автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная система планирования космической съемки на основе самообучения

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ ПЛАНИРОВАНИЯ МАРШРУТА ПОЛЕТА И ОБЩАЯ ПОСТАНОВКА ЗАДАЧИ.

1.1. Описание функционирования системы космического наблюдения при съемке наземных объектов с помощью орбитального КА.

1.2. Анализ известных методов планирования маршрута.

1.2.1 .Постановка задачи.

1.2.2. Метод полного перебора.

1.2.3. Обучение нейронной сети с помощью метода ветвей и границ для решения задачи коммивояжера.

1.2.4. Использование генетического алгоритма.

1.2.5. Метод локального поиска.

1.2.6. Эвристический поиск маршрута.

1.2.7. Выбор эвристического метода.

1.2.8. Приближенное решение задачи коммивояжера большой размерности.

1.3. Общий подход к решению задачи выбора критерия маршрутизации в процессе самообучения.

1.4. Общая постановка задачи.

1.5. Выводы по главе 1.

ГЛАВА 2. ФОРМИРОВАНИЕ ПРОЦЕДУРЫ ПОЛУЧЕНИЯ ПЕРВОНАЧАЛЬНЫХ АНАЛИТИЧЕСКИХ ЗНАНИЙ НА ОСНОВЕ САМООБУЧЕНИЯ.

2.1. Формирование функции риска для выбора альтернативного направления полета в случае исходного критерия Минимума длины Маршрута.

2.2. Исследование зависимости коэффициентов функции риска принятая решений от сложности обучающих примеров.

2.3. Выводы по главе 2.

ГЛАВА 3. ВОССОЗДАНИЕ ВАРИАНТОВ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ИНТЕГРАЛЬНОГО ФУНКЦИОНАЛА КАЧЕСТВА МАРШРУТИЗАЦИИ С ПОМОЩЬЮ РЕШЕНИЯ ОБРАТНОЙ ЗАДАЧИ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ.

3.1. Исходные условия решаемой задачи.

3.2. Подход к решению задачи альтернативного выбора, основанного на методе рабочей точки.

3.3. Формирование простейшей математической модели критерия приоритетного обслуживания пунктов назначения, расположенных в задней полусфере.

3.4. Формирование других простейших моделей критерия оптимальности поведения при других функциях предпочтения в выборе маршрута съемки.

3.5. Выводы по главе 3.

ГЛАВА 4. ФОРМИРОВАНИЕ ПРАВИЛА ОПТИМАЛЬНОГО ПОВЕДЕНИЯ ПРИ

ПЛАНИРОВАНИИ КОСМИЧЕСКОЙ СЪЕМКИ С УЧЕТОМ РЕАЛЬНЫХ ДИНАМИЧЕСКИХ СВОЙСТВ КОСМИЧЕСКОГО АППАРАТА.

4.1. Постановка «прямой» задачи динамического программирования и особенности ее решения.

4.2. Расчет оптимального правила выбора очередного наземного объекта для съемки в случае приоритетного обслуживания в задней полусфере.

4.3. Расчет оптимального правила выбора очередного объекта для съемки в случае приоритетного обслуживания в передней полусфере.

4.4. Выводы по главе 4.

ГЛАВА 5. МОДЕЛИРОВАНИЕ СИСТЕМЫ ПЛАНИРОВАНИЯ МАРШРУТА.

5.1 .Исходные данные для процесса моделирования.

5.2.Моделирование системы планирования в случае приоритетного обслуживания объектов, расположенных в «задней полусфере».

5.3.Моделирование системы планирования в случае приоритетного обслуживания объектов, расположенных в «передней полусфере».

5.4.0ценка возможности реализации процесса самообучения с помощью нейроподобных структур.

5.5.Выводы по главе 5.

Проблема оперативного планирования космической съемки и управления космической системой наблюдения (КСН) относится к тем сложным задачам, когда наряду со строгими методами оптимизации необходимо творческое участие человека, использование его интеллектуальных возможностей. Однако, с дефицитом времени на принятие решений это участие невозможно, и поэтому целесообразно применить методы искусственного интеллекта (ИИ) и интеллектуальные системы управления.

