автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методика нейроуправления иерархической системой в условиях конфликта и неопределенности

На правах рукописи

005007704 <==

Чечурин Алексей Викторович

МЕТОДИКА НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ

Специальность 05.13.01 Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

1 2 ЯНВ 2012

МОСКВА 2012

005007704

Работа выполнена в Московском государственном университете приборостроения и информатики (МГУПИ)

Научный руководитель: кандидат технических наук, доцент

Серов Владимир Александрович

Официальные оппоненты: доктор технических наук, профессор

Воронов Евгений Михайлович

диссертационного совета Д 212.119. ________го государственного университета

приборостроения и информатики по адресу: 107996, Москва, ул. Стромынка, д. 20.

С диссертацией можно ознакомиться в библиотеке МГУПИ.

кандидат технических наук, доцент Брейман Александр Давидович

Ведущая организация: ФГБНУ «ГНТЦ «Наука»

Защита состоится « 2.5

»

2012г. в 12-:°0 на заседании

Ученый секретарь диссертационного совета к.т.н., профессор

Автореферат разослан « 2-»

2011г.

Зеленко Г.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Современные системы обработки информации и управления имеют такие структурно-функциональные особенности, как иерархическая многоуровневая структура, наличие множества подсистем, многокритериалыюсть целей управления, необходимость функционирования в условиях неопределенности.

Как известно, перечисленные особенности подобных структурно-сложных систем (ССС) наиболее полно могут быть учтены игровыми подходами, в особенности, с помощью иерархических игровых моделей управления. Одним из перспективных является направление, основанное на комбинировании теоретико-игровых принципов оптимальности, что позволяет учитывать различные виды конфликтного взаимодействия подсистем, а также находить конфликтно-оптимальные решения игровых задач управления с заданными свойствами. В частности использование иерархических стабильно-эффективных компромиссов дает возможность находить оптимальные решения, обладающие свойствами предельной эффективности и устойчивости на всех уровнях управления.

Однако существующие алгоритмы поиска стабильно-эффективных игровых решений (в сочетании с проблемой глобальной оптимизации) обладают высокой вычислительной сложностью и не удовлетворяют требованиям их реализации в режиме реального времени, что является существенным препятствием при решении практических задач. Эти же причины требуют представления управляющих сил в виде параметризованных программно-корректируемых законов управления.

Одним из самых динамично развивающихся подходов к решению в режиме реального времени задач оптимизации управления является технология искусственных нейронных сетей (ИНС), которые все более активно используются при реализации сложных систем обработки информации и управления.

В то же время распространение технологии нейроуправления на задачи оптимизации управления иерархическими многокритериальными конфликтными системами (ИМКС) в условиях неопределенности требует разработки новых нейросетевых архитектур, а также новых эффективных обучающих процедур, учитывающих особенности решаемых задач.

Все вышесказанное обусловливает актуальность темы диссертационного исследования.

Цель и задачи

Цель диссертационной работы состоит в разработке формализованного подхода к решению в режиме реального времени задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности на основе иерархических нейросетевых ансамблей (ИНСА).

Поставленная цель предполагает решение следующих основных задач:

- обоснование целесообразности использования ИНСА при решении задачи многокритериальной конфликтной оптимизации управления иерархической системой

в условиях неопределенности;

- формализация постановки задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности в нейросетевом базисе;

- разработка архитектуры ИНСА с учетом особенностей решаемой задачи;

- разработка алгоритмического обеспечения обучения ИНСА;

- разработка методики синтеза алгоритмов многокритериального нейро-управления иерархической системой в условиях конфликта и неопределенности.

Объект исследования - процессы управления в иерархических многокритериальных конфликтных системах, функционирующих в условиях неопределенности.

Предмет исследования-нейросетевые технологии оптимизации управления иерархическими многокритериальными конфликтными системами в условиях неопределенности.

Методы исследования

При решении поставленных задач применялись методы теории искусственных нейронных сетей, многокритериальной оптимизации и принятия решений в условиях конфликта и неопределенности, дискретной математики, теории информации. При проведении экспериментов использовались вычислительные методы и моделирование на ЭВМ.

