Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)

Лекция 8. «Моделирование систем машиностроения с применением элементов искусственного интеллекта»(1 час)

План лекции:

8.3. Основные понятия и определения. Основы теории нечетких множеств.

8.3. Основные понятия и определения. Основы теории нечетких множеств.

Решение актуальных технических проблем, создание сложных технических объектов, включающее моделирование и управление, невозможно без привлечения методов искусственного интеллекта, направленного на решение определенного класса задач при их специфической алгоритмизации, составляющей классгенетических алгоритмов.

В последнее время все более широко распространяется построение и исследование моделей поведения сложных технических объектов и способов управления ими на основе имитации реализованных природой механизмов в живых существах, т.е. происходит биологизацияпроцессов моделирования и управления.

Возможно и совместное применение различных моделей и методов при обработке информации об одном и том же объекте – в этом состоит сущность гибридизации.

Согласие с тем, что любая сколь угодно сложная искусственная модель реального объекта всегда примитивнее и проще оригинала и лишь многоаспектное его изучение с последующей интеграцией получаемых результатов позволит обрести необходимые знания или приблизиться к оптимальному решению, представляет собой основу парадигмы(греч.:paradeima– пример, образец. П.– строго научная теория, воплощенная в системе понятий, выражающих существенные черты действительности) такого подхода.

Можно с высокой степенью уверенности констатировать, что биологизация и гибридизация составляют основные тенденции развития кибернетики в начале третьего тысячелетия.

Обучение– способность системы улучшать свое поведение в будущем, основываясь на прошлой экспериментальной информации о результатах взаимодействия с окружающей средой.

Самообучение– обучение системы без внешней корректировки, т.е. без указаний «учителя».

Интеллектуальная система управления (ИСУ)– такая, в которой знания о неизвестных характеристиках управляемого объекта и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений для улучшения качества управления.

Необходимый признак ИСУ – наличие базы знаний, содержащей сведения, модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ ее решения.

Наибольшее распространение при проектировании ИСУ получили методы интеллектуального управления (ИУ),которые относятся к четырем классам: 1) экспертные системы; 2) нечеткие системы; 3) нейронные сети; 4) генетические алгоритмы.

Различным уровням интеллектуальности соответствуют ИСУ, интеллектуальные «в большом» и «в малом». Чем же они отличаются?

Интеллектуальные «в большом»– организованы и функционируют в соответствии с пятью принципами:

• взаимодействие с реальным внешним миром через информационные каналы связи;

• принципиальная открытость системы с целью повышения интеллектуальности и совершенствования собственного поведения;

• наличие механизмов прогноза изменения внешнего мира и собственного поведения системы в изменяющихся условиях;

• наличие многоуровневой иерархической структуры, соответствующей правилу повышения интеллектуальности и снижения требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот);

• сохраняемость функционирования (возможно, с некоторой потерей качества) при разрыве связей или потере управляющих воздействий от высших уровней иерархии.

Интеллектуальные «в малом»не удовлетворяют перечисленным принципам, но используют при функционировании знания (можно в виде правил) как средство преодоления неопределенности входной информации, описания управляемого объекта или его поведения.

При проектировании ИСУ наибольшее распространение получили методы ИУ, относящиеся к следующим четырем классам:

• экспертные системы;

• нечеткие регуляторы;

• нейронные сети;

• генетические алгоритмы.

В случае четких множеств традиционный способ представления элемента множествасостоит в применении характеристической функции. Для четких множеств имеем:

В нечетких множествах элемент можетчастичнопринадлежатьлюбомумножеству.

Степень принадлежности элемента множествуопределяетсяфункцией принадлежности, которая представляет собой обобщение характеристической функции. Ее значения являются рациональными числами из интервала. Причем 0 означаетотсутствиепринадлежности, а 1 –полную принадлежностьк множеству.

Конкретное значение функции принадлежности называется степенью,иликоэффициентом принадлежности. Степень принадлежности может быть определена в видефункциональнойзависимости илидискретно– путем задания конечной последовательности значенийв виде:

Теория нечетких множеств допускает, помимо переменных цифровоготипа, существованиелингвистическихпеременных с приписываемыми им значениями.

Для нечетких множеств, являющихся обобщениемобычных множеств, существует ряд математических операций, которые являются обобщением аналогичных операций, выполняемых на четких множествах. Среди прочих, к ним относятся следующие:

1. Логическая сумма множеств .

.

2. Логическое произведение множеств .

.

Здесь знаки иобозначают соответственно операторыи.