Введение. Глава 2. Элементы теории мягких вычислений и проблемы интеллектуального управления

Глава 2. Элементы теории мягких вычислений и проблемы интеллектуального управления

Введение

Методы управления в прикладных задачах управления сложными динамическими системами сталкиваются с множеством проблем. Сложные динамические системы характеризуются неполнотой модели, высокой степенью нелинейности, неустойчивостью, распределенными сенсорными системами с высоким уровнем шумов, резкими изменениями в динамике, старением и т.п. В результате, надежность (робастность) систем управления уменьшается. Степень успеха, с которой система управления справляется с перечисленными выше трудностями, зависит от уровня «интеллектуальности» системы управления.

Во многих практических задачах управления важная информация поступает от человека-эксперта. Обычно такая информация является неточной и представляется в виде лингвистических переменных в стратегиях управления типа «малый», «большой», «средний» и т.п. Существует множество причин, по которым экспертные знания представляются в такой лингвистической форме: при отсутствии более точных численных представлений, или для удобства и простоты коммуникации. Более того, во многих моделях принятия решений такой способ наиболее близок человеческому восприятию, чем точная цифровая информация.

Нечеткие системы возникли именно благодаря стремлению описывать стратегии управления (принятия решений) сложными системами на качественном, лингвистическом уровне. Они основаны на теории нечетких множеств, введенных математиком Лотфи Заде. В 1965 году Л. Заде опубликовал свою первую статью о новом способе описания неопределенностей не вероятностного типа с помощью так называемых «нечетких множеств» (“ fuzzy sets ”). Сегодня теория нечетких множеств развилась в ряд дисциплин. Для наших целей мы будем рассматривать теорию нечетких систем, в которой было доказано, что нечеткие системы могут рассматриваться в качестве универсальных аппроксиматоров систем с неопределенной динамикой и структурой. Именно поэтому нечеткие системы стали столь привлекательными в прикладных инженерных задачах управления.

В качестве ядра интеллектуальной системы управления динамической системой будем рассматривать нечеткую систему с заданной базой знаний (БЗ). Это может быть нечеткий регулятор (НР) с базой знаний, описывающей законы изменения управляющей силы, или нечеткий ПИД регулятор с базой знаний, описывающей законы изменения переменных коэффициентов усиления ПИД регулятора.

НР позволяет в простой лингвистической форме, близкой человеку, описывать стратегии управления и является надежной и эффективной альтернативой классическому управлению.

Нечеткие системы базируются также на нечеткой логике, которая дает возможность использовать качественные знания о стратегиях управления в системе принятия решений, способной осуществлять нечеткие рассуждения и интерполяцию. Так возникли технологии экспертных систем, в которых генерация функций принадлежности лингвистических переменных (membership functions) и нечетких правил (fuzzy rules) является прерогативой человека-эксперта. Он также решает задачи настройки и обновления БЗ.

Это означает, что системы управления, основанные только на нечеткой логике, не обладают свойствами самообучения и адаптации. В рамках данного подхода нет возможностей автоматической настройки и адаптации базы знаний, а именно функций принадлежности лингвистических переменных и нечетких правил. Такие возможности реализуются в подходах, основанных на мягких вычислениях (soft computing technology).

Технология мягких вычислений для проектирования интеллектуальных систем управления состоит из комбинации следующих подходов:

· Нечеткие системы, используемые для задач нечеткого вывода и управления;

· Генетические алгоритмы – для задач глобальной оптимизации законов управления;

· Нечеткие нейронные сети – для физической реализации законов оптимального управления, а также для реализации обучения и адаптации БЗ.

Основной проблемой проектирования ИСУ является разработка оптимальной и робастной БЗ, которая гарантирует высокое качество управления при наличии перечисленных выше трудностей управления, характерных для сложных динамических систем.

Исследование и разработка технологий и программного инструментария проектирования робастных БЗ в ИСУ на основе новых видов вычислений (мягкие, дробные, квантовые) является передовым рубежом современной науки управления. А реализация таких технологий управления в инженерной практике позволит продвинуть САУ на все более и более высокий уровень интеллектуальности.

В данной главе мы рассмотрим основные понятия и методы технологии мягких вычислений.