- •77. Нечеткие множества и лингвистические переменные. Операции над нечеткими множествами.
- •78. Нечеткие алгоритмы. Общие принципы построения нечетких алгоритмов управления динамическими объектами.
- •79. Процедура синтеза нечетких регуляторов. Синтез адаптивной сау с эталонной моделью на основе нечеткой логики. Нечеткий регулятор Такаги-Сугено.
- •80. Моделирование нейронов мозга. Многослойные персептроны. Алгоритмы обучения. Задача аппроксимации функции.
- •81. Архитектуры нейронных сетей: радиально-базисные сети; нейронные сети Хопфилда; нейронные сети Кохонена; рекуррентные нейронные сети.
- •82. Общие принципы построения нейросетевых систем управления динамическими объектами. Применение нейронных сетей в задачах идентификации динамических объектов.
- •83. Стандартный генетический алгоритм. Пример оптимизации с помощью генетического алгоритма. Модификации генетических алгоритмов и особенности их применения.
- •84. Генетическое программирование. Особенности реализации генетического программирования. Практические примеры построения систем управления с использованием генетических алгоритмов.
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 =Yпрог (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,...Vn, которые доставляют минимум целевой функции f(V1,V2,...Vn) при условии, что указанные параметры V1,V2,...Vn 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