В практике управления сложными техническими объектами (ОУ), такими, как космический аппарат (КА), существуют задачи, когда в меняющихся условиях полета нужно использовать различные критерии оптимальности поведения, чтобы добиться в целом максимальной эффективности.

Как принято в структуре системы интеллектуального управления [1,2,7,8], процесс формирования цели управления, относится к стратегическому уровню принятия решений. Традиционный подход к решению задачи управления объектом предполагает известным заданный в формализованном аналитическом виде критерий качества поведения и динамические свойства объекта, а вследствие этого искомым является закон управления. При этом рассматривается так называемая «прямая» задача оптимального управления -заданы минимизируемый функционал потерь, система дифференциальных уравнений, описывающих поведение объекта, требуется найти оптимальное управление как функцию текущего состояния объекта.

Однако в сложных реальных условиях в задачах управления существуют случаи, когда в меняющейся динамической обстановке возникает необходимость изменять критерии поведения всей системы. В том числе существуют задачи управления, эффективность которых достигается по мере накопления опыта при совершенствовании способа управления, хотя формализованный критерий оптимальности остается заранее неизвестным. Но при известном правиле поведения и известной динамике объекта в принципе можно попытаться воссоздать исходный критерий оптимальности, чтобы затем применить его для управления новым объектом и тем самым решить актуальную проблему более эффективного использования его свойств. В результате накопления опыта в процессе самообучения можно уточнять формализованные модели критерия оптимальности. Таких критериев может быть несколько в зависимости от динамической обстановки. Поиск и выбор критериев является одной из важнейших, интеллектуальных процедур принятия решений [3,4,5].

На рис. 1.1 представлена общая схема интеллектуальной системы управления. На нижнем уровне показана традиционная система автоматического регулирования с сигналами рассогласования, управления и и состояния объекта х. На верхнем стратегическом уровне имеется классификатор ситуации, а также блок выбора критериев, математические модели которых надо сформировать.

Рис. 1.1. Структура системы интеллектуального управления полетом.

Таким образом, возникает необходимость решения «обратной» задачи: по наблюдениям за объектом с известными свойствами становится известным в результате самообучения рациональное правило управления им, заданы также новые свойства другого объекта. Требуется: восстановить вначале применяемый критерий при известном объекте, а затем «присоединить» новые свойства другого объекта и при решении «прямой» задачи найти «новое правило» управления [6].

Такой подход открывает путь эффективного распространения имеющегося опыта на новые сферы применения. Например, известен способ управления тяжелым слабоманевренным самолетом, и нужно найти закон управления легким маневренным беспилотным самолетом-роботом, или есть опыт поведения человека в игровых задачах, а его надо перенести на группу подвижных роботов с другими свойствами. Наконец, основной пример - известен эффективный способ управления функционирующим на орбите КА, осуществляющим космическую съемку, а нужно найти закон управления новым перспективным КА с новыми динамическими свойствами, чтобы добиться при различной плотности скопления наземных объектов на траверсе наибольшего числа снимков.

Принципиальное отличие рассматриваемого подхода состоит также в том, что обычно внешняя среда рассматривалась как возмущение на объект, а регулятор был функцией вектора координат его состояния. Теперь же изменения внешней среды непосредственно влияют на показатели критериальной части системы, оцениваемые при решении обратной задачи динамического программирования, а уже потом закон управления перестраивается под новые условия [9,10,11].

В частности этот подход может быть использован в задаче космической съемки наземных объектов с орбитального комплекса на заданной орбите с ограниченной угловой скоростью вращения телескопа. В этой задаче весьма важно не пропустить заданные объекты наблюдения, а с другой стороны, если их много, выбрать наиболее удобные с точки зрения затрат на время обслуживания.

