ТЕМА 13. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ

Новое поколение систем - интеллектуальные системы (ИС) - вызвало к жизни другие принципы организации компонентов систем, появились иные понятия, термины, блоки, не встречавшиеся ранее в разработках и, следовательно, в научной литературе.

Интеллектуальные системы способны синтезировать цель, принимать решение к действию, обеспечивать действие для достижения цели, прогнозировать значения параметров результата действия и сопоставлять их с реальными, образуя обратную связь, корректировать цель или управление

На рисунке 13.1 приведена структурная схема ИС, где выделены два крупных блока системы: синтез цели и ее реализация.

В первом блоке на основе активного оценивания информации, полученной от системы датчиков, при наличии мотивации и знаний синтезируется цель и принимается решение к действию. Активное оценивание информации осуществляется под воздействием пусковых сигналов. Изменчивость окружающей среды и собственного состояния системы может приводить к потребности в чем-либо (мотивации), а при наличии знаний может быть синтезирована цель.

Под целью понимается идеальное, мысленное предвосхищение результата деятельности. Продолжая активно оценивать информацию об окружающей среде и собственном состоянии системы, в том числе объекта управления, при сопоставлении вариантов достижения цели можно принять решение к действию.

Далее, во втором блоке динамическая экспертная система (ДЭС) на основании текущих сведений об окружающей среде и собственном состоянии ИС при наличии цели и знаний осуществляет экспертную оценку, принимает решение об управлении, прогнозирует результаты действия и вырабатывает управление.

Представленное в кодированном виде управление преобразуется в физический сигнал и поступает на исполнительные устройства.

Объект управления, получая сигнал от исполнительных устройств, осуществляет то или иное действие, результаты которого, представленные в виде параметров, по цепи обратной связи 2 поступают в ДЭС, где сравниваются с прогнозированными. Одновременно параметры результата действия, интерпретированные в соответствии со свойствами цели и поступающие в блок I, могут использоваться для эмоциональной оценки достигнутого результата: например, цель достигнута, но результат не нравится.

Если цель достигается по всем параметрам, то управление подкрепляется. В противном случае происходит коррекция управления. Когда же цель недостижима, то корректируется цель.

Следует заметить, что при внезапных изменениях состояния окружающей среды, или объекта управления, или системы в целом возможен синтез новой цели и организация ее достижения.

Структура ИС наряду с новыми элементами содержит традиционные элементы и связи, центральное место в ней занимает динамическая экспертная система.

Блок 1 - синтез цели Блок II - реализация цели

Рисунок 13.1 – Структурная схема ИС

Формально ИС описывается следующими шестью выражениями:

T X S МТ ;

T M S СТ ;

C T S R T;

ТХ = {A T}X T + {B T}U T;

T Y = {D T} X T;

T R Y СТ ,

где Т - множество моментов времени;

X, S, M, C, R и Y - множества состояний системы, окружающей среды, мотивации, цели, прогнозируемого и реального ре­зультата;

А, В и D - матрицы параметров;

Интеллектуальные операто­ры преобразования, использующие знания.

В этом описании сочетаются представления объектов системы в виде множества значений, либо множества высказываний, либо каких-то других форм.

Динамические свойства ИС могут быть описаны в пространстве состояний. Интеллектуальные операторы, реализующие восприятие, представление, формирование понятия, суждения и умозаключения в процессе познания, являются формальным средством обработки сведений и знаний, а также принятия решения. Все эти аспекты должны быть положены в основу построения ДЭС, функционирующих в реальном времени и реальном мире.

Динамическая экспертная система есть некоторое комплексное образование, способное оценивать состояние системы и среды, сопоставлять параметры желаемого и реального результатов действия, принимать решение и вырабатывать управление, способствующее достижению цели. Для этого ДЭС должна обладать запасом знаний и располагать методами решения задач. Знания, передаваемые экспертной системе, можно разделить на три категории:

1) концептуальное (на уровне понятий) знание - это знание, воплощенное в словах человеческой речи или, конкретнее, - в научно-технических терминах и, естественно, в стоящих за этими терминами классах и свойствах объектов окружающей среды. Сюда же входят связи, отношения и зависимости между понятиями и их свойствами, причем связи абстрактные, также выраженные словами и терминами. Концептуальное знание - это сфера, главным образом, фундаментальных наук, если учитывать, что понятие есть высший продукт высшего продукта материи - мозга;

2) фактуальное, предметное знание - это совокупность сведений о качественных и количественных характеристиках конкретных объектов. Именно с этой категорией знания связываются термины «информация» и «данные», хотя такое употребление этих терминов несколько принижает их значение. Любое знание несет информацию и может быть представлено в виде данных; фактуальное знание - это то, с чем всегда имели дело вычислительные машины и с чем они больше всего имеют дело до сих пор. Современную форму накопления данных принято называть базами данных. Конечно, для организации баз данных, для поиска в них нужной информации надо опираться на концептуальное знание;

3) алгоритмическое, процедурное знание - это то, что принято называть словами «умение», «технология» и др. В вычислительном деле алгоритмическое знание реализуется в виде алгоритмов, программ и подпрограмм, но не всяких, а таких, которые могут передаваться из рук в руки и использоваться без участия авторов. Такая реализация алгоритмического знания называется программным продуктом. Наиболее распространенные формы программного продукта - пакеты прикладных программ, программные системы и другие, ориентированные на конкретную область применения ДЭС. Организация и использование пакетов прикладных программ базируется на концептуальном знании.

Ясно, что концептуальное знание является более высокой, определяющей категорией знания, хотя, с точки зрения практики, другие категории могут казаться более важными.

Именно поэтому, вероятно, концептуальное знание редко воплощается в форме, доступной для обработки на вычислительных машинах. А если воплощается, то чаще всего неполно и односторонне. Носителем концептуального знания остается в большинстве случаев человек. Это тормозит автоматизацию многих процессов.

Представления концептуального знания, а точнее, системы, реализующие все три категории знания, но выделяющие концептуальное знание на первый план и работающие на основе его интенсивного использования, называются базами знаний.

Создание и широкое применение баз знаний в ИС - одна из актуальнейших задач. Концептуальную часть базы знаний будем называть моделью предметной области, алгоритмическую часть - программной системой, а фактуальную часть - базой данных.

Следующая функция ДЭС - решение задач. Задача может быть решена машиной только в том случае, если она формально поставлена - если для нее написана формальная спецификация. Последняя должна опираться на некоторую базу знаний. Модель предметной области описывает общую обстановку, в которой возникла задача, а спецификация - содержание задачи. В совокупности они позволяют установить, какие абстрактные связи и зависимости, в каких сочетаниях и в какой последовательности должны быть использованы для решения задачи.

Прикладные программы представляют собой конкретные средства, стоящие за этими зависимостями, а также содержат алгоритмы для решения возникающих при этом уравнений. Наконец, база данных поставляет все исходные данные или часть их для выполнения этих алгоритмов, недостающие данные должны содержаться в спецификации.

Этим трем частям баз знаний соответствуют три этапа решения задачи:

1) построение абстрактной программы решения (включая возникновение задачи, ее постановку и спецификацию);

2) перевод задачи на подходящий машинный язык;

3) трансляция и выполнение программы.

Построение абстрактной программы связано с представлением и обработкой концептуального знания в ИС и по определению является достоянием искусственного интеллекта.

Искусственный интеллект связывают с обработкой текстов, устных сообщений на естественном языке, с анализом и обработкой информации (распознавание всех видов изображений, доказательство теорем, логический вывод и т.д.).

Функциями ДЭС являются также оценка результатов решения задачи, формирование параметров будущего результата действия, принятие решения об управлении, выработка управления и сличение параметров желаемого и реального результатов. Здесь предусматривается моделирование процессов для оценки возможных последствий и корректности решения задачи.

Отметим, что в реальных случаях существует проблема описания исследуемых объектов. Такое описание неправомерно считать частью спецификации задачи, поскольку относительно одного объекта ставится, как правило, много задач, что, естественно, требуется учитывать при формировании базы знаний. Кроме того, может оказаться, что возникшую задачу не решить до конца автоматически, например, из-за неполноты спецификации или описания объекта.

Поэтому в ИС целесообразен на определенных стадиях интерактивный режим работы с ДЭС. Надо помнить, что модель предметной области описывает общую обстановку (знание), а спецификация - содержание задачи. Очень важными проблемами являются создание единой программной среды и синтез алгоритмов непосредственно по постановке задачи.

В зависимости от цели, которая стоит перед ИС, база знаний, алгоритмы решения задачи, принятия решения, выработки управления могут, естественно, иметь различное представление, зависящее, в свою очередь, от характера решения задач. Соответственно этому можно видеть три типа ДЭС. Структура ДЭС первого типа приведена на рисунке 13.2.

Рисунок 13.2 – Структура ДЭС первого типа

Здесь предполагается, что концептуальные и фактуальные знания точно отражают процессы и сведения, относящиеся к некоторой предметной области.

Тогда решение задачи, возникающей в этой области, будет получено на основе строгих математических методов, в соответствии с постановкой и спецификацией. Результаты исследования решения и прогноз используются для получения экспертной оценки и принятия решения о необходимости управления. Затем на основе подходящего алгоритма управления, имеющегося в базе знаний, формируется управляющее воздействие.

Эффективность и непротиворечивость этого воздействия, прежде чем оно поступит на объект управления, оценивается с помощью имитационной математической модели. Оценка должна выполняться быстрее реальных процессов в ИС.

Однако ДЭС, реализующие принятие решения, представляют собой сложные программные комплексы, предназначенные для автоматического принятия решения или для помощи лицам, принимающим решения, и при оперативном управлении сложными системами и процессами, как правило, работают в условиях жестких временных ограничений.