Научная новизна

В диссертации сформирован комплексный формализованный подход к решению в режиме реального времени задачи оптимизации управления иерархической многокритериальной конфликтной системой, функционирующей в условиях неопределенности, на основе иерархических нейросетевых ансамблей.

В рамках предложенного подхода получены следующие основные научные результаты:

1. Постановка задачи оптимизации управления ИМКС в условиях неопределенности формализована в нейросетевом базисе. Для решения поставленной задачи предложено использовать принцип иерархического стабильно-эффективного игрового компромисса.

2. Разработана структура ИНСА, включающего в себя в качестве базовых элементов унифицированные нейросетевые классификаторы (УНК), которые осуществляют построение множеств конфликтно-оптимальных решений, соответствующих выбранным принципам оптимальности.

3. Разработана методика многокритериального обучения унифицированного нейросетевого классификатора, позволяющая:

• повысить достоверность результатов функционирования УНК;

• решать задачу классификации входных сигналов УНК в режиме реального времени.

Практическая значимость

Научные результаты диссертации реализованы в виде инженерной методики

синтеза алгоритмов многокритериального нейроуправления иерархической системой в условиях конфликта и неопределенности.

Разработанная методика реализована в виде комплекса программных средств (КПС) и использована при исследовании эффективности управления нагрузкой в каналах связи системы передачи радиоэлектронной информации, функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных информационных потоков.

На библиотеку, в которой реализован базовый вычислительный модуль КПС, получено свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) №2011618436, 26.11.2011г.

Результаты диссертационной работы использованы при выполнении научно-исследовательской работы № ИТГб/602 на тему «Разработка эволюционных методов оптимизации управления и принятия решений в многокритериальных конфликтных системах в условиях неопределенности», а также в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплине «Технологии системного моделирования».

Апробация работы

Основные результаты работы представлены на конференциях: Шестая международная конференция-выставка «Промышленные контроллеры 2011: от А до Я», Новые информационные технологии - XIV Всероссийская научно-техническая конференция (Москва 18-20 апреля 2011г.), Новые информационные технологии - X Всероссийская научно-техническая конференция (Москва 19-20 апреля 2007г.).

Основные положения и результаты работы докладывались и обсуждались на кафедрах факультета «Информационные технологии» ФГБО ВПО «Московский государственный университет приборостроения и информатики».

Публикации

По теме диссертации опубликовано 7 печатных работ, в том числе 3 статьи в изданиях, рекомендованных ВАК для опубликования научных положений диссертационных работ, получено свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2011618436, 26.11.2011 г.

Структура н объем работы

Диссертация состоит из введения, 4 глав, заключения, списка литературы, состоящего из 97 наименований. Объем работы составляет 117 страниц, включая 23 рисунка и 12 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы диссертационной работы, сформулированы цели и задачи исследования, обоснованы научная новизна и практическая

ценность исследований, приведены сведения об апробации работы, представлены основные научные результаты, полученные в ходе выполнения работы.

В первой главе рассматривается задача оптимизации управления иерархической многокритериальной системой в условиях конфликта и неопределенности. Учет факторов многоуровневости, многокритериальное™ целей управления, конфликтного характера взаимодействия подсистем и функционирования в условиях неопределенности наиболее полно и эффективно реализуется в рамках теоретико-игрового подхода, развиваемого работах Ауманна Р., Вилкаса Э.Й., Воробьева H.H., Воронова Е.М., Жуковского В.И., Мулена Э., Нэша Дж., Серова В.А., Харшаньи Дж.

Таким образом, задачу оптимизации управления ИМКС в условиях неопределенности целесообразно формализовать в виде иерархической игры в условиях неопределенности с правом первого хода

Г = (С, N, V, {U, }ieiV, Q, F(v, и, q)ieN, r'(ß, v)). (1)

Предполагается, что в игре (1) принимают участие (п + 1) игрок: координирующий центр С, распоряжающийся выбором стратегии veV <zE", и п управляющих подсистем нижнего уровня иерархии, распоряжающихся выбором стратегий

и, € i/, с Ег", / € N = {/,»]; q - неопределенный фактор, о котором лишь известно,

что он принимает значения из множества Q с Е^; F(v,u,q)e Етс - векторный показатель эффективности Центра.