Таким образом, для различных случаев динамической обстановки желательно использовать различные критерии обслуживания объектов наблюдения: когда объектов мало - выбор критерия должен обеспечить обслуживание всех объектов; если объектов много - критерий обслуживания наиболее удобных объектов с целью съемки их максимального числа, явно меньшего, чем их общее количество. Следовательно, становится актуальной задача альтернативного выбора критерия поведения системы в зависимости от динамической обстановки. Как показали результаты предварительного моделирования на ЭВМ, при выборе 2-х критериев вместо одного эффективность обслуживания увеличивается на 10%, а при дальнейшем увеличении числа критериев хотя и растет, но незначительно [44].

В данной работе получены результаты эффективного использования двух критериев, предусматривающих различение двух классов динамических ситуаций -случаи «малого» и «большого» скопления наземных объектов на контролируемой территории.

Очевидно, что использование данного подхода выгодно экономически, т.к. позволяет обслуживать большее количество наземных пунктов или сократить количество космических аппаратов (КА) на обслуживание заданного количества наземных объектов.

Целью данной работы является разработка методов и процедур получения на основе самообучения правил управления прототипом КА, воссоздания интегральных функционалов простейшего вида, и на их основе получить правила управления новым объектом.

Положения, выносимые на защиту:

1.метод воссоздания интегрального критерия оптимальности с помощью правила выбора маршрута полета, полученного на основе самообучения;

2.представление функции риска в выборе очередного объекта космической съемки в виде степенного полинома второго порядка с учетом динамических свойств и ресурсных ограничений КА;

3.результаты моделирования на ЭВМ космической съемки в зависимости от высоты орбиты и количества наблюдаемых пунктов.

Научная новизна работы заключается в следующих результатах:

1.В результате самообучения показано, что не существует однозначной возможности получения единого правила выбора маршрута для различных условий полетной ситуации -числа наблюдаемых объектов в передней и задней полусфере. Предложено использовать четыре простейших модели правила поведения с абсолютным и относительным приоритетом обслуживания в передней и задней полусферах.

2.На основе динамического программирования разработана процедура нахождения минимизируемой функции риска в выборе очередного пункта космической съемки, учитывающая динамику КА. Показано, что найденную функцию возможно представить в виде области притяжения, имеющую вид окружности, центр которой смещается в переднюю полусферу при увеличении объектов наблюдения, находящихся в передней полусфере.

3.Результаты моделирования показали, что совместное применение двух критериев увеличивает производительность КСН на 10-15 % по сравнению с использованием единственного правила поведения.

4.Показано, что в зависимости от высоты орбиты область притяжения целесообразно представлять в виде эллипса, центр которого смещается вправо и деформируется в зависимости от числа объектов передней полусфере.

5.Предложена реализация полученных процедур с помощью нейроподобных структур, что делает возможным применение их как в наземном комплексе, так и на борту КА.

Методы исследования: теоретической и методологической основой исследования являются методы искусственного интеллекта, численные методы оптимизации, метод динамического программирования, методы теории автоматического управления.

Достоверность результатов подтверждается использованием научно обоснованных методов динамического программирования и искусственного интеллекта, а также результатами моделирования на ЭВМ.

Практическая значимость данной работы определяется, во-первых, ожидаемым повышением эффективности космической съемки на 10-15%, что подтверждается актом о внедрении НПО им. Лавочкина. Во-вторых, найденная процедура удобна для реализации на борту КА и в наземном комплексе управления полетом. Кроме того, полученные результаты внедрены в учебный процесс кафедры №301 МАИ в виде лабораторной работы «Планирование космической съемки на основе самообучения» по учебному курсу «Интеллектуальные системы управления» для специальности 21.01.00 «Управление и информатика в технических системах».

Апробация работы: Основные положения и результаты работы докладывались на конференциях и семинарах, частности на XIII Научно-технической конференции "Экстремальная робототехника" (г.С.-Петербург, 2002 г.), на ежегодном Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматизации и обработки информации" (г.Алушта, 2000 -2002 г.г.).

Базовые положения и результаты исследований отражены в 8 публикациях.

Структура и объем работы: диссертационная работа состоит из введения, 5 глав, заключения, списка литературы и приложения. Основная часть работы изложена на 117 страницах, содержит 15 рисунков, 8 таблиц, 1 приложение.