В отличие от ДЭС первого типа, предназначенных для поиска оптимального решения и базирующихся на строгих математических методах и моделях оптимизации, ДЭС второго типа в основном ориентированы на решение трудно формализуемых задач в отсутствие полной и достоверной информации (рис. 13.3). Здесь используются экспертные модели, построенные на основе знаний экспертов - специалистов в данной проблемной области, и эвристические методы поиска решения.

Одной из основных проблем при проектировании ДЭС второго типа является выбор формального аппарата для описания процессов принятия решений и построение на его основе модели принятия решений, адекватной проблемной области (семантически корректной). В качестве такого аппарата обычно используют продукционные системы. Однако основные исследования ведутся в контексте алгоритмической (детерминированной) трактовки продукционной системы с присущей ей последовательной схемой поиска решения.

Получающиеся в результате модели зачастую неадекватны реальным проблемным областям, характеризующимся недетерминизмом процесса поиска решения. Выход из такого положения - параллелизм при поиске.

Реально следует ориентироваться на объединение ДЭС первого и второго типа в расчетно-логическую ДЭС третьего типа, где база знаний сочетает описание в виде строгих математических формул с информацией экспертов, а также соответственно - математические методы поиска решения с нестрогими эвристическими методами, причем вес того или другого компонента определяется возможностью адекватного описания предметной области и способом отыскания решения (рис. 13.4).

Рисунок 13.3 – Структура ДЭС второго уровня

При разработке ДЭС возникают следующие проблемы:

1. определение состава базы знаний и ее формирование;

2. разработка новых и использование известных теорий и методов для описания информационных процессов в ИС;

3. разработка способов представления и организации использования знаний;

4. разработка алгоритмов и программного обеспечения с распараллеливанием и использованием «гибкой логики»;

1. отыскание подходящих вычислительных сред для реализации параллельных алгоритмов при формировании ДЭС.

Рисунок 13.4 – Структура ДЭС третьего уровня

Наряду с изложенным важно отметить, что ДЭС должны обладать свойством адаптации к динамической проблемной области, способностью ввода новых элементов и связей в описание ситуаций, изменения правил и стратегии функционирования объектов в процессе принятия решения и выработки управления, работы с неполной, нечеткой и противоречивой информацией и т.д.

Динамические экспертные системы функционируют в составе ИС, имеющих обратные связи, и поэтому важно обеспечить устойчивую работу таких ИС.

С традиционных позиций можно считать, что длительность реакции ДЭС на входные воздействия, т.е. время, затрачиваемое на обработку входной информации и выработку управляющего воздействия, есть чистое запаздывание. На основе частотного анализа можно оценить изменение фазовых свойств системы и тем самым определить запас устойчивости. При необходимости можно произвести коррекцию системы посредством фильтров.

Однако с точки зрения классической теории управления ИС являются многообъектными многосвязными системами, анализ устойчивости которых обычными способами весьма затруднителен.

В настоящее время теория робастного управления (-теория управления, -управление) является одной из интенсивно развивающихся ветвей теории управления. Сравнительно молодая (первые работы появились в начале 80-х гг.), она возникла из насущных практических проблем синтеза многомерных линейных систем управления, функционирующих в условиях различного рода возмущений и изменения параметров.

Можно подойти к проблеме проектирования управления реальным сложным объектом, функционирующим в условиях неопределенности, другим образом: не пытаться использовать один тип управления - адаптивный или робастный. Очевидно, следует выбирать тот тип, который соответствует состоянию окружающей среды и системы, определенному по имеющейся в распоряжении системы информации. Если же в процессе функционирования системы можно организовать получение информации, целесообразно использовать ее в процессе управления.

Но реализация такого комбинированного управления до недавнего времени наталкивалась на непреодолимые трудности при определении алгоритма выбора типа управления. Достигнутые в разработке проблем искусственного интеллекта успехи делают возможным синтез такого алгоритма.

Действительно, поставим задачу: спроектировать систему, использующую адаптивное и робастное управление и осуществляющую выбор типа управления на основе методов искусственного интеллекта. Для этого рассмотрим особенности обоих типов и, учитывая их специфические качества, определим, как можно построить систему комбинированного управления.

Одним из основных понятий в теории робастного управления является понятие неопределенности. Неопределенность объекта отражает неточность модели объекта, причем как параметрическую, так и структурную.

Рассмотрим подробнее формы задания неопределенности в робастной теории управления с помощью простой системы - с одним входом и одним выходом (рисунок13.5).

Сигналы имеют следующую интерпретацию: r - задающий входной сигнал; u - входной сигнал (вход) объекта; d - внешнее возмущение; у - выходной сигнал (выход) объекта, измеряемый.

Рисунок 13.5 – Система с одним входом и одним выходом

В -теории управления неопределенность удобно задавать в частотной области. Предположим, что передаточная функциянормального объекта Р, и рассмотрим возмущенный объект, передаточная функция которого,

,

где W – фиксированная передаточная функция (весовая функция);

–произ­вольная устойчивая передаточная функция, удовлетворяющая неравенству .

Такое возмущение будем называть допустимым. Ниже приведем некоторые вари­анты моделей неопределенности:

(1+W)P; P+W; P/(1+WP); P/(1+W).

Соответствующие предположения должны быть сделаны для величин и W в каждом случае.

Неопределенность входных сигналов d отражает различную природу внешних возмущений, действующих на объект и регулятор. Неопределенный объект, таким образом, может рассматриваться как некое множество объектов.

Выберем некую характеристику систем с обратной связью, например устойчивость. Регулятор С является робастным относительно этой характеристики, если ею обладает любой из множества объектов, задаваемых неопределенностью.

Таким образом, понятие робастности подразумевает наличие регулятора, множества объектов и фиксацию определенной характеристики системы.

В этой работе мы не будем затрагивать всего множества задач, решаемых в рамках теории управления. Коснемся лишь задачи минимальной чувствительности: построения такого регулятора С, который стабилизирует замкнутую систему и минимизирует влияние внешних возмущений на выход у, иначе говоря, минимизирует норму матрицы передаточных функций от внешних возмущений к выходу у.

Одной из особенностей решения этой, да и всего множества задач робастного управления является тот факт, что мы заранее в процессе проектирования регулятора закладываем ограничения на входные воздействия и неопределенность объекта в виде неравенств .

В процессе функционирования робастной системы информация о неопределенностях в системе не используется для управления.

Естественно, это приводит к тому, что робастные системы консервативны и качество переходных процессов порой не удовлетворяет разработчиков этих систем.

Подобно робастной адаптивная система управления строится для объектов, информация о которых или о воздействиях на которые недоступна в начале функционирования системы. Чаще всего свойство адаптации достигается посредством формирования в явном или неявном виде математической модели объекта или входного воздействия.

Этим отличается как поисковое адаптивное управление, в основе которого поиск и удержание экстремума показателя качества управления, так и беспоисковое, в основе которого компенсация отклонения фактических изменений управляемых координат от желаемых изменений, соответствующих требуемому уровню показателя качества. Далее по уточненной модели происходит подстройка адаптивного регулятора.

Таким образом, основная особенность адаптивных систем управления – возможность получения информации в процессе функционирования и использования этой информации для управления.

Более того, в адаптивных системах всегда используется априорная информация о неопределенности в системе. Это принципиальное отличие адаптивного подхода от робастного.

Рассмотрим простейшую адаптивную систему управления, обеспечивающую отслеживания входного сигнала в присутствии помехи на входе объекта (рисунок 13.6).

Рисунок. 13.6–Адаптивная система управления

Формальное отличие от схемы на рисунке 13.5 - блок адаптации А, который на основании выходного сигнала объекта и сигнала, характеризующего заданное качество, вырабатывает сигнал подстройки коэффициентов адаптивного регулятора.

Имея в виду недостатки каждого из регуляторов, целесообразно попытаться использовать их достоинства, предложив комбинированную схему управления объектом. Адаптивная система при помощи блока адаптации вырабатывает некоторую информацию о состоянии внешней среды. В частности, в рассматриваемом случае можно получить информацию о внешнем возмущении d. Алгоритм управления С а соответствует текущему состоянию внешней среды, согласно заложенному в блоке адаптации критерию. Но адаптивная система требует, чтобы входной сигнал rимел достаточно широкий частотный диапазон, и накладывает жесткие ограничения на значение и частотный спектр сигнала внешнего возмущения d. Поэтому адаптивные системы могут работать только в узких диапазонах входного сигнала rи внешнего возмущения d. Вне этих диапазонов адаптивная система имеет низкое качество управления и может даже потерять устойчивость.

Рассмотренные выше свойства робастного и адаптивного управления приводят к заключению, что в процессе функционирования системы в одних случаях выгодно использовать робастное управление, в других - адаптивное, т.е. иметь возможность комбинировать управление в зависимости от состояния внешней среды.

Комбинированное управление. Основной вопрос при проектировании систем комбинированного управления заключается в том, каким образом, на основании каких знаний (информации) осуществлять выбор того или иного типа управления.

Наиболее широкие возможности для этого представляют методы искусственного интеллекта. Их преимущество по сравнению с простыми переключающими алгоритмами состоит в использовании широкого спектра данных и знаний для формирования алгоритма выбора типа управления.

Если формально объединить схемы, приведенные на рисунках 13.5, 13.6, то получим схему комбинированного управления (рисунок 13.7).

Как видно из рисунка, сигнал управления и должен переключаться с робастного регулятора на адаптивный и наоборот - по мере изменения окружающей среды в процессе функционирования системы. Используя методы теории интеллектуальных систем, можно обеспечить переход с одного типа управления на другой в зависимости от условий работы системы.

Рисунок 13.6 – Схема комбинированного управления

Рассмотрим сначала, какую информацию можно использовать для работы интеллектуального блока системы. Как известно, системы с одним входом и одним выходом хорошо описываются в частотной области. Поэтому естественно использовать частотные характеристики для организации процесса принятия решений при выборе типа управления.