Игра T'(Q, v) описывает условия конфликтного взаимодействия игроков нижнего уровня иерархии в условиях неопределенности Q при фиксированном veV, которые в достаточно общем виде могут быть формализованы в виде бескоалиционной игры в условиях неопределенности

= (2)

где Ji(v,u,q)e Ет' - векторный показатель эффективности / -ой подсистемы.

В нейросетевом базисе задача (1) может быть сформулирована как задача многокритериальной оптимизации параметров алгоритмов нейроуправления в условиях конфликта и неопределенности в виде иерархической игры в условиях неопределенности:

Г = (С, N, Н,, V, {Ut , Q, F(h,, v, и, q)ieN, Г% v)) (3)

где С, N, V, U и Q определяются аналогично задаче (1); Н1 - множество характеристик fil=(s!,wl), отражающих структуру и параметры ИНС;;

F{lii,v,u,q) е Етс - векторный показатель эффективности Центра.

Игра Г' (2) формулируется в нейросетевом базисе в виде

Г = (А^, H2,{U,\sN,Q, {j,(l,2,v,u,q)lN), (4)

где Н2 - множество характеристик h2 ИНС2.

Таким образом, ИНС, используемые для решения задач (3)-(4), реализуют нелинейные однозначные отображения вида

F,(H,y.QxV->Cr, F2{H2):QxVXU -»С,

(5)

(6)

соответственно. Отображение (5) выполняет классификацию входных векторов х, е Q х V = X, по классам из Cv, а отображение (6) классифицирует входные вектора х2 е QxV xU = X г по классам из Си.

Существенным моментом при решении задачи (3) является формирование обучающего множества, для чего используется известный многоэтапный механизм формирования решения, записанный в следующем виде:

Этап 1. При конкретной реализации вектора неопределенных факторов q eQ Центр делает первый ход, выбирая свою стратегию v eV. Игроки нижнего уровня разыгрывают игру r'(q, v) и формируют множество оптимальных решений U"'" (<7, v). Конкретный вид множества Uop'{q,v) зависит от принципа оптимальности, используемого игроками нижнего уровня.

В качестве принципа оптимальности при формировании множества U"p'(q,v), когда на нижнем уровне иерархии имеет место бескоалиционное взаимодействие между подсистемами, целесообразно использовать различные модификации стабильно-эффективного компромисса (СТЭК), исследуемого в работах Жуковского В.И., Воронова Е.М., Серова В.А.

Этап 2. Центр оценивает эффективность применения стратегии v е V в условиях неопределенности Uop'(q,v), после чего на множестве V осуществляет построение множества оптимальных решений V"p'(q).

Оптимальным решением иерархической игры (3) считается набор {г',и }, где v' е V"1" (q) и и е U"''!(v\q), построенный на основе иерархического СТЭК, различные модификации которого исследуются в работах Воронова Е.М., Серова В.А.

Для поиска иерархического СТЭК в задаче (3) предлагается использовать иерархический нейросетевой ансамбль (ИНСА). На нижнем уровне ИНСА осуществляется независимое построение множеств конфликтно-оптимальных решений и их суперпозиции с целью построения множества векторов управляющих параметров подсистем, а на верхнем - построение множества векторов приоритетов подсистем.

Для построения множеств конфликтно-оптимальных решений задачи (3) разработана специальная нейросетевая структура - унифицированный нейросетевой классификатор (УНК). УНК состоит из двух последовательно подключенных компонентов - многослойного персептрона и сети обучающего векторного квантования (Learning Vector Quantization - LVQ). В состав ИНСА входят 4 УНК: 1 УНК на верхнем уровне - УНКГ для построения оптимального вектора приоритетов Центра и 3 УНК на нижнем уровне - УНКд, УНК^ и УПК// для построения множеств Парето-оптимальных решений, активных равновесий и Нэш-равновесных решений, соответственно. Многослойный персептрон из состава УНК осуществляет предварительную обработку входных данных, которые затем поступают на сеть LVQ, где подвергаются

кластеризации и классификации в пространстве целевых функций Центра, либо подсистем.