§5.5.Выводы по главе 5.

1 .Моделирование показало, что в случае, когда объектов мало, эффективно использовать для планирования маршрута функцию риска (5.3), которая дает почти 100% результат в обслуживании всех объектов наблюдения.

2.В случае, когда объектов много, использование функции риска (5.5) позволяет сфотографировать более 50% объектов наблюдения. Моделирование показало, что область притяжения принимает форму эллипса.

3.Использование для выбора маршрута съемки двух функций риска в зависимости от количества обнаруженных объектов, позволяет повысить эффективность космической съемки более чем на 10%.

6.3АКЛЮЧЕНИЕ.

На основе проведенных исследований можно сделать следующие выводы:

1. Поставлена и сформулирована задача воссоздания с помощью эксплуатируемых прототипов КА ряда интегральных критериев оптимальности космической съемки КА нового поколения для случаев различной плотности расположения наземных объектов в полосе обзора.

2. Предложено 4 простейших модели подинтегрального выражения критериев в виде суммы линейной и квадратичной форм от координат текущего положения оптической оси телескопа на земной поверхности, что адекватно наиболее характерным вариантам приоритетного обслуживания объектов в передней и задней полусфере.

3. Показано, что в результате применения предложенной формы критериев правило выбора маршрута съемки соответствует области притяжения в форме круга, а в более общем случае - в форме эллипса, при увеличении радиуса которых первый попавшийся на границу области объект должен быть включен в план съемки. При этом координаты центра области притяжения сдвинуты относительно положения оси телескопа на величину, зависящую от высоты орбиты, располагаемого углового ускорения КА и плотности размещения наземных объектов в полосе обзора.

4. Моделирование на ЭВМ показало, что для эффективного планирования космической съемки достаточно использовать две простейшие модели критериев и соответствующие минимизируемые функции риска для случаев относительно малой и большой плотности размещения объектов. При этом форма найденной группы правил весьма проста и может быть реализована как в наземном комплексе, так и автономно на борту КА либо программным путем, либо с помощью нейронной сети, использующей вместо линейной квадратичную свертку входных сигналов.

1. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986.

2. Кузин Л.Т. «Основы кибернетики», Москва, Машиностроение, 1972 г.

3. Емельянов C.B., Коровин С.К. Новые типы обратных связей. М.: Наука,1997.4.3ахаров В.Н. Интеллектуальные системы управления. Основные понятия и определения. //Изв. РАН. Теория и системы управления. 1997. № 3.

4. Лебедев Г.Н. Принятие оперативных решений в задачах управления и контроля. Автоматика и телемеханика. М.: Известия РАН, 1976, №8.

5. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н. Выбор стратегии поведения и альтернативной тактики в интеллектуальной системе управления. «Приборы и системы. Управление, контроль, диагностика»., 2001г., №8, с.4-8.

6. Искусственный интеллект. Справочник. Под ред. Э.В.Попова.- М.: Радио и связь, 1990.

7. Лебедев Г.Н. Интеллектуальные системы управления и их обучение с помощью методов оптимизации. М.: МАИ, 2002г.

8. Марчук Г.И. Методы вычислительной математики. 3-е изд., М.:Наука,1989.

9. Ф.Уоссермен, Нейрокомпьютерная техника, М., Мир, 1992.

10. Horfield J. J., Tank D. W. Neural computation of decisions in optimization problems. Biological Cybernetics, 1985.

11. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Н. Наука, 1996.

12. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276 с.

13. Курейчик В.М. Генетические алгоритмы: Монография. Таганрог, Из-во ТРТУ, 1998.

14. Задача коммивояжера большой размерности. Отв. Редактор Хачатуров В.Р. Вычислительный центр Академии наук, 1986.

15. Липаев В.В. и др. Математическое обеспечение управляющих ЦВМ.-М.: Сов. радио, 1972, 528 с.

16. Препарата Ф., Шеймос М. Вычислительная геометрия: введение. М., Мир, 1989.