Как указывалось выше, частотная характеристика системы с робастным управлением соответствует наихудшему сочетанию параметров в области неопределенности. Поэтому робастное управление можно принять за одну из границ выбираемого управления.

Другая граница определяется возможностями исследуемой системы (быстродействие привода, энерговооруженность и т.д.). Между этими двумя границами находится область, где разумно использовать адаптивное управление.

Рисунок 13.7 – Схема комбинированного управления

Так как адаптивный алгоритм чувствителен к начальному этапу функционирования системы, то на этом этапе целесообразно использовать робастное управление, которое достаточно нечувствительно к скорости изменения внешней помехи. Но его недостатком является большая длительность переходных процессов и большие допустимые значения выходной координаты при действии помехи.

По истечении некоторого времени робастное управление имеет смысл переключить на адаптивное.

Адаптивное управление позволяет более точно отследить входной сигнал при наличии информации о помехе. Адаптивное управление требовательно к богатству спектра входного сигнала, и, например, при медленно меняющихся сигналах возможны срывы процессов адаптации или сильное их замедление. В такой ситуации необходимо снова переходить на робастное управление, гарантирующее устойчивость работы системы.

Из вышеизложенного следует, что для функционирования системы необходимо иметь информацию о частотном спектре полезного сигнала помехи и об отношении сигнал/шум.

Кроме того, требуется предварительная информация о частотном спектре, на котором работает адаптивная система, и о частных характеристиках объекта управления на границах области неопределенности. Из этой информации можно сформировать базу данных, в которую информация, индивидуальная для каждого класса объектов, заносится заранее. Информация о частотном спектре полезного сигнала, помех и об отношении сигнал/шум поступает в базу данных по мере функционирования системы и постоянно обновляется.

Содержимое базы данных может быть использовано в базе знаний, которая формируется в виде правил. В зависимости от конкретных свойств системы можно установить переключения двух типов управления. Требуемые правила формируются в одной из логических систем, подходящей для рассматриваемого случая.

Имея базы данных и знаний, можно разработать механизм принятия решений, который будет обеспечивать правильный выбор типа управления в зависимости от условий функционирования системы.

Рисунок 13.8 – Структурная схема системы с интеллектуальным блоком (ИБ)

Интеллектуальная часть системы работает дискретно, на заданных интервалах времени. На рисунке 13.8 приведена структурная схема системы с интеллектуальным блоком ИБ, обеспечивающим выбор типа управления.

На вход блока поступают сигнал rи измеряемый, выходной сигнал объекта у. В блоке предварительной обработки информации БПОИ по временным характеристикам сигналов r(t), y(t) определяются частотные характеристики входного сигнала r(w) и внешнего возмущения d(w), взаимное расположение спектров r(w) и d(w) и характерные значения отношения сигнал/шумr(w)/d(w). Вся эта информация поступает в базу данных БД. Блок принятия решения БПР, используя сформированную базу знаний БЗ и данные БД, вырабатывает решение, в соответствии с которым включается один из типов управления. На следующем интервале процесс повторяется с использованием новых данных.

Статья также доступна (this article also available):

Розенберг Игорь Наумович

Интеллектуальное управление// Современные технологии управления . ISSN 2226-9339 . — . Номер статьи: 7608. Дата публикации: 2017-04-10 . Режим доступа: https://сайт/article/7608/

Введение

Интеллектуальное управление является обобщением семиотического , когнитивного и информационного управления . В интеллектуальном управлении транспортом выделяют направления: интеллектуальных транспортных систем , интеллектуального семиотического управления и интеллектуального когнитивного управления. Интеллектуальное семиотическое управление связано с разными формами логики, системой продукций, эволюционными алгоритмами. Интеллектуальное когнитивное управление рассматривается как синтез человеческого компьютерного управления с использованием ассоциативных каналов и анализа неявных знаний. Интеллектуальное управление рассматривается как средство принятия решений в условиях неопределенности . Интеллектуальное информационное управление рассматривается как поддержка интеллектуального управления с помощью информационных технологий.

Необходимость интеллектуального управления

По мере развития общества и усложнения объектов и задач управления менялись и технологии управления. Наиболее остро в управлении сложными ситуациями обнаружилась проблема «больших данных» . Она создает информационный барьер для технологий «организационного управления». Для современного управления характерен рост слабо структурированной информации. Это обуславливает переход к интеллектуальному управлению , которое, в свою очередь, приводит к необходимости применения технологий управления знаниями . Основой интеллектуального управления являются интеллектуальные системы и интеллектуальные технологии. Интеллектуальная система - это техническая или программно-техническая система, способная получать творческие решения задач, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Упрощенно структура интеллектуальной системы включает три основных блока - базу знаний, решатель и интеллектуальный интерфейс . Решатель является доминирующей составляющей интеллектуальной системы. В логиках первого порядка решателем называют механизм получения решений логических выражений . В мультиагентных системах, которые относят к области искусственного интеллекта, также используют понятие решателя. Агентом называют решатель задач, который представляет собой программную сущность, способную действовать в интересах достижения поставленных целей. В символическом моделировании решателем (s-solver) называют значение специализации сообщения. Одним из первых в России ввел это понятие Ефимов Е.И. . Из этого краткого перечня следует важность решателя для интеллектуальных систем и интеллектуальных технологий.

Интеллектуальное управление в рамках прикладной семиотики

Семиотика изучает природу, виды и функции знаков, знаковые системы и знаковую деятельность человека, знаковую сущность естественных и искусственных языков с целью построения общей теории знаков. В области семиотики существует направление «прикладная семиотика», основоположником которого является Д.А. Поспелов .

В семиотике выделяют две сферы приложения знаков: познания и коммуникации. Это делит семиотику на две части: семиотика познания; семиотика смысловых коммуникаций. Основой интеллектуального управления служит семиотическая система. Согласно Поспелову семиотической системой W называется упорядоченная восьмерка множеств:

W=< T, R, A, P, τ, ρ, α, π>, (1)

где
T — множество основных символов;
R — множество синтаксических правил;
A — множество знаний о предметной области;
P — множество правил вывода решений (прагматических правил);
τ — правила изменения множества T;
ρ — правила изменения множества R;
α — правила изменения множества A;
π — правила изменения множества P.

Первые два множества порождают язык системы W, а τ и ρ осуществляют его изменение. Правила α изменяют множество знаний о предметной области. Если считать знания аксиомами формальной системы (которую образуют первые четыре элемента из W), то правила α , по существу, изменяют интерпретацию основных символов и, следовательно, правильно построенных формул языка семиотической системы W.

Первые четыре множества образуют формальную систему FS , элементы с пятого по восьмой образуют правила изменения формальной системы. Этим они обеспечивают адаптацию формальной системы, «подстраивая» ее для решения задач и проблем, которые в рамках системы FS решить не удается.

Таким образом, семиотическая система (1) может быть определена как составная динамическая система: W=, где FSi — определяет состояние семиотической системы, а MFsi – правило смены ее состояния. В этом следует отметить, что хотя речь идет о семиотической системе, де факто такая система описывает объект управления, то есть состояние объекта управления и его динамику.

Поэтому семиотической системе можно дать новую интерпретацию. Составная динамическая система: W= FSi , который определяет состояние в информационной ситуации или информационную позицию, динамический MFsi , который определяет правила перехода объекта управления из одной информационной позиции в другую.

Правила MFsi = (τ, ρ, α, π ), меняющие состояние формальной системы (объекта управления) связаны зависимостью, существующей в элементах семиотического треугольника (треугольника Фреге) . Это означает, что применение одного из правил из этой четверки приводит к применению оставшихся правил.

Зависимости эти сложны, их аналитическое представление отсутствует, и это представляет трудность и является предметом исследования семиотических систем искусственного интеллекта. Поэтому более простым является применение информационного подхода и информационного моделирования.

Расширения формальных систем управления в виде динамических компонент MFsi обеспечивают свойства открытости систем. Они создают возможность адаптации объекта управления к управленческим воздействиям и меняющемся внешним условиям.

Это, в частности, позволяют значительно расширить возможности поддержки принятия решений в условиях неопределенности, неполноты и противоречивости исходной информации .

Виды неопределенностей при реализации интеллектуального управления

Традиционные методы управления, включая некоторые виды интеллектуального управления основаны на предположении, что модели состояния и управления объекта точно описывают его поведение. Методы, основанные на этом предположении, входят в классическую теорию управления. Однако в условиях увеличения объемов, роста неструктурированной информации и воздействия внешней среды – характерны отклонения от этого условия.

Практически любая модель представляет собой упрощенное описание реального объекта, его состояния и его поведения. Степень упрощения может быть допустимой или создавать неопределенность . В динамике поведения объекта управления некоторые характеристики объекта могут значительно изменяться в процессе его функционирования. Все это создает неопределенности различных моделей описания объекта и затрудняет управление им, включая интеллектуальное. Типовую модель управления, положенную в основу алгоритма управления или совокупность установленных правил управления, называют номинальной.

В условиях значимой неопределенности классические методы теории управления оказываются неприменимыми или дают неудовлетворительные результаты. В этих случаях необходимо применение специальных методов анализа и синтеза систем управления объектами с неопределенными моделями. Первым этапом является оценка вида и значения неопределенности.

Выделяют основные типы неопределенностей управленческих моделей: параметрическая, функциональная, структурная и сигнальная.

Параметрическая неопределенность означает, что неизвестными или неточно определенными являются постоянные параметры модели. Например, вместо точечных значений имеют место интервальные значения. При переходе к информационно измерительным системам можно говорить об отсутствии информационной определенности параметров. Поэтому во многих случаях реальные значения параметров могут существенно отличаться от принятых номинальных

Сигнальная неопределенность означает, что на управленческое воздействие или информационные потоки в системе управления воздействуют помехи существенно изменяющие номинальные сигналы. Такие сигналы, отклоняющие процесс управления от номинального называют возмущениями или помехами. Различие в том, что помеха пассивна и меняет только отношение сигнал/шум. Возмущение меняет сигнал при той же помехе.

