прийняття рішень, обмеженості продуктивності окремих обчислювачів, зниження дублювання роботи , і навіть частки допоміжних обчислень, що з обслуговуванням передачі.

Для багаторівневих та децентралізованих систем характерно розподілене прийняття рішень у реальному часі в умовах інформаційної протидії, а також неповноти та неоднорідності інформації, що часто носить багатокритеріальний якісний та суб'єктивний характер. З цієї причини необхідно розвивати методи створення адекватних систем інформаційного забезпечення та підтримки прийняття стратегічних та оперативних рішень в умовах неповної інформації та протидії. Для цього доцільна, зокрема, розробка: мультиагентних моделей динамічних організаційних та технічних систем, включаючи мережеві моделі з конфліктуючими агентами, моделей групової поведінки та її прогнозу, оцінки балансу інтересів та утворення коаліцій у цих системах, а також розвиток інформаційних технологій та засобів подання інформації про зовнішнє середовище та знання інтелектуальних агентів.

2.2. Інтелектуальне управління об'єктами, що рухаються

Для вирішення поставлених завдань далеко не завжди можуть бути створені кількісні моделі, тому поряд із традиційними методами в Програмі використовуються методи штучного інтелекту. Штучний інтелект, як область знань, зазнав за останні п'ятдесят років величезний стрибок як у розвитку та уточненні самого поняття інтелекту, так і в галузі практичного застосування штучного інтелекту в різних сферах діяльності людини: у техніці, економіці, бізнесі, медицині, освіті та ін. Багато теоретичних положень і методів штучного інтелекту перетворилися на прикладні інтелектуальні технології, засновані на знаннях.

Особливість сучасного покоління інтелектуальних систем полягає в тому, що вони спираються на складну модель зовнішнього середовища, яка враховує як кількісну інформацію, так і якісні моделі – знання про можливу поведінку різних об'єктів зовнішнього середовища та їх взаємозв'язки між собою. Застосування таких моделей стало можливим завдяки розвитку методів представлення знань, методів інтеграції даних із різних джерел, значного збільшення швидкодії та обсягів пам'яті комп'ютерів.

Наявність моделі зовнішнього середовища дозволяє сучасним інтелектуальним системам управління об'єктами, що рухаються, приймати рішення в умовах багатокритеріальності, невизначеності та ризику, а якість цих рішень може перевищувати якість рішень, що приймаються людиною, яка перебуває в умовах інформаційного навантаження, обмеженого часу і стресу.

У зв'язку з цим актуальним завданням є розробка нових засобів і методів розвитку інтелектуального управління об'єктами, що рухаються, за наявності перелічених вище факторів.

2.3. Моделювання та оптимізація багаторівневих інформаційно-керуючих систем реального часу

Актуальність досліджень у даному напрямі обумовлена ​​необхідністю розробки методів аналізу та синтезу багаторівневих відкритих модульних інформаційно-керуючих систем реального часу (ІВС РВ) багаторежимних та багатоцільових об'єктів, що функціонують в умовах невизначеності, структурних збурень та позаштатних ситуацій (НШС). Серед цих об'єктів управління є критичні об'єкти та системи відповідального застосування, що визначають безпеку держави.

Очевидно, що проблеми та завдання створення систем даного класу можуть бути успішно вирішені на основі розвитку єдиної теорії та прикладних програмно-орієнтованих методів динамічного та сценарного аналізу та синтезу структури таких систем, їх алгоритмічного, програмного та інформаційного забезпечення, механізмів вироблення ефективних управлінських впливів. До них, насамперед, відноситься розробка формалізованої методології проектування відкритих інформаційно-керуючих систем, що включає моделі та методи синтезу оптимальної за різними критеріями ефективності модульної структури об'єктно-орієнтованих ІПС РВ з відкритою архітектурою. На основі результатів, отриманих на етапі динамічного аналізу, синтезується оптимальна функціональна модульна структура обробки даних та управління, тобто визначається оптимальний склад та число модулів ІУС РВ, синтезується інтерфейс системи та визначається структура її програмного та інформаційного забезпечення для обробки вхідних потоків заявок.