17. Винер Н. Кибернетика.-М.: Совю радио, 1968.

18. Болтянский В.Г. Математика и оптимальное управление.- М.: Знание,1968.

19. Гельфанд И.М., Фомин C.B. Вариационное исчисление. М.: Физматгиз, 1961.

20. Математические основы кибернетики. М.: Энергия, 1980.

21. Зарепур Г., Кузин A.B., Лебедев А.Г., Лебедев Т.Н., Ситников С.Е., Толуи А. Интеллектуальная оценка полетной ситуации и принятие решений на базе многослойных нейронных сетей. Приборы и Системы. М.: Научтехлитиздат, 2001, №9.

22. Горбань А.Н. Обучение нейронных сетей. Энергия, 1989. Физматгиз, 1997.

23. Вентцель Е.С. Исследование операций. М.: Сов. радио, 1972, 256с.

24. Летов A.M. «Динамика полета и управления». М.: Наузка, 1969.

25. Галютин В.Б. Формирование аналитической формы принятия решений в задаче маршрутизации полета на основе самообучающейся нейронной сети. IV Всероссийская научно-техническая конференция «Нейроинформатика 2002», Сборник научных трудов., М.: МИФИ, 2002г.

26. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н. Проблема управления полета с помощью искусственного интеллекта. «Авиакосмическое приборостроение». М.: Научтехлитиздат, 2002 г., №1

27. Галютин В.Б. Планирование маршрута на основе самообучения. «Авиакосмическое приборостроение». М.: Научтехлитиздат, 2002 г., №2

28. Лебедев Г.Н., Андронов H.H., Ковзан Л.А. и др. Многоуровневая интеллектуальная система управления летательным аппаратом // Тематический сборник научных трудов "Интеллектуальные системы". М.: Изд. МАИ, 1991.

29. Макаров И.М., Лебедев Г.Н., Лохин В.М. и др. Развитие технологии экспертных систем для управления интеллектуальными роботами //Изв. РАН. Техническая кибернетика. 1994. № 6.

30. Кузин А.В., Лебедев А.Г., Лебедев Г.Н. Многоуровневая нейронная сеть для распознавания динамических изменений наземных сцен. Межвузовский сборник научных трудов "Автоматическое управление и интеллектуальные системы", М., МИРЭА, 1996.

31. Исследование методов построения и развития интеллектуальных систем на основе принципов адаптации, самообучения и самоорганизации.

32. Отчет о НИР. Этап2.Разработка методологии построения интеллектуальных систем управления. Рук. Лебедев Г.Н., Москва, 2002г.

33. Алехин Д.А., Буров Ю.Л., Зарепур Г., Лебедев Г.Н. Интеллектуальные обратные связи в системе управления полетом. Теория и системы управления. Изв. РАН, 1998. № 4.

34. Алехин Д.А., Буров Ю.Л., Зарепур Г., Лебедев Г.Н. Новый тип обратных связей в интеллектуальной системе управления полетом. Теория и системы управления. Изв. РАН, 1998. № 6.

35. Макаров И.М., Лохин В.М, Еремин Д.М., Манько C.B., Романов М.П., Тюрин К.В. Новое поколение интеллектуальных регуляторов. Приборы и системы управления, 1997. №3.

36. Лохин В.М., Макаров И.М., Манько C.B., Романов М.П. Синтез нечетких регуляторов на основе вероятностных моделей. Изв. РАН. Теория и системы управления, 2000. № 2.

37. Лохин В.М., Макаров И.М., Манько C.B., Романов М.П. Интеллектуальная система управления (направления исследований и результаты разработок МИРЭА). Приборы и Системы. М.: Научтехлитиздат, 2001, № 8.

38. Лебедев Г.Н. Методы принятия оперативных решений в задачах управления и контроля. М.: Изд. МАИ, 1992.

39. Гришанин Ю.С., Лебедев Г.Н., Липатов A.B., Степаньянц Г.А. Теория оптимальных систем. М.: МАИ, 1999.