Современные системы интеллектуального управления должны обеспечивать автономную работу множества связанных технических объектов. Это дает основание говорить об интеллектуальной системе управления (ИСУ). Интеллектуальная система должна решать сложные задачи, включая планирование, целеполагание, прогнозирование и прочее. Для универсальности, адаптации и точности решений целесообразно применение многоцелевого интеллектуального управления.

Многоуровневая архитектура интеллектуальной системы управления состоит из трех уровней: концептуального, информационного и операционного (рис.1). Система, построенная по такой архитектуре, управляет поведением сложных технических объектов в условиях автономного и коллективного взаимодействия. Концептуальный уровень является ответственным за реализацию высших интеллектуальных функций

Рис.1. Многоуровневое интеллектуальное управление.

На концептуальном уровне используется семиотическое (знаковое) представление знаний и осуществляется обмен сообщениями с остальными уровнями. Информационный и операционный уровни содержат модули, поддерживающие разные интеллектуальные и информационные процедуры и трансформирующие их в управление.

Основной задачей управления на концептуальном уровне является хранение, приобретение и использование концептуальных знаний, представленных в семиотическом (символьном) виде.

Составная динамическая система: W= включает два компонента: статический FSi , который определяет систему знаков динамический MFsi , который определяет систему правил (рис.1).

Приобретение знаний основывается на модели реальной ситуации во внешней среде. К высшим интеллектуальным функциям относят функции постановки главной цели и подцелей, планирования поведения и распределения воздействий в общем плане действий.

На информационном уровне управления решаются задачи информационного моделирования, основными из которых являются: построение информационной ситуации , информационной позиции , которые соответствуют компоненте FSi . На информационном уровне управления решаются задачи построения информационной конструкции , которая является отражением системы правил концептуального уровня и соответствует компоненте Mfsi . Языковая среда семиотического управления на информационном уровне реализуется применением различных информационных единиц. Которые служат основой построения информационной ситуации, информационной позиции и информационной конструкции.

На операционном (исполнительном) уровне происходит реализация управленческих решений (управленческих воздействий). Управленческие воздействия в обязательном порядке меняют информационную позицию объекта управления. Управленческие воздействия могут менять, если это необходимо, информационную ситуацию объекта управления. В то же время менять информационную ситуацию, чаще всего, нет необходимости. Основной задачей этого уровня изменение состояния и позиции объекта управления и сообщение об изменениях на концептуальный уровень.

Многоуровневая архитектура имеет ряд особенностей. Она включает в себя ряд когнитивных функций человека. Она опирается на использование информационного подхода к интеллектуальному управлению.

Следует отметить различие между интеллектуальными и информационными технологиями. Информационные технологии выполняют функции поддержки интеллектуального управления. Основную роль играют интеллектуальные технологии принятия решений. Они дают возможность наряду с решением или в ходе получения решения осуществлять поиск новых знаний и накопления интеллектуальных ресурсов. Информационные технологии создают только информационные ресурсы. Это означает, что знания, формализованные в явном виде, будучи освоенными, могут стать частью опыта и частью базы знаний и быть использованы им для решения задач и принятия решений.

Заключение

Интеллектуальное управление эффективно и необходимо при управлении сложными объектами, для которых трудно или невозможно найти формальные модели функционирования. Основой интеллектуального управления являются семиотические модели в первую очередь и информационные во вторую. Методы интеллектуального управления разнообразны и применимы к техническим, когнитивным и транспортным системам . Интеллектуальное управление широко применяют для многоцелевого управления . Современное интеллектуальное управление интегрируют в облачные платформы и сервисы . При управлении распределенными организациями и корпорациями возникает необходимость учета пространственных отношений и пространственных знаний. Еще одной проблемой является ограниченное количество интеллектуальных технологий работы с неявными знаниями. Технически проблема управления знаниями связана трансформацией информационных ресурсов в интеллектуальны ресурсы и их применением их в интеллектуальных технологиях.

Библиографический список

1. Поспелов Д.А. Прикладная семиотика и искусственный интеллект// Программные продукты и системы. – 1996. – №3. – C.10-13
2. Цветков В.Я. Когнитивное управление. Монография — М.: МАКС Пресс, 2017. — 72с. ISBN 978-5-317-05434-2
3. Цветков В.Я. Информационное управление. — LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Germany 2012 -201с
4. Осипов Г.С. От ситуационного управления к прикладной семиотике. Новости искусственного интеллекта. 2002, № 6.
5. Никифоров В. О., Слита О. В., Ушаков А. В. Интеллектуальное управление в условиях неопределенности. — СПб: СПбГУ ИТМО, 2011.
6. McAfee A., Brynjolfsson E. Big data: the management revolution //Harvard business review. – 2012. – №. 90. – С. 60-6, 68, 128.
7. Цветков В.Я Маркелов В.М., Романов И.А. Преодоление информационных барьеров // Дистанционное и виртуальное обучение. 2012. № 11. С. 4-7.
8. Forbes L. S., Kaiser G. W. Habitat choice in breeding seabirds: when to cross the information barrier //Oikos. – 1994. – С. 377-384.
9. Tsvetkov V. Ya. Intelligent control technology. // Russian Journal of Sociology, 2015, Vol. (2), Is. 2.-р.97-104. DOI: 10.13187/rjs.2015.2.97 www.ejournal32.com.
10. Zilouchian A., Jamshidi M. Intelligent control systems using soft computing methodologies. – CRC Press, Inc., 2000
11. Alavi M., Leidner D. E. Review: Knowledge management and knowledge management systems: Conceptual foundations and research issues //MIS quarterly. – 2001. – р.107-136.
12. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. — М.: Радио и связь, 1989. -184c.
13. De Moura L., Bjørner N. Z3: An efficient SMT solver //Tools and Algorithms for the Construction and Analysis of Systems. – Springer Berlin Heidelberg, 2008. – С. 337-340.
14. Розенберг И.Н., Цветков В.Я. Применение мультиагентных систем в интеллектуальных логистических системах. // Международный журнал экспериментального образования. – 2012. — №6. – с.107-109
15. Ефимов Е.И. Решатель интеллектуальных задач — М.: Наука, Главная редакция физико-математической литературы, 1982. – 320с.
16. Поспелов Д.А., Осипов Г.С. Прикладная семиотика // Новости искусственного интеллекта. — 1999. — №1.
17. Цветков В.Я. Информационная неопределенность и определенность в науках об информации // Информационные технологии. — 2015. — №1. -с.3-7
18. Tsvetkov V. Yа. Dichotomic Assessment of Information Situations and Information Superiority // European researcher. Series A. 2014, Vol.(86), № 11-1, pp.1901-1909. DOI: 10.13187/er.2014.86.1901
19. Tsvetkov V. Ya. Information Situation and Information Position as a Management Tool // European researcher. Series A. 2012, Vol.(36), 12-1, p.2166- 2170
20. Tsvetkov V. Ya. Information Constructions // European Journal of Technology and Design. -2014, Vol (5), № 3. — p.147-152
21. 22. Поспелов Д.А. Семиотические модели: успехи и перспективы// Кибернетика. – 1976. – №6. – С.114-123.
22. 23. Поспелов Д.А. Семиотические модели в управлении. Кибернетика. Дела практические. — М.: Наука, 1984. – С.70-87
23. Осипов Г. С. и др. Интеллектуальное управление транспортными средствами: стандарты, проекты, реализации //Авиакосмическое приборостроение. – 2009. – №. 6. – С. 34-43.
24. Снитюк В. Е., Юрченко К. Н. Интеллектуальное управление оцениванием знаний //ВЕ Снитюк, КН Юрченко.− Черкассы. – 2013.
25. Пугачев И. Н., Маркелов Г. Я. Интеллектуальное управление транспортными системами городов //Транспорт и сервис: сб. науч. трудов.–Калининград: Изд-во имени И. Канта. – 2014. – №. 2. – С. 58-66.
26. Атиенсия В., Дивеев А. И. Синтез интеллектуальной системы многоцелевого управления //Современные проблемы науки и образования. – 2012. – №. 6.
27. Грибова В. В. и др. Облачная платформа для разработки и управления интеллектуальными системами //Международная научно-техническая конференция «Открытые семантические технологии проектирования интеллектуальных систем»(OSTIS-2011).-Минск: БГУИР. – 2011. – С. 5-14.

ВВЕДЕНИЕ

Условия эксплуатации современных технологических комплексов приводят к необходимости учета в процессе контроля и управления следующих видов неопределенности:

1. Низкая точность оперативной информации, получаемой с объектов управления, возникающая ввиду большой погрешности датчиков замера технологических параметров (расхода, давления и т.д.), их невысокой надежности, отказов каналов связи, большого запаздывания при передаче информации по уровням управления отсутствия возможности замеров параметров во всех точках технологического процесса, необходимых для моделей.

2. Неточность моделей объектов контроля и управления , вызванная: неэквивалентностью решений системных многоуровневых иерархических моделей и используемых на практике отдельных локальных задач; неверно проведенной декомпозицией общей задачи управления, излишней идеализации модели технологического процесса, разрыва существенных связей в технологическом комплексе, линеаризации, дискретизации, замены фактических характеристик оборудования паспортными, нарушения допущений, принятых при выводе уравнений (стационарности, изотермичности, однородности и т.д.).

3. Нечеткость в процессе принятия решений в многоуровневых иерархических системах, обусловленная тем, что наличие четких (точных) целей и координирующих решений на каждом уровне контроля и управления, и для каждого локального устройства регулирования затрудняет процесс координации и предопределяет длительный итеративный характер согласования решений.

