82. Общие принципы построения нейросетевых систем управления динамическими объектами. Применение нейронных сетей в задачах идентификации динамических объектов.

Нейроуправление – новый раздел современной теории управления нелинейными динамическими объектами, решающий задачи построения и реализации многорежимных нейросетевых регуляторов.

Цель нейроуправления − выбор наиболее эффективной стратегии управления объектом в условиях действия факторов неопределенности.

Достоинства НС:

• возможность к обучению и самообучению;

• высокое быстродействие (особенно в случае их аппаратной

реализации на основе однородных вычислительных структур);

• потенциально высокая помехо- и отказоустойчивость (в силу

структурной избыточности, присущей самой природе НС);

• универсальность применения, возможность решения плохо

формализуемых задач (распознавание образов, кластерный анализ,

идентификация, прогноз и т.п.).

Трудности, возникающие при построении САУ сложными динамическими объектами [К. С. Нарендра]:

1) вычислительные сложности;

2) наличие нелинейностей;

3) неопределенность.

Существуют различные способы применения НС в системах

у правления:

1) задача идентификации

2) получение инверсной (обратной) математической модели объекта управления

.

Используется для определения желаемого закона изменения управляющего воздействия u =u(t), обеспечивающий изменение вектора управляемых координат объекта Y(t) в соответствии заданной программой Y =Y_прог (t).

3) включение НС в качестве регулятора в замкнутый контур управления объектом

4) применение в качестве блока подстройки параметров основного (линейного) регулятора

5) структурная схема адаптивной нейросетевой САУ

Применение НС в задачах идентификации динамических объектов

Идентификация ДС − получение математического описания (модели) объекта по результатам наблюдений за его входными и выходными переменными в процессе функционирования.

1. Метод нелинейной модели скользящего среднего (Nonlinear Moving – Average Model).

Идея метода − разложение нелинейного функционала, описывающего поведение объекта, в ряд Вольтерра в дискретные моменты времени:

Для аппроксимации 1-х членов ряда можно использовать cтруктуру рекуррентной НС

Обучение НС сводится к выбору таких ее параметров, при которых ошибка между выходами объекта и сети минимальна

2. Метод на основе модели «вход – состояние – выход», т.е. на представлении уравнений ДС в пространстве состояний

или для нелинейного динамического объекта

83. Стандартный генетический алгоритм. Пример оптимизации с помощью генетического алгоритма. Модификации генетических алгоритмов и особенности их применения.

Математическая формулировка задачи оптимизации : найти такие значения варьируемых параметров V₁,V₂,...V_n, которые доставляют минимум целевой функции f(V₁,V₂,...V_n) при условии, что указанные параметры V₁,V₂,...V_n удовлетворяют некоторой допустимой области ϑ.

Трудности решения:

- 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 эффективность поиска при наличии "овражных" ситуаций;

- низкая помехозащищенность алгоритмов.

От этих недостатков в значительной степени свободны генетические алгоритмы

Генетические алгоритмы (genetic algorithms), представляют собой процедуры поиска оптимальных решений, основанные на копировании механизмов наследственности, размножения и естественного отбора, имеющие широкое распространение в живой природе

ГА оперируют с набором (популяцией) оценок потенциальных решений (индивидуумов), используя принцип "Выживает наиболее приспособленный", для того чтобы генерировать все более лучшие приближения к оптимальному решению.

На каждом шаге алгоритма (или при каждой генерации) образуется новое множество приближений, создаваемое посредством процесса отбора индивидуумов согласно их уровню пригодности (приспособленности) применительно к рассматриваемой проблемной области и последующего размножения их с помощью операторов, заимствованных из генетики.

Этот процесс приводит к эволюции популяций индивидуумов, которые лучше соответствуют окружающей их среде по сравнению с теми индивидуумами, от которых они произошли, точно так же, как это происходит в случае адаптации в природе.

Отличия ГА от обычных методов оптимизации:

1) ГА работают с кодами множества варьируемых параметров, а не с самими параметрами;

2) ГА осуществляют поиск решения исходя не из единственной точки, а из популяции точек;

3) ГА используют только целевую функцию, а не её производные или какую-либо дополнительную информацию;

4) ГА используют вероятностные, а не детерминированные правила выбора.

ГА эффективны в качестве алгоритмов обучения и оптимизации при решении

таких задач, как:

• идентификация сложных динамических объектов;

• распознавание изображений на основе многослойных нейронных сетей;

• выбор оптимальной конфигурации многоагентных робототехнических систем;

• оптимальное управление многозвенными роботами-манипуляторами;

• планирование маршрутов движения транспортных средств в условиях препятствий;

• оптимальное управление стыковкой космических аппаратов;

и многие другие.

Генетические алгоритмы – это большой класс методов в рамках нового, бурно развивающегося направления в области теории

вычислительного интеллекта − эволюционных вычислений:

• эволюционные стратегии (Evolution Strategy), ориентированные на оптимизацию мультимодальных непрерывных функций с использованием адаптивных процедур рекомбинации и мутации ;

• эволюционное программирование (Simulated Evolution), ориентированное на оптимизацию непрерывных функций без использования операции рекомбинации;

• генетическое программирование (Genetic Programming), основанное на использовании эволюционных методов для оптимизации создаваемых компьютерных программ;

• метод моделирования отжига (Simulated Annealing), основанный на использовании двухшаговой стохастической процедуры оптимизации, имитирующей процессы нагревания и охлаждения твердых тел ;

• системы классификации (Classifier Systems), созданные путем обучения правил логического вывода с помощью генетических алгоритмов оптимизации