Для планування дій та підтримки прийняття рішень в умовах невизначеності, структурних збурень та позаштатних ситуацій доцільно в ІКС РВ використовувати методи сценарного аналізу та синтезу ефективних керуючих впливів. При цьому математична модель поширення структурних збурень та позаштатних ситуацій буде сформована мовою зважених чи функціональних знакових графів. На основі даної моделі будуть синтезовані раціональні сценарії управління об'єктами з використанням понять потенціалу працездатності, стійкості та живучості елементів, що їх складають. Синтез сценаріїв ліквідації причин і наслідків НШС у багаторежимних цільових об'єктах буде здійснюватися з урахуванням тимчасових і ресурсних обмежень, що динамічно визначаються. Необхідно розробити також постановки та методи вирішення зворотних завдань управління живучістю багаторежимних та багатоцільових об'єктів, що функціонують в умовах невизначеності, структурних збурень та позаштатних ситуацій.

Зазначена вище специфіка систем та об'єктів управління, наукова та практична значимість вирішення для них завдань управління, аналізу та оптимізації дозволяють сформулювати такі основні цілі та завдання Програми.

1.2. Основні цілі та завдання

Основною метою Програми є вирішення фундаментальних проблем теорії управління, що стримують реалізацію перспективних проектів важливого державного значення у галузі управління складними динамічними та інтелектуальними системами з додатками до управління рухом технічних об'єктів та процесами у технологічних та організаційних системах.

Дослідження будуть проводитись за наступною узагальненою тематикою.

Напрямок 1

· Розробка методів стабілізації нелінійних систем у ситуаціях неповного виміру координат та обмежень на допустиму структуру керуючих сил.

· Розвиток методів робастного та адаптивного спостереження та управління в умовах детермінованих, ймовірнісних та інших моделей невизначеності параметрів об'єкта управління та середовища функціонування.

· Розробка методів та алгоритмів якісного та кількісного аналізу безперервних, дискретних та багаторівневих безперервно-дискретних динамічних моделей та синтезу управління на основі методу редукції з векторними та матричними функціями порівняння та модельних перетворень.

· Дослідження проблеми оптимального управління новим класом механічних систем, що переміщуються в опір середовищах за рахунок зміни конфігурації або руху внутрішніх тіл.

· Розробка методів математичної формалізації та вирішення завдань ударної взаємодії механічних систем за наявності сухого тертя.

· Розвиток методів оптимального управління дискретно-континуальними та імпульсними динамічними системами.

· Розвиток методів гарантованого управління нелінійними об'єктами, що піддаються впливу неконтрольованих збурень, у формі динамічних ігор.

· Розвиток теорії управління квантовими системами.

· Розробка способів та алгоритмів для аналізу динамічних властивостей типу стійкості, інваріантності, дисипативності для оцінювання стану та синтезу багаторівневого управління системами з різнорідним описом динаміки процесів на різних рівнях.

Напрямок 2.1

· Методи вирішення завдань управління сетецентричними системами великої розмірності з розподіленими параметрами та різномаштабністю (за простором та часом) процесів.

· Моделі та методи комунікаційно-мережевого децентралізованого інтелектуального управління розподіленими проектами та програмами.

· Методи оптимізації структури багаторівневих та децентралізованих систем.

· Методи та структури комп'ютерної реалізації сетецентричного управління в математично однорідному просторі розподілених та паралельних обчислень.

· Моделі та методи групового прийняття рішень на основі неповної, неоднорідної, якісної та суб'єктивної інформації.

· Моделі та методи планування та управління комплексами взаємопов'язаних операцій у складних технічних та транспортно-логістичних системах.