4. Наличие человека-оператора в т.ч.диспетчера в контуре управления и ведение процесса координации в реальной производственной системе на естественном языке, приводит к необходимости учета трудностей представления знаний диспетчера в виде алгоритмов и согласованности полученного ЭВМ решения с его оценкой.

«Излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются на тех и только тех проблемах, которые поддаются точному решению . Многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне лишь по той причине, что они не поддаются математической трактовке».

Л.Заде

Среди современных производственных процессов найдется немало таких, которые обладают комплексом неожиданных для классической теории автоматического управления (ТАУ) качеств. Этим «неудобным» или, как их еще принято называть, «слабоструктурированным» или «плохо определенным» объектам присущи такие свойства, как уникальность, отсутствие формализуемой цели существования и оптимальности , нестационарность структуры и параметров , неполнота или практически полное отсутствие формального описания объекта .

Концептуальные основы

управления в условиях неопределённости

Факторы неопределённости, под которыми понимают источники неопределенности, достаточно условно подразделяются на следующие три большие группы:

1. неопределенность и неполнота информации об обстановке , которая используется для принятия решения по оценке качества функционирования или формирования управления функционированием системы - фактор неопределенности системы и среды ;

2. факторы, порождаемые неопределенностью, нечеткостью мышления и знаний человека - неопределенность, проявляющаясяпри взаимодействии человека с системой и окружающей его средой;

3. факторы, обусловленные неопределенностью , нечеткостью (неточностью) накопленного знания , сосредотачиваемого в базахзнаний искусственных интеллектуальных систем, неопределенностью оперирования этим знанием в процессе осуществления тех или иныхлогических и логико-алгебраических процедур сбора и обработки информации, выработки, выбора и принятия управленческих решений.

Классификация факторов (источников) неопределённости , требующих своего учёта при исследовании сложных систем, приведена на рис.В.1.

Рис.В.1. Классификация факторов неопределенности

Методология анализа и учёта факторов неопределённости при

управлении в сложных организационно-технических системах...

(АСУ с СППР и СПР-системы поддержки принятия решений и системы принятия решений)

1. Проблемы и обобщённая формализация задач выработки и при-

нятия управленческих решений в условиях неопределённости ….

2. Детерминистический игровой подход принятия решений в усло-

виях неопределённости …………..……………..……………………..

3. Стохастический подход к решению задач принятия решений в

условиях неопределённости …..………………………………………

4. Вероятностно - статистический подход принятия решений в ус-

ловиях неопределённости ……………………………………………..

5. Вероятностный подход принятия решений в условиях неопреде-

лённости …..………………………………………………………………

6. Нечётко - стохастический подход принятия решений в условиях

неопределённости ……………………………..………………………..

7. Теория возможностей и проблема принятия решений в условиях

неопределённости …………………….…………………………………

8. Нечётко - возможностный подход принятия решений в условиях

неопределённости ……………………………………………………….

9. Лингвистический подход принятия решений в условиях неопре-

делённости..………………………..………………………………….

Управление слабоструктурированными объектами представляет с точки зрения классической ТАУ довольно сложную, практически неразрешимую задачу. Это вызвано тем, что при построении традиционной системы автоматического управления (САУ) необходимо предварительно формально описать объект управления и сформировать критерии управления на базе математического аппарата, оперирующего количественными категориями. В случае, если невозможно дать точное математическое описание объекта и критериев управления им в количественных терминах, традиционная ТАУ оказывается неприменимой.

К примеру, классическая ТАУ детерминированными и стохастическими системами успешно применяется для построения САУ летательными аппаратами, энергетическими установками и т.п., но попытки распространения традиционных методов на такие области, как биосинтез, многофазные химико-технологические процессы, связанные с обжигом, плавкой, катализом и т.п., не дали ощутимых практических результатов, несмотря на все более усложняющиеся математические методы их описания.

Однако, на практике подобными слабоструктурированными объектами достаточно успешно управляет человек-оператор , которого выручают способности наблюдать, анализировать и запоминать информацию, делать определенные выводы и.т.п., и, как следствие, принимать правильные решения в обстановке неполной и нечеткой информации. Благодаря своему интеллекту, человек может оперировать не только с количественными (что в определенной степени может и машина), но и с качественными неформализованными понятиями , вследствие чего довольно успешно справляется с неопределенностью и сложностью процесса управления. Поэтому построение моделей приближенных рассуждений человека и использование их в САУ представляет сегодня одно из важнейших направлений развития ТАУ.

Не вызывает сомнений, что существенное повышение эффективности управления сложными объектами заключается в создании интеллектуальных САУ, способных в той или иной степени воспроизводить определенные интеллектуаль-ные действия человека, связанные с приобретением, анализом, классификацией знаний в предметной области управления технологическим процессом, а также оперирующих знаниями, накопленными человеком-оператором или самой системой в ходе практической деятельности по управлению объектом.

Необходимость работы в этих условиях затрудняет использование стандартных систем автоматики и АСУ ТП . Особенно сложным является описание областей допустимых режимов работы оборудования в таких условиях, когда задание жестких (четких) ограничений для АСУ ТП и систем автоматики приводят к автоматическому или ручному отключению этих систем. Поэтому крайне важной представляется возможность использования для описания и формализации областей допустимых режимов работы оборудования теории искусственного интеллекта (ИИ) и интеллектуальных систем (ИС).

В связи с бурным развитием вычислительной техники в последнее время началось использование новых методов интеллектуального управления в промышленности . И хотя первые применения интеллектуальных САУ состоялись в Европе, наиболее интенсивно внедряются такие системы в Японии. Спектр приложений их широк: от управления промышленными роботами, ректификационными установками и доменными печами до стиральных машин, пылесосов и СВЧ-печей. При этом интеллектуальные САУ позволяют повысить качество продукции при уменьшении ресурсо и энергозатрат и обеспечивают более высокую устойчивость к воздействию возмущающих факторов по сравнению с традиционными САУ.

Под интеллектуальной системой понимается (К.А. Пупков) объединенная информационным процессом совокупность технических средств и программного обеспечения, работающую во взаимосвязи с человеком (коллективом людей) или автономно, способную на основе сведений и знаний при наличии мотивации синтезировать цель, принимать решение к действию и находить рациональные способы достижения цели.

Главная архитектурная особенность, которая отличает интеллектуальные системы управления (ИСУ) от "традиционных " – это механизм получения, хранения и обработки знаний для реализации своих функций.

В основе создания интеллектуальных систем управления лежат два принципа: ситуационное управление (управление на основе анализа внешних ситуаций или событий) и использование современных информационных технологий обработки знаний (экспертные системы, искусственные нейронные сети, нечеткая логика, генетические алгоритмы и ряд других).

Понятия: интеллектуальная система (ИнтС), интеллектуальная система управления (ИнтСУ)

Понятие «интеллектуальная система» интерпретируется разными исследователями по-разному. Рассмотрим основные из них, с включением сопутствующих пояснений.

Интеллектуальная система - это информационновычислительная система с интеллектуальной поддержкой при решении задач без участия оператора (лица, принимающего решение - ЛПР). Интеллектуализированная система - это информационновычислительная система с интеллектуальной поддержкой при решении задач с участием оператора - ЛПР. Основные интеллектуальные технологии, включая искусственные нейронные сети (ИНС), генетические алгоритмы, нечеткую логику, могут эффективно использоваться при создании систем управления. При этом целесообразность их использования определяется способностью реализовывать распределенные схемы выполнения вычислений, что позволяет расширить пространство поиска без значительного увеличения сложности необходимых вычислений; возможностью описания процессов управления средствами «простого» языка, близкого к естественному; возможностью неаналитического представления нелинейных объектов управления и описания процессов, характеризующихся неоднозначностью и большим количеством особых ситуаций; способностью осуществлять быстрый поиск в пространстве решений плохо формализованных задач.

Интеллектуальные системы это системы, основанные на знаниях (knowledge-based system). При обработке на ЭВМ знания трансформируются аналогично данным : 1) Знания в памяти человека как результат мышления. 2) Материальные носители знаний (учебники, методические пособия). 3) Поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих. 4) Представление знаний на базе какой-либо модели (продукционной, семантической, фреймовой или другой). Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если , то ». Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними. Фреймом называется структура данных для представления некоторого концептуального объекта. 5) База знаний на машинных носителях информации. При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода (механизм рассуждений, машина логического вывода, дедуктивная машина, интерпретатор, интерпретатор правил, решатель). Машина вывода работает циклически. В каждом цикле она просматривает существующие факты из рабочей памяти (базы данных) и правила из базы знаний, а затем их сопоставляет. Совокупность отобранных правил составляет так называемое конфликтное множество (то есть, в конкретной ситуации может быть применено сразу несколько правил). Для разрешения конфликта машина вывода имеет критерий, с помощью которого она выбирает единственное правило, после чего оно срабатывает. Это выражается в занесении фактов (рекомендуемых действий), образующих заключение правила, в рабочую память или в изменении критерия выбора конфликтующих правил. Если же в заключение правила входит название какого-нибудь действия, то оно срабатывает. Машина вывода основана на принципе modus ponens, который трактуется следующим образом: «Если известно, что истинно утверждение А и существует правило вида «если А, то В», тогда утверждение В истинно».

Под интеллектуальными системами понимают любые биологические, искусственные или формальные системы, проявляющие способность к целенаправленному поведению. Последнее включает свойства (проявления) общения, накопления знаний, принятия решений, обучения, адаптации. В основе исследований в области искусственного интеллекта лежит подход, связанный со знаниями. Опора на знания - базовая парадигма искусственного интеллекта. В работе трактовки знаний объединены в четыре группы (или уровня): психологическую, интеллектуальную, формально-логическую и информационно-технологическую. Психологическая трактовка знаний - психические образы, мысленные модели. Интеллектуальная трактовка знаний - совокупность сведений о некоторой предметной области, включающих факты об объектах данной предметной области, свойства этих объектов и связывающих их отношениях, описания процессов, протекающих в данной предметной области, а также информацию о способах решения типовых задач. Формально-логическая трактовка -формализованная информация о некоторой предметной области, используемая для получения (вывода) новых знаний об этой предметной области с помощью специализированных процедур. Информационнотехнологическая трактовка - структурная информация, хранящаяся в памяти ЭВМ и используемая при работе интеллектуальных программ.