Постановки задач обучения компонентов УНК формализованы как конечномерные задачи многокритериальной оптимизации в условиях неопределенности, для решения которых используется принцип векторного минимакса и генетический алгоритм многокритериальной оптимизации (ГАМО) в условиях неопределенности, разработанный Серовым В.А.

Постановка задачи обучения МП из состава УНК. МП реализует нелинейное однозначное отображение:

Z(W)-.X-*Y, (7)

где W с Е^' - множество допустимых значений (МДЗ) весового вектора w МП; X с E's - МДЗ входного вектора х МП; У с £"*'' - множество достижимых значений выходного вектора у МП.

Постановка задачи контролируемого обучения МП подразумевает формирование обучающего множества

i={(*(V0)b'=/wv}> (В)

где у- требуемый выходной вектор МП, соответствующий реализации вектора x^elcX в j-ой обучающей паре; N - мощность аппроксимирующего множества X сХ.

Рассмотрим подробно постановку задачи обучения МП из состава УНК^. Соответствие между величинами в (3) и (7)-(8) следующее: X = Q х V с Е'х ,

X = [//r,F = Fc^, y=F'(q,v), y = F{q,v,w).

Каждой обучающей паре из (8) поставим в соответствие значение

векторного показателя эффективности Ег>' вида

/(w,XW) =

I у W-/WI

J о- Srr

(9)

Компоненты векторного показателя характеризуют величины рассо-

гласования между требуемыми и фактическими значениями компонентов векторного показателя эффективности взаимодействующих подсистем.

Постановку задачи обучения МП целесообразно формулировать в виде задачи многокритериальной оптимизации в условиях неопределенности:

(№,Х,1( п,х)}. (10)

В (10) ь> е IV - вектор весовых коэффициентов МП; х - играет роль вектора неопределенных факторов, о которых лишь известно, что Ж может принимать любое значение из аппроксимирующего множества X с X; векторный критерий 1(м>, х) определен на декартовом произведении № х X. Множества IV к X заданы систе-

мами интервальных ограничений-неравенств.

Для решения задачи (10) в качестве принципа оптимальности используется векторный минимакс. Модификации и свойства векторного минимакса исследованы в работах Жуковского В.И., Молоствова B.C., Салуквадзе М.Е. Содержательный смысл векторного минимакса состоит в том, что осуществляется оценка всех компонентов векторного критерия l(w,x) по самым наихудшим их значениям, часто даже не реализующимся одновременно.

Использование принципа векторного минимакса сводит задачу (10) к многокритериальной постановке:

определить min D(w), (11)

где векторная оценка D(w)s - виртуальный максимум задачи (10) на множестве

l(w,x)= Задача (11) состоит в поиске допустимого решения w' е W,

Н

при котором Zj(w*)e ), где d(/F*J - множество векторных минимаксов, которое имеет смысл Парето-границы множества достижимых векторных оценок D(w).

Постановка задачи обучения сети LVQ из состава УНК. Сеть LVQ выполняет кластеризацию сигналов, реализуя нелинейное однозначное отображение:

3{IV):Y->Z, (12)

где W с Ег,у - МДЗ весового вектора w сети LVQ; V с Ег* - множество входных векторов у сети LVQ; Z = {1, м\ - множество номеров нейронов, к кластерам которых сеть LVQ может отнести входной вектор у е У, М - количество нейронов сети LVQ.

Последующая классификация выходного сигнала сети LVQ может быть реализована на основе однослойного персептрона или таблицы соответствия «номер нейрона - класс». Сеть LVQ обучается так, что при формировании кластеров учитывается «классовое» разделение входных сигналов. Поэтому границы между кластерами, сформированными сетью LVQ, в отличие от самоорганизующейся карты (Self-Organizing Map - SOM), соответствуют границам между различными классами, а сами кластеры обученной сети содержат входные векторы только одинаковых классов.

Рассмотрим подробно постановку задачи обучения сети LVQ из состава УНКр. Соответствие между величинами в (3) и (12) следующее: Y = QxF,

Следует заметить, что в сети LVQ для любого вектора и>, весовой матрицы и' = [и>/,...,и>м] еW справедливо

W, е Г, i = TJd, (13)

где М - количество нейронов сети LVQ. Таким образом, вектор ic, определяет положение / -го нейрона в пространстве входных векторов Y.