· Розробка принципів, архітектури, методів та алгоритмів створення розподілених програмних інтелектуальних систем на основі мультиагентних технологій.

· Розробка моделей та методів інформаційного управління в мультиагентних мережевих структурах.

Напрям2.2

· Розробка узагальнених моделей ситуаційного управління, що відображають особливості включення до структури моделей нечітких, нейромережевих та логіко-динамічних елементів.

· Розробка методу планування маршрутів, які забезпечують властивість комунікаційної стійкості групи керованих динамічних об'єктів, гетерогенних (кількісно-якісних) за своїм модельним уявленням.

· Розробка методів аналізу та синтезу адаптивних моделюючих платформ реального часу, що враховують нелінійність, багатозв'язковість, високу розмірність об'єктів управління з додатком до морських рухомих об'єктів.

· Оптимізація інтелектуальних систем багаторівневого управління об'єктів, що рухаються в конфліктному середовищі з урахуванням їх групової взаємодії, багатокритеріальності, невизначеності та ризику.

· Розробка методів забезпечення технічного зору систем інтелектуального управління.

· Розробка методів інтелектуального управління динамічними об'єктами, що виконують складне маневрування, на основі організації вимушеного руху у просторі станів системи.

Напрям2.3

· Моделі та методи аналізу та оптимізації модульної структури об'єктно-орієнтованих багаторівневих інформаційно-керуючих систем реального часу з відкритою архітектурою в умовах невизначеності та структурних збурень.

· Методи аналізу та оптимізації режимів електроенергетичних систем та управління ними.

· Моделі та методи сценарно-індикаторного підходу до пошуку точок уразливості для завдань управління.

· Методи моделювання, аналізу та оптимізації багаторежимних процесів управління рухомими об'єктами.

· Розробка методів та алгоритмів інтелектуальної ідентифікації нелінійних нестаціонарних об'єктів для підвищення ефективності управління за рахунок формування бази технологічних знань на основі апріорної інформації про об'єкт управління.

· Геоінформаційні технології моделювання природно-техногенних комплексів у завданнях управління екосистемами мегаполісів.

· Аналіз та оптимізація інформаційного забезпечення систем навігації та управління.

· Моделі та методи управління виробничими процесами.

Результати теорії та методів аналізу та синтезу систем управління, що розробляється, будуть використовуватися в наступних областях:

· управління рухом в авіації та космонавтиці, наземними та морськими об'єктами, транспортними засобами;

· мультиагентні сетецентричні системи, виробничі системи, обчислювальні, телекомунікаційні та інші мережі ;

· транспортно-логістичні системи ;

· Глобальні енергетичні, газотранспортні та інші великомасштабні інфраструктурні системи;

· Системи інформаційного забезпечення завдань управління та підтримки прийняття стратегічних та оперативних рішень в умовах неповної інформації та протидії.

Фундаментальні проблеми теорії побудови систем управління вимагають інтенсивної розробки. Розвиток досліджень у цьому напрямі дозволить:

Розвиток теоретичних засад вирішення комплексної триєдиної проблеми управління-обчислень-зв'язку (проблема - " Control- Computation- Communication") для складних інформаційно-керуючих систем, у т. ч. в умовах обмежень на канали зв'язку та відмов підсистем;

Вирішити проблеми управління принципово новими об'єктами і процесами, що належать до об'єктів, що рухаються, об'єктів спеціального призначення, технологічних і організаційних систем;

Створити ефективні методи функціонального діагностування та забезпечення відмовостійкості систем управління літальних апаратів та інших об'єктів, що рухаються, а також динамічної стійкості електроенергетичних систем;

Підвищити якість, прискорити та здешевити розробку проектних рішень за рахунок алгоритмізації та автоматизації процесу розробки систем управління.

Тут і далі управління розуміється у широкому розумінні, у тому числі комунікаційно-мережове, групове, розподілене управління (в англомовній літературі – control in networks, control over networks, distributed control, etc.)