В работах Д.А. Поспелова и его коллег описаны следующие концептуальные свойства знаний: внутренняя интерпретируемость, понимаемая как наличие уникальных имен, идентифицирующих каждую информационную единицу; структурированность, которая обуславливает возможность рекурсивной вло- жимости отдельных информационных единиц друг в друга; внешняя связность, задающая возможность установления функциональных, казуальных и других типов отношений между информационными единицами; шкалируемость, характеризующая возможность введения различных метрик для фиксации количественных, порядковых и иных соотношений информационных единиц; активность , отражающая способность инициировать выполнение некоторых целесообразных действий при появлении новой информации.

Интеллектуальная информационная система (или система, основанная на знаниях) основана на концепции использования базы знаний для генерации вариантов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях, используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабоструктурированных проблем.

В прикладной теории интеллектуальных систем (ИнтС) система управления рассматривается только в тесном взаимодействии с окружающем ее внешним миром, а интеллектуальная система интерпретируется как совокупность активных субъектов и противостоящих им объектов (субъектов), порождаемая либо ситуационной возможностью активного существования субъекта, либо целевой задачей некоторого системного или внесистемного субъекта, причем все элементы любой природы, составляющие интеллектуальную систему, находятся под воздействием общего для них внешнего мира.

В работе А.В. Тимофеева и Р.М. Юсупова сказано, что ИнтСУ включают элементы искусственного интеллекта, позволяющие формировать понятия и накапливать знания, планировать поведение и принимать решения в неопределенных условиях, распознавать образы и формировать модель окружающей среды. Введение элементов интеллекта в системы автоматического управления (САУ) существенно расширяет их функциональные возмож- ности по сравнению с адаптивными САУ. В результате интеллектуализации САУ обретают способность решать некоторые виды интеллектуальных задач, которые обычно возлагались на человека. Поэтому ИнтСУ все шире используются в тех случаях, когда обстановка не допускает (не оправдывает) непосредственное участие человека-оператора в процессе управления или когда необходимо уменьшить напряженность труда оператора при работе объекта управления в штатных режимах.

Необходимость в интеллектуализации САУ обычно возникает в тех случаях, когда объекты управления сложны (например, объекты с нелинейной динамикой, функционирующие в условиях неопределенности), а их описание и взаимодействие со средой плохо поддается структуризации и формализации. Неполнота описания проявляется как в априорной неопределенности модели объекта и среды, так и в неопределенности и многообразии целей управления. Часто описание поведения таких объектов носит размытый характер и содержит информацию качественного характера (экспертные оценки, правдоподобные выводы, функции принадлежности). Решение задач управления в подобных условиях невозможно без привлечения методов искусственного интеллекта, то есть без интеллектуализации САУ .

Таким образом, интеллектуализация САУ сводится к представлению и обработке знаний о среде, объекте и системе управления с использованием необходимых средств обучения и адаптации. Эти знания и средства позволяют уточнять модель объекта управления и окружающей среды и придают САУ принципиально новые свойства, аналогичные интеллектуальным способностям человека- оператора или эксперта. Характерными чертами ИнтСУ являются их способности к обучению и самообучению посредством формирования знаний, к синтезу и идентификации моделей поведения, к распознаванию и анализу ситуаций, самоорганизации и адаптации по отношению к разного рода факторам. Эти способности позволяют компенсировать различные факторы внутренней и внешней неопределенности, возникающие в процессе эксплуатации САУ, и благодаря этому улучшить или оптимизировать качество управления .

Следуя , ИнтСУ будем называть такую систему, в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия управляющих решений так, что качество управления улучшается. Отметим, что процессы обучения и адаптации могут происходить либо в отрыве от процесса управления (например, в режиме обучения с учителем, в роли которого обычно выступает человек-оператор или эксперт), либо непосредственно в процессе автоматического управления в реальном режиме времени.

Рассмотрим особенности функциональной структуры типичных представителей класса интеллектуальных систем управления, интерпретируя их применительно к технологическим объектам управления (агрегатам, машинам, комплексам машин).

Один из выходов в сложившейся ситуации заключается в использовании методов интеллектуального управления, которые предполагают отказ от:

• - необходимости получения точной математической модели объекта;
• - ориентации на применение “жёстких” (как правило, линейных) алгоритмов формирования управляющих воздействий;
• - стремления во что бы то ни стало воспользоваться известными разработчику методиками синтеза, ранее положительно зарекомендовавшими себя для других, более простых классов объектов.

Прежде чем перейти к интеллектуальному управлению нельзя не отметить признанные в мире и ставшие классическими тенденции управления станками, разработанные отечественными научными школами. Это работы Балакшина Б.С., Базрова Б.М., Бжозовского Б.М., Горнева В.Ф., Морозова В.П., Колосова В.Г., Ратмирова В.А., Соломенцева Ю.М., Пуша В.Э., Сосонкина В.Л., Тимирязева В.А., Заковоротного В.Л., Тугенгольда А.К. и др. . В частности, созданию систем адаптивного управления станками по показателям качества изготовления изделий посвящены работы . Гибкие автоматизированные производства (ГАП), позволяющие уменьшить затраты, повысить надёжность и гибкость (способность к переналаживанию) функционирования при частой смене управляющих программ, подробно излагаются в работах . Создание программ ЧПУ и особенности их реализации в составе интегрированного автоматизированного производства рассматриваются в .

Подробный анализ современных методов управления технологическими процессами и оборудованием приведён в работе , где показаны достижения современной теории управления, в частности, использования методов аналитического конструирования регуляторов (Летов А.М. и др.), модального управления (Поспелов Г.С. и др.), обратных задач динамики (Крутько П.Д. и др.), инвариантного управления (Щипанов Г.В., Кулебакин В.С., Петров Б.Н. и др.), адаптивного управления (Ципкин Я.Д. и др.) и пр. Отмечено, что вершиной представлений при синтезе систем управления является аналитическое конструирование регуляторов. Принципиально иной путь построения систем управления, опирающийся на синергетическую теорию управления, описан в . Принципы эволюционных преобразований и самоорганизации, опирающиеся на синергетический подход, в управляющей системе, координаты состояния которой взаимодействуют со средами, излагаются в работах . Все названные подходы и принципы синтеза систем управления имеют свои достоинства и недостатки, но общим для них всех является то, что они опираются на полученную тем или иным способом математическую модель объекта управления, причём математическая модель представляет из себя систему дифференциальных или разностных уравнений, описывающих физическую сущность процессов или объектов. Принципиально иной подход к управлению заключается в использовании математических моделей знаний об управляемом объекте, т.е. использование методов интеллектуального управления. Применительно к ТО данное направление исследований представлено в работах .

В основе интеллектуального управления лежит идея построения высокоорганизованных САУ, основанных на использовании моделей переменной сложности и неопределённости, с выполнением таких присущих человеку интеллектуальных функций, как принятие решений, планирование поведения, обучение и самообучение в условиях изменяющейся внешней среды. Под обучением нужно понимать способность системы улучшать своё поведение в будущем (применительно к ТО - повышать качество обработки), основываясь на экспериментальной информации, которую она получала в прошлом, о результатах взаимодействия с оказывающими влияние факторами. Самообучение - это обучение без внешней корректировки, т. е. без указаний “учителя”- оператора.

Интеллектуальной системой управления (ИСУ) считается такая , в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается.

Необходимым признаком ИСУ является наличие базы знаний, содержащей сведения (факты), модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ её решения. Часто об интеллектуальных системах говорят как о системах, основанных на знаниях. В зависимости от характера реализуемых интеллектуальных функций, т. е. от уровня интеллектуальности, различают ИСУ, интеллектуальные “в большом” и “в малом” .

Согласно управляющие системы, интеллектуальные “в большом”, - это системы, организованные и функционирующие в соответствии со следующими пятью принципами (в полном их объёме).

• 1. Взаимодействие с реальным внешним миром с использованием информационных каналов связи.
• 2. Принципиальная открытость системы в целях повышения интеллектуальности и совершенствования собственного поведения.
• 3. Наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире.
• 4. Наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот).
• 5. Сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности, т. е. с некоторой допустимой деградацией) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры.

Управляющие системы, интеллектуальные “в малом”, не удовлетворяют перечисленным выше принципам, но используют при функционировании знания (например, в виде правил) как средство преодоления неопределённости входной информации, неточности описания управляемого объекта или его поведения.

Основываясь на всём выше изложенном можно сделать следующее заключение. При множественности факторов, влияющих на достижение качества обработки на металлорежущих станках, “нечёткости” информации об этих факторах, стохастичности самого процесса резания, а также при разнообразии методов обеспечения заданной точности обработки перспективным направлением исследований и разработок в станочном оборудовании являются интеллектуальные системы управления.

Сейчас наибольшее распространение получили методы интеллектуального управления, относящиеся к следующим четырём классам :

• - экспертные системы (ЭС);
• - нечёткие регуляторы (НР);
• - нейронные сети (НС);
• - генетические алгоритмы (ГА).

Экспертные системы (expertsystems) имеют дело с задачами искусственного интеллекта на верхнем уровне, работая с символьной информацией для получения выводов об окружающей среде и формирования управленческих решений с учётом характера сложившейся (или прогнозируемой) ситуации. Экспертные системы накапливают эвристические знания и манипулируют ими, пытаясь имитировать поведение эксперта.