40. Пупков К.А. Проблемы теории и практики интеллектуальных систем. Сборник материалов и сообщений "Интеллектуальные системы 94", Махачкала, 1994.

41. Лебедев Г.Н., Андронов H.H., Ковзан Л.А. и др. Многоуровневая интеллектуальная система управления летательным аппаратом. Тематический сборник научных трудов "Интеллектуальные системы", М., МАИ, 1991.

42. Макаров И.М., Лебедев Т.Н., Лохин В.М., Мадыгулов Р.У., Манько C.B. Развитие технологии экспертных систем для управления интеллектуальными роботами. Известия РАН. Техническая кибернетика, 1994, №6.

43. Буров Ю.Л. Принятие решений об отказах оборудования в неопределенной обстановке на базе нечеткой логики. Труды международного научно-технического семинара "Современные технологии в задачах управления, автоматики и обработки информации". Алушта, 1997.

44. Лебедев А.Г. Интеллектуализация распознавания динамических помех при наблюдении наземных объектов в процессе полета. Сборник докладов международной конференции "Информационные средства и технологии". Москва, МЭИ, 1997.

45. Петров Б.Н., Ишевский В.Е., Лебедев Г.Н., Пантелеев В.П. Информационное обеспечение космического эксперимента при изучении планет. Труды VI Международного симпозиума ИФАК по автоматическому управлению в пространстве. М., Наука, 1976.

46. Лебедев Т.Н., Герасименко В.Г., Мельников B.C. Теория и методы оптимизации управляющих и информационных комплексов. Учебное пособие. М.: МАИ, 1990,137 с.

47. Боголюбов A.A., Галютин В.Б. Многоуровневые системы управления и оптимизация их структур. Интеллектуальные системы управления летательных аппаратов. Тем. сб. научных трудов МАИ, 1991г.

48. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Интеллектуальная система для контроля исправности бортового оборудования и помощи экипажу при его отказах. Труды Международной конференции «Авиация пути развития», 1993г.

49. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Координация работы бортовых интеллектуальных систем. Труды Международной конференции «Авиация пути развития», 1993г.

50. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Интеллектуальная система помощи летчикам при отказах ботового оборудования. Труды 2-ой Международной конференции по автоматическому управлению. МАИ-ПАКУ, 1993г.

51. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Экспертная система для контроля безопасности полета Доклад на 3-ей научно-технической конференции «Системы автоматического управления летательными аппаратами». М., октябрь 1993г.

52. Боготобов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Применение принципа аналогии в задачах управления полетом. Доклад на 3-ей научно-технической конференции «Системы автоматического управления летательными аппаратами». М., октябрь 1993г.

53. Боголюбов A.A., Галютин В.Б., Лебедев Г.Н., Швайковский А.Ю. Интеллектуальная система для контроля исправности бортового оборудования и помощи экипажу при его отказах. Доклад на Международной конференции «Авиация пути развития». М. 1993г.

54. Боголюбов A.A., Бурлак В.Н., Галютин В.Б., Лебедев Г.Н. и др.) МАИ, декабрь 1993г.

55. Боголюбов A.A., Бурлак В.Н., Галютин В.Б. и др. Многоуровневая автоматическая интеллектуальная система управления и безопасности полета. Труды 3-ей Международной конференции по автоматическому управлению. Пекин, Китай, 1995г.

56. Боголюбов A.A., Бурлак В.Н., Войнич Г.В., Лебедев Г.Н., Новиков

57. A.Н. Многоуровневые интеллектуальные системы контроля и управления и принципы их построения. Сборник тезисов докладов Всемирной конференции «Проблемы совершенствования робототехнических и интеллектуальных систем летательных аппаратов». М.: МАИ, 1996 г.

58. Ануреев Д.В., Боголюбов A.A., Бурлак В.Н., Войнич Г.В., Галютин

59. B.Б., Лебедев Г.Н. Разработка баз знаний экспертной системы помощи летчику. Труды VI Международного научно-технического семинара «Современные технологии в задачах управления, автоматики и обработке информации». Алушта. М.: МАИ, 1997 г.