Обучение сети предполагает построение обучающей выборки

1=((у(/,.с(/)) , У = , (14)

где у^ е У с У - входной вектор, подлежащий кластеризации; с^ е С - класс, характеризующий свойства вектора у^ в } -м шаблоне; N - мощность аппроксимирующего множества У с У.

При обучении сети ЛУС^ производится подстройка весовых векторов / = 1,М ее нейронов на основе значений входных сигналов у^ еУсУ и соответствующих классов е С, у =1,Ы. В результате обучения нейроны занимают положения в центрах соответствующих кластеров - компактно расположенных непересекающихся групп входных векторов у € У, причем каждый кластер содержит входные вектора только одного класса из С.

Кластером будем называть множество вида Ук' (ь>)= {у\1 е Л"Ди>)} с: К, где К, (и'), 1 = 1,М - множество индексов входных векторов у, которые входят в множество У к' (и»), ядром (центром) которого является / -й нейрон сети ЬУ(2 с весовым вектором

Заметим, что структура / -го кластера Ук' (м>), х = 1,М зависит от взаимного расположения всех нейронов сети ЦУС?. Множество индексов всех векторов у е У обозначим К. Тогда кластерная структура <7:

и 1

К&Х\К№)=®>\)КМ=К ■ (15)

( м \

Для определения принадлежности вектора ] = какому-либо кластеру

Ук' (1^), 1 = 1,М необходимо вычислить компоненты вектора г^ = = 1, м\ в виде

I, если У к * I I у^ - ы, I й I -у»Л,к = 1,М,

,, п _ (16)

О, если 3к * г - м>1 > уи1 - у*к , к = 1,М-

Если в (16) г^ = /, то у^ принадлежит кластеру УА' (м>).

После вычисления всех у = 7, Л^ формируется матрица принадлежности Я размерности \м х ./V].

Оценка качества кластеризации на множестве входных векторов К с У с помощью сети ЬУ<3 с весовой матрицей \velV может быть произведена с помощью векторного показателя эффективности I{w,y)вEr,, вычисляемого для каждого вектора ] = 1, N, в виде

г(*>.у0))=

Г

А МО .к

(17)

„М

компоненты которого характеризуют отклонения входного вектора у1" от ядра кластера У*'(и>), которому данный вектор у^ принадлежит, по показателю эффективности каждой из подсистем.

Для оценки качества формирования сетью кластеров с учетом класса, к которому относится входной вектор, предложено использовать следующий показатель эффективности сети ЬУ(3 с весовой матрицей и»:

Г и / м 1 ~\т

Т{к,у)= М £ф„у)/М , (18)

_|=/ / 1=1 / .

где 7'/(|1>,-,.у) - признак наличия элементов обучающей выборки в кластере нейрона г = 1, М (принимает следующие значения: 1 - входные векторы отсутствуют, 0 -векторы присутствуют); Т2 (и»,-, у) - количество входных элементов «чужих» классов

в кластере нейрона г, ; = 1, М.

Постановку задачи обучения сети IV О предлагается формулировать в виде задачи многокритериальной оптимизации в условиях неопределенности:

IV,У,

(19)

В (19) и> - весовая матрица сети вектор у имеет смысл неопределенного фактора, о котором лишь известно, что у может принимать любое значение из аппроксимирующего множества У с У; векторные критерии /(н>, _у) и Т(и>, у) определены на декартовом произведении х У. Множества IV и У заданы системами линейных ограничений-неравенств.

Используя принцип векторного минимакса, сводим задачу (19) к виду (11), где

7(*0

векторная оценка

е £"у+2, а /(иОеЕ* - виртуальный

максимум

n

задачи(19) на множестве 1{у>,У) = иЛ'^.у)-

На содержательном уровне задача (19), сведенная в к виду (11), состоит в минимизации размеров всех кластеров по каждому компоненту векторного показателя эффективности Центра или взаимодействующих подсистем, а также в минимизации содержания в кластерах элементов различных классов, что автоматически повышает точность решения сетью ЬУО задач кластеризации и последующей классификации входных сигналов.

Во второй главе разрабатывается методическое и алгоритмическое обеспечение методики синтеза алгоритмов оптимального управления иерархической много-

критериальной системой в условиях конфликта и неопределенности на основе ИНСА.