На рисунке 1.2 приведён пример построения экспертного регулятора, представляющего собой объединение ЭС и традиционного регулятора (или системы регуляторов) применительно к управлению ТО. Более сложную структуру (с подробной детализацией отдельных блоков ЭС) имеют предлагаемые в модели работы технологической системы, которые базируются на принципе принятия решений по внесению прогнозной коррекции в процесс изготовления деталей с учётом конкретной ситуации. Экспертная система, как и в , так и на рисунке 1.2 образует верхний, супервизорный уровень управления и включает в себя ряд подсистем.

Подсистема идентификации и прогноза - обеспечивает нахождение математической модели объекта управления непосредственно в процессе функционирования, по результатам наблюдений за его входными/выходными переменными. То есть, в задачи блока входит комплектование информации, необходимой для принятия решений. Этот блок осуществляет программную настройку движений рабочих органов, измеряет и идентифицирует параметры состояния внешней среды - F, управляющие воздействия - U, результаты работы системы СПИД - Y.

База данных содержит непрерывно обновляемые данные (предыдущие, текущие, прогнозные) о характеристиках системы СПИД и внешней среды, а также информацию о граничных (критических, предельно допустимых) значениях соответствующих параметров. База знаний содержит знания о специфике работы конкретного ТО, целях, стратегии и алгоритмах управления, о результатах идентификации и прогноза характеристик системы СПИД.

Подсистема логического вывода осуществляет выбор рациональной (наиболее подходящей в момент обработки определённой детали на ТО) структуры и параметров регулятора, а также, возможно, алгоритмов идентификации и прогноза.

Подсистема интерфейса предназначена для организации интерактивного режима по наполнению базы знаний с участием эксперта (режима обучения) и обеспечения общения с пользователем-оператором (рабочим-профессионалом), включая объяснение механизма принятия тех или иных решений по управлению (режима эксплуатации).

Отличие приведенной на рисунке 1.2 архитектуры экспертной системы от архитектуры обычных (статических) экспертных систем состоит в том, что она обеспечивает выполнение следующих важных функций:

• * построение динамической модели объекта и его среды;
• * поддержание контакта с внешним миром (датчиками, СУБД, регуляторами, другими ЭС).

Данное обстоятельство позволяет относить рассматриваемую экспертную систему к классу динамических (“активных”) экспертных систем, или экспертных систем реального времени, способных восполнить утрачиваемый вклад рабочего-профессионала с его опытом, знаниями и навыками в достижение качества обработки.

Нечёткие регуляторы (fuzzycontrollers). Идеи нечёткой логики, впервые высказанные в 1964 г. американцем Л. Заде, известным специалистом в области теории систем, своё первое применение в задачах управления реальными техническими объектами нашли в Европе. В 1974 г. были опубликованы работы английских учёных Э.Х. Мамдани и С. Ассилиан, посвященные проблеме регулирования парогенераторной установкой с помощью специально сконструированных нечётких правил (продукций).

Типовая структура ИСУ с НР приведена на рисунке 1.3. Будем полагать для простоты, что объект управления (например, привод подачи на основе двигателя постоянного тока (ДПТ)) является одномерным, т. е. имеет один вход (сигнал управления - u) и один выход (скорость вращения вала двигателя - y). Ошибка управления е, представляющая собой разность задающего воздействия и выхода объекта (управляемой переменной) у, подаётся на один из входов блока фаззификации. На другой вход этого блока поступает сигнал производной вычисленный с помощью дифференцирующего устройства (ДУ).

Назначение блока фаззификации - преобразование значений сигналов ошибки е и её производной в лингвистические переменные, определяемые функциями принадлежности. Здесь А i и В j , - соответственно значения (термы), принимаемые лингвистическими переменными “Ошибка управления” и “Производная ошибки”. Пример построения функций принадлежности и показан на рисунке 1.3, где используются следующие обозначения:

Z - “Близкая к нулю” (zего);

МР - “Средняя положительная” (middlepositive);

LP - “Большая положительная” (largepositive);

MN - “Средняя отрицательная” (middlenegative);

LN - “Большая отрицательная” (largenegative).

В базе знаний хранятся знания в форме правил, левые части которых содержат условия относительно указанных выше значений лингвистических переменных “Ошибка управления” и “Производная ошибки”, а правые части - высказывания относительно значений лингвистической переменной “Приращение управляющего воздействия” (индекс k здесь означает k-й момент времени t k). Данные правила могут принимать следующий вид:

• 1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО (Приращение управляющего воздействия = Близко к нулю);
• 2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО (Приращение управляющего воздействия = Среднее положительное) и т. д.

Предполагается, что реализация данных правил гарантирует выполнение определенных требований к системе, связанных с обеспечением желаемого вида её переходной функции (заданное быстродействие, монотонность, слабая колебательность переходного процесса, например, по управляющему и возмущающему воздействиям для следящего привода металлорежущего станка). Возможный вариант задания функций принадлежности, определяющих базовые значения лингвистической переменной “Приращение управляющего воздействия” в виде одноточечных нечётких множеств (singletons), приведен на рисунке 1.4.

В основе работы механизма логического вывода используется метод “максимума-минимума” или метод “максимума-произведения” . Применение этих методов позволяет получить результирующую функцию принадлежности лингвистической переменной “Приращение управляющего воздействия” (рисунок 1.4) с учётом конкретных (т. е. измеренных в момент t k) значений сигналов е k и - входов нечёткого регулятора.

И, наконец, переход от полученного нечёткого множества, описываемого функцией принадлежности, к единственному (чёткому) значению выходной переменной осуществляется в блоке дефаззификации с помощью метода центра тяжести .

Для рассматриваемого на рисунке 1.4 случая данная величина подсчитывается как

где - значения функции принадлежности в точках -c 1 , -c 2 , 0, -c 1 , -c 2 , называемые уровнями активности соответствующих правил и вычисляемые с помощью механизма логического вывода.

Выход нечёткого регулятора u k находится по формуле

где u k-1 - предыдущее значение управляющего воздействия u; - приращение, вычисленное на k-м такте работы регулятора.

Другая разновидность нечёткого регулятора - регулятор типа Сугено . В этом случае только левые части правил (условия) содержат лингвистические переменные; правые же части этих правил (выходы) представляют собой линейные комбинации входных переменных регулятора плюс постоянная составляющая (смещение). Например, нечёткие правила могут иметь следующий вид:

1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО

2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО

Здесь - заданные (выбранные экспертом) числовые коэффициенты; - измеренные в k-м такте значения сигнала ошибки и ее производной. Результирующим выходом является взвешенное среднее для выходов каждого правила (1.3)

где - уровень активности i-го правила; N - число таких правил; - приращение, вычисленное с помощью i-го правила для конкретных значений.

Главное достоинство применения нечётких регуляторов в управлении ТО - возможность эффективного управления сложными динамическими объектами, входящими в состав системы СПИД, в условиях неопределенности их характеристик путём моделирования механизма обработки знаний по аналогии с поведением высококвалифицированного рабочего (оператора).

Нейронные сети. История искусственных нейронных сетей (artificialneuralnetworks) начинается с работ американских учёных У. Мак-Каллока, В. Питтса (1943 г. - модель формального нейрона) и Ф. Розенблатта (1958 г. - однослойная нейронная сеть, названная им персептроном). Сегодня под нейронными сетями (НС) понимаются параллельные вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга. НС обладают способностью приобретения знаний о предметной области, обучаясь на примерах и подстраивая свои веса для интерпретирования предъявляемых им многоразмерных данных.

На рисунке 1.5 приведена структурная схема НС прямого распространения - многослойного персептрона. Кружками (вершинами) обозначены элементарные преобразователи информации - нейроны, а стрелками (дугами) - связи между ними, имеющие разную “силу” (веса синаптических связей). Как видно из рисунка 1.5, рассматриваемый персептрон состоит из нескольких слоёв нейронов:

• * входного слоя, на который подаётся набор входных сигналов;
• * одного или более “скрытых” (промежуточных) слоёв;
• * выходного слоя нейронов.

Суть процесса обучения НС заключается в выполнении следующей многошаговой процедуры .

Шаг 1. Задается обучающее множество (“задачник”)

элементами которого являются обучающие пары. В данном случае - 1-й входной вектор (или 1-й входной образ), предъявляемый нейронной сети; - вектор эталонных (требуемых) реакций НС в ответ на 1-й входной вектор; L - число различных обучающих пар.

Шаг 2. Устанавливается начальное состояние НС путём присваивания всем её весам некоторых случайных (малых) значений. - вес связи, соединяющей выход i-го нейрона k-го слоя со входом j-го нейрона (k + 1)-го слоя.

Шаг 3. На вход сети подаётся входной вектор; определяются реакции нейронов выходного слоя.

Шаг 4. Вычисляется разность между желаемой реакцией сети и её фактическим выходом, т. е. , а также суммарная квадратичная ошибка

Шаг 5. Осуществляется коррекция весов нейронной сети таким образом, чтобы уменьшить ошибку.

Шаг 6. Повторяются шаги 3-5 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет малой, заранее заданной величины Е*.

Результатом обучения является такая настройка весов синаптических связей, при которой каждому входному вектору сеть сопоставляет требуемый (или близкий к нему) выход.

Одним из первых алгоритмов, удачно зарекомендовавшим себя при обучении многослойной НС, явился предложенный в 1986 г. Руммельхартом (США) и его коллегами алгоритм обратного распространения (Васk-РгораgаtionAlgorithm), претерпевший впоследствии многочисленные изменения и усовершенствования.

На сегодня известно более 200 разновидностей НС. Кроме упомянутых выше многослойных персептронов, это:

• * динамические (рекуррентные) НС;
• * сети на основе радиальных базисных функций;
• * сети Хопфилда;
• * сети Кохонена;
• * неокогнитроны и т. д.

На рисунке 1.6 приведён пример применения НС для решения задачи управления сложным динамическим объектом (как и в примере с нечётким регулятором рассматривается поддержание заданной скорости для привода ДПТ). НС выступает в данном случае в качестве нелинейного регулятора, который после завершения процесса обучения обеспечивает минимум рассогласования между выходами эталонной модели (ЭМ) и САУ ТО в целом.

Преимущества использования многослойных НС в качестве контроллеров ТО объясняются комплексом их свойств: 1)сигналы в таких НС, как и в системах автоматического управления, распространяются в одном, прямом направлении; 2)ключевую роль в формировании необходимых нелинейных алгоритмов управления играют универсальные аппроксимационные свойства этих сетей; 3)способность многослойной НС к обучению придаёт адаптивные свойства; 4)способность НС к параллельной обработке как аналоговых, так и дискретных сигналов делает естественным их использование для управления многомерными объектами. Реализация нейроконтроллеров на основе обучаемых НС не вызывает принципиальных трудностей: существующие микропроцессорные средства могут вполне реализовать функции НС. Включение многослойной НС в контур управления расширяет фазовое пространство объекта и увеличивает число его степеней свободы, тем самым даёт возможность синтеза оптимальных законов управления.

Генетические алгоритмы (geneticalgorithms). Это большая группа методов адаптивного поиска и многопараметрической оптимизации, интенсивно развивающихся в последние годы как для их самостоятельного применения, так и в сочетании с другими методами интеллектуального управления .

Само название этих алгоритмов указывает на то, что их происхождение связано с использованием принципов естественного отбора и генетики. Традиционные методы поиска обычно предполагают дифференцируемость исследуемой целевой функции по параметрам и, как правило, используют градиентные процедуры. Генетические алгоритмы (ГА) отличаются от обычных методов оптимизации рядом обстоятельств. По своей сути ГА представляют собой метод параллельного поиска глобального экстремума, основанный на использовании в процессе поиска сразу нескольких, закодированных соответствующим образом, точек (кандидатов на решения), которые образуют развивающуюся по определенным случайным законам популяцию. Используемые при этом механизмы отбора, впервые чётко сформулированные ещё Чарльзом Дарвином (“Выживает наиболее приспособленный!”), позволяют отсеять наименее подходящие варианты и, наоборот, выделить, а затем и усилить положительные качества тех вариантов, которые наиболее полно отвечают поставленной цели.

Очертим круг задач, решаемых с помощью ГА применительно к ТО.

Оптимизационные задачи занимают одно из центральных мест при проектировании различных классов САУ ТО. Причиной этого является естественное стремление выбрать наиболее простой вариант построения системы или модели при соблюдении заданных требований к качеству ее функционирования (задача структурного синтеза) или найти оптимальные настройки параметров многокомпонентной системы при заданной её структуре (задача параметрического синтеза). В приводится несколько примеров постановок соответствующих задач.

Задача 1. Требуется найти оптимальный алгоритм идентификации и прогноза характеристик объекта, используемый в составе ИСУ ТО с экспертным регулятором (см. рисунок 1.2). Варьируемые параметры - числовые коэффициенты регрессионной модели, число базисных функций или порядок уравнений регрессии. Целевая функция - ошибка идентификации и прогноза, оцениваемая как разность между выходами объекта управления и его модели в текущий (или будущий) момент времени.

Задача 2. Требуется выбрать форму и взаимное расположение функций принадлежности нечёткого регулятора, обеспечивающего заданное качество процессов управления в САУ ТО. Варьируемые параметры - числовые коэффициенты a i ,b j ,c s функций принадлежности (см. рисунок 1.5); число функций принадлежности. Целевая функция - показатель качества (функционал), минимуму которого соответствуют эталонные перёходные процессы.

Задача 3. Требуется выбрать структуру (топологию, архитектуру) многослойного персептрона, используемого в качестве нелинейного регулятора в ИСУ ТО, изображённой на рисунке 1.6. Варьируемые параметры - число слоёв и число нейронов в каждом слое НС. Целевая функция - ошибка обучения сети, представляющая собой рассогласование между выходами объекта и эталонной модели системы.

Во всех приведённых примерах задача оптимизации принимает следующую математическую формулировку: найти такие значения варьируемых параметров V 1 , V 2 , …, V n , которые доставляют минимум целевой функции f(V 1 , V 2 , …, V n) при условии, что указанные параметры V 1 , V 2 , …, V n удовлетворяют некоторой допустимой области. Задание области ограничений в каждом конкретном случае диктуется спецификой решаемой задачи. Например, в задаче 2 вид области определяется выбором границ интервалов, в пределах которых ищутся искомые оптимальные параметры функций принадлежности. В задаче 3 соответствующие ограничения связаны с лимитированием предельно допустимой сложности исследуемого класса НС и т. п.

При использовании традиционных алгоритмов многопараметрического поиска для решения вышеперечисленных задач возникает ряд трудностей, к которым относятся:

• * резкий рост вычислительных затрат и времени поиска при увеличении числа варьируемых параметров (“проклятие размерности”);
• * локальный характер алгоритмов поиска, связанный с необходимостью вычисления производных (градиента) целевой функции на каждом шаге поиска;
• * возможность “зависания” алгоритма поиска в окрестности одного из локальных экстремумов;
• * низкая помехозащищённость алгоритма;
• * низкая эффективность поиска при наличии “овражных” ситуаций.

Привлекательность ГА состоит именно в том, что они в значительной мере лишены указанных недостатков.

Согласно терминологии ГА, заимствованной из генетики и теории эволюции живой природы, они имеют дело с популяцией “индивидуумов”, каждый из которых является претендентом на решение рассматриваемой задачи. Каждому индивидууму приписывается определенный “индекс пригодности (приспособленности)” в зависимости от того, насколько удачным является данный конкретный вариант решения задачи. Например, в качестве такого индекса пригодности может выступать одна из упомянутых выше (см. задачи 1-3) целевых функций. Далее, наиболее пригодным индивидуумам предоставляется возможность “размножения” путём “скрещивания” с другими индивидуумами в популяции. В результате этого появляются новые индивидуумы - “потомки”, которые наследуют часть признаков от каждого из своих “родителей”. Наименее пригодные члены популяции, в силу этого, “вымирают”. Полученная новая популяция возможных решений образует новое “поколение”, сохраняющее в значительно большей пропорции те качества (признаки), которые были присущи лучшим представителям предыдущего поколения. Применяя описанную выше схему из поколения в поколение и поощряя скрещивание и обмен признаками прежде всего среди наиболее пригодных индивидуумов, можно последовательно улучшить популяцию путём сохранения и преумножения в ней наиболее сильных сторон индивидуумов. Другими словами, в процессе поиска будут исследоваться наиболее многообещающие, перспективные области пространства варьируемых параметров. При правильном функционировании ГА популяция сходится к оптимальному решению задачи.

Принято считать, что генетические алгоритмы не гарантируют нахождение глобального оптимума, однако их сила состоит в том, что они позволяют “достаточно быстро” находить “достаточно хорошие” решения широкого круга задач, в том числе и тех, которые с трудом решаются другими методами.

История применения генетических алгоритмов начинается с работ Р. Холстиена и Де Джонга , в которых на ряде примеров были впервые продемонстрированы возможности ГА для решения задач многопараметрической оптимизации. В 1975 г. вышла монография Дж. Холланда “Адаптация в природных и искусственных системах” , в которой было дано теоретическое обоснование метода, сформулированы базовые принципы, лежащие в его основе. И, наконец, большую популярность получила изданная в 1989 г. и ставшая классической книга Д. Гольдберга “Генетические алгоритмы в задачах поиска, оптимизации и машинного обучения” , содержащая большое число примеров и возможных постановок задач из различных областей приложений, решаемых с помощью ГА.

В последние годы область применения ГА значительно расширилась. Показано, что данные методы оказываются эффективными при решении таких задач, как:

• * идентификация сложных динамических объектов ;
• * выбор оптимальной конфигурации многоагентных робототехнических систем ;
• * синтез оптимальных алгоритмов управления многозвенными роботами-манипуляторами ;
• * оптимальное управление стыковкой космических аппаратов ;
• * планирование маршрутов движения транспортных средств в условиях препятствий ;
• * структурный синтез проектных решений, синтез расписаний

и многих других.

Применение ГА охватывает не только класс традиционных задач оптимизации, но и быстро распространяется на задачи управления сложными динамическими объектами в условиях неопределённости. Поэтому в задачах управления станочным оборудованием ГА также могут быть использованы для решения широкого круга задач.

Для обеспечения заданного качества обработки на ТО необходимо организовывать интеллектуальное управление на всех уровнях ИСУ: организационном, координационном и тактическом . Это значит, что “интеллектуальными способностями” должны обладать и система регуляторов, и блок идентификации и прогноза в составе ЭС. В качестве регуляторов нелинейных объектов управления часто используют нечёткие, НС регуляторы и их разновидности , а для систем идентификации и прогноза - нейро-нечёткие системы (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) и различные виды нейронных сетей . Сами ЭС также могут быть построены на основе использования “чёткой” или “нечёткой” логики. Таким образом, ЭС может быть разработана на базе НС или нечётких правил, или и тех и других одновременно. Поэтому при организации интеллектуального управления ТО целесообразнее создавать нейро-нечёткие (гибридные) ЭС , обладающие широкими возможностями использования преимуществ как нечёткой логики, так и НС. Более того, нужно использовать стратегию смешанного (гибридного) управления на всех уровнях ИСУ ТО, потому что это позволит наиболее полно использовать преимущества интеллектуальных методов управления не только на верхнем уровне управления (организационном и координационном), но и на нижнем (тактическом), где существует потребность в нелинейных алгоритмах различных стратегий управления исполнительными механизмами в режиме реального времени.