Нейроконтроллер, осуществляющий построение иерархического СТЭК в задаче (3) в условиях неопределенности, функционирует следующим образом:

Подготовительный этап. Декомпозиция признаков стабильно-эффективного решения иерархической задачи. Блок структурно-целевой декомпозиции НК выделяет базовые принципы оптимальности: оптимальность по Парето, векторный минимакс, активное равновесие, равновесие по Нэшу, иерархическое равновесие. Комбинирование указанных принципов позволяет целенаправленно формировать иерархические компромиссы с заданными свойствами.

Этап 1. Построение множества оптимальных координирующих управлений Центра в задаче (3) с помощью УНКГ.

Шаг 1. Предварительное построение на множестве допустимых приоритетов подсистем К = Р! ^ (/V = {/,«} - множество взаимодействующих подсистем) се-

¡еЛГ

точной аппроксимации V = У1 с V.

Шаг 2. Формирование множества входных векторов МП УНКк вида

Х = {х]=[ЧТ = } ,где (20)

Шаг 3. Подача вектора е X, у = 1, Иу на вход МП УНКи с весовой матрицей \оУш е \УМП и вычисление с помощью МП соответствующего значения векторного показателя эффективности Центра ¥^(д,,м>гш)б Р, у = 1,Иу .

Шаг 4. Определение с помощью сети ЬУО УНК^ с весовой матрицей ы^уу = [и>, ,= 1,м\ е IVпринадлежности вектора ¥^ 6 Р, у = /, Ыу кластеру некоторого нейрона /, х-1,М, а также классу с у е Су {сУ!, сУ2 }, к которому относится «выигравший» нейрон (, г = 1,М, где М -число нейронов сети ЬУС?.

Шаг 5. По результатам классификации X формируется множество У(д) вида Hч)A^VJ.Cy(&,VJ))\sy(q,фcrJ = Щ} , (21)

где Су[д,г})= сУ1 - означает, что V^ е V является эффективным решением задачи (3) при реализации неопределенности д,а су (д, )= сУ2 - противоположное.

Дискретная аппроксимация множества эффективных решений задачи (3) V (д)с.Е" формируется из У (с/) следующим образом:

= • (22)

Шаг 6. Для выбора оптимального решения V * из множества V * {с{) предлагается использовать вычислительную процедуру, основанную на критерии Гермейера, применение которой позволяет при выборе решения v * учесть наихудшие значения

всех компонентов векторного показателя эффективности р(д,\>) на множестве

у'{ч).

Этап 2. Построение множеств конфликтно-оптимальных решений задачи (4) с помощью ансамбля УНК^-УНКя-УНКя нижнего уровня ИНСА.

1. Построение множества активных равновесий с помощью УНК^ осуществляется следующим образом.

Шаг 1. Предварительное построение на множестве допустимых стратегий = (N = {/,«) - множество взаимодействующих подсистем) сеточной ап-

(еУУ

проксимации

¡¿ы

Шаг 2. Формирование множества входных векторов МП УНК^ вида

Х = {х]=[ЧТ,ГТ,и]\] = ТЖ^} ,гденуе£/. (23)

Шаг 3. Подача вектора х; е X, ] = 1, Л^ на вход МП УНКА с весовой матрицей п>мП 61УМП и вычисление с помощью МП соответствующего значения векторного показателя эффективности подсистем (у, ¥',i^J,wi^п)e Л, ] = 1, Л^.

Шаг 4. Определение с помощью сети ЬУО УПКл с весовой матрицей м>'[уд=\и>1,1- 1,м\ е IV 1У() принадлежности вектора J| е J, 7 = у кластеру некоторого нейрона I = 7, А/, а также классу сА еСл = {сл/, сА2 }, к которому относится «выигравший» нейрон /, / = 1, М, где М - число нейронов сети ЬУС>.

Шаг 5. По результатам классификации X формируется множество 0 л ((], v *)

вида

V а (9. V'' )= ((и,, С, V', Ш;)) V •, й, )еСА,] = Щ] (24)

где сл(д,г*сА1 - означает, что й} е[/ является активным равновесием задачи (4) при реализации неопределенности q и фиксированном Центром векторе приоритетов подсистем V*,а сА{({,у*,ну)= сЛ1 -противоположное.

2. Построение множества эффективных решений с помощью УНКл осуществляется аналогично построению множества активных равновесий и заключается в формировании множества вида

где Сп = {сП1,сП2 }; Сц{с],V*,и,) = сП! - означает, что и] е(/ является Парето-оптимальным решением задачи (4) при реализации неопределенности q и фиксированном Центром векторе приоритетов подсистем V*, а с п(с/,V*,¿7,) = сП2 - противоположное.

3. Построение равновесия по Нэшу с помощью УН К/, осуществляется аналогично построению множества активных равновесий и заключается в формировании множества Vн (с/, V*) вида

= . (26)

где Сн ={сИ1,сН2 }; сн(<7,у*,(7^)= сн/ - означает, что й)е11 является равновесием по Нэшу задачи (4) при реализации неопределенности (} и фиксированном Центром векторе приоритетов подсистем V*, а сн{ч,сн2 -противоположное.

Этап 3. Агрегирование свойств множеств конфликтно-оптимальных решений с целью построения множества стабильно-эффективных решений иерархической задачи (4) в условиях неопределенности, а также выбор из него единственного решения.

Вариант I. Агрегирование свойств множеств активных равновесий и эффективных решений.

Построение с помощью множеств ¿/¿(<7, V*) и ¿/я(</, V"') множества I! ¡.((],V')

вида

(27)

где

( к/, если

{ / >} = 1>Щ (28)

[си, если ,ц)=см ,и})=сП2

с5(дг,у*,й/)=с5/ означает, что Пу - стабильно-эффективное решение задачи (4) при реализации неопределенности q и фиксированном Центром векторе приоритетов подсистем V*, а с ?((/, V *, и)= - противоположное.

Аппроксимация множества стабильно-эффективных решений {/Д^Д*) формируется из и8 {(], V*) следующим образом:

} сГ-. (29)

Вариант 2. Применение схемы компромисса на основе равновесия по Нэшу - в случае его наличия в задаче (4).

Построение на основе множеств &и 0и{(¡,V') множества эффективных решений IIп {д, V *) и множеств равновесий по Нэшу IIн (д, V'):

¡Сп^У'Н^Ст^^'.Кй } > (30)

М^'Ы"; = } • (31)

Построение множества стабильно-эффективных решений осуществляется согласно следующему правилу:

¿7,(9,г)={н| ^Ч,Г,й)-з(Ч,Г,йн)йОп, иеип(Ч,?)} сГ', (32)

которое проверяется для каждого ин е UH\q,v'j.

Методика обучения УНК включает в себя следующие основные этапы:

Этап 1. Формирование обучающей выборки для УНК на основе дискретной аппроксимации множества конфликтно-оптимальных решений, построенного с помощью комплекса генетических алгоритмов многокритериальной конфликтной оптимизации (ГАМКО).

Этап 2. Построение оптимального вектора весовых коэффициентов МП путем глобального анализа пространства весовых коэффициентов нейронов МП с помощью ГАМО.

Для уменьшения сложности задачи обучения МП предложена комбинированная схема, представляющая собой ряд вложенных друг в друга ГАМО. Каждый из них используется для обучения отдельных слоев МП: самый внешний ГАМО - для обучения первого слоя МП, а самый внутренний - для обучения последнего слоя МП.

Этап 3. Построение оптимального вектора синаптических связей сети LVQ путем глобального анализа пространства весов нейронов сети LVQ с помощью ГАМО.

В данной работе предложен способ повышения качества обучения LVQ на основе разработанной схемы модифицированного обучения сети LVQ с наращиванием сети и выборочной настройкой нейронов. Смысл данной схемы заключается в том, что одновременно производится настройка только малой части нейронов, в наибольшей степени требующих корректировки весовых коэффициентов. Если же при имеющейся конфигурации сети LVQ не удается добиться снижения ошибки обучения, то в сеть добавляются новые нейроны.

В случае высокой размерности входного вектора УНК обучение его компонентов может потребовать больших вычислительных затрат. В связи с этим каждый из УНК ИНСА может быть заменен эквивалентной схемой «селектор - массив УНК-ячеек». На вход массива небольших УНК-ячеек подается только часть компонентов полноразмерного входного вектора. Другая его часть играет роль адреса, по которому специальный селектор, заданный в виде таблицы, активирует одну или несколько УНК-ячеек, обученных на редуцированных входных векторах.

Заметим, что с целью повышения точности решения оптимизационной задачи и при наличии достаточных вычислительных возможностей вышеописанным способом могут редуцироваться различные сочетания компонентов одного и того же входного вектора. Очевидно, что это потребует формирования нескольких независимо обученных и функционирующих схем «селектор - массив УНК-ячеек». В общем случае при длине входного вектора УНК т и числе редуцируемых компонентов г максимально потребуется Сгт (число сочетаний из т по г) подобных схем.

Третья глава посвящена исследованию эффективности алгоритмов ИНСА-управления нагрузкой в каналах связи системы передачи радиоэлектронной информации в условиях конфликта и неопределенности.

В практической части работы с использованием разработанной методики проведено исследование предельных возможностей системы передачи радиоэлектронной информации (СПРЭИ). Подсистемы СПРЭИ осуществляют радиоэлектронный мони-

торинг текущей обстановки в зоне выполнения специальной операции. Информация о текущей радиоэлектронной обстановке принимается подсистемами СПРЭИ и по индивидуальным и общему каналам связи передается в Центр сбора и обработки информации.

В состав СПРЭИ входят Центр, имеющий право первого хода, и п — 4 подсистем (группировок) Г1-Г4, состоящих из пар «источник-приемник». Приемник получают информацию только от своего источника, пользуясь двумя каналами: индивидуальным и общим. При этом общий канал делится между подсистемами в соответствии с их приоритетами у,, у2, ..., у„. Доля ресурса общего канала РЛ1, выделяемая на обслуживание подсистемы /, вычисляется по формуле

(33)

/ Ы1

где Рм - пропускная способность общего канала.

СПРЭИ функционирует в условиях неопределенности входных потоков

<1 = \Ч1'Ч2.....<7„Г 66>где 0 = е Е"\ди йя, = 1,п).

Центр формирует вектор приоритетов у = [у;, у2 ,..., у„ ] 6 V <^Е", где

V = (и е £■"] уи Ц V, ^ I - , в соответствии с которым пропускная способность общего канала распределяется между подсистемами.

Затем при заданных приоритетах у, е каждая подсистема формирует стратегию и1 е и,, определяющую долю входного потока дп ¡ = 1,п, направляемого в индивидуальный канал. Остальная часть потока идет через «общий» канал. Множество допустимых стратегий подсистем задано в виде II = [и е Е" | ии 5 м, 2 ию, г = /,и] .

Реальный поток в канале ограничен его пропускной способностью, вследствие чего возможно возникновение очередей, приводящее к потере информации. Наличие данного фактора снижает эффективность СПРЭИ. Поэтому в качестве компонентов

векторного показателя эффективности подсистем /(у,и,(/)= [./, (у, и, ^г), / = целесообразно использовать приведенные времена задержек передачи сообщений от источников к приемникам:

т, = 7,(у,и,([) = тах{ти(у,и,?)/гт£Ш,тм(у,и,ч)/т:тахМ} , 1=1,п, (34) где ти, гш - средние времена задержек передачи по индивидуальному и общему каналам, соответственно; хтт, гтахМ - максимально допустимые задержки передачи в индивидуальном канале и магистрали, соответственно.

Использование приведенных величин связано с тем, что, с практической точки зрения целесообразно не минимизировать максимальную задержку передачи по подсистемам, а снижать ее до некоторого порогового значения.

Поэтому показатель эффективности Центра и СПРЭИ в целом должен удовлетворять условию

/«'(г,и,где р{у,ид)=твх Ji(v,u,q). (35)

1=1,п

Постановка задачи оптимизации управления потоками данных в СПРЭИ формулируется в виде иерархической игры в условиях неопределенности с правом первого хода вида (2). Для решения задачи (2) в качестве принципа оптимальности целесообразно использовать иерархический СТЭК в условиях неопределенности.

Предварительный анализ показал, что игровая задача оптимизации управления нагрузкой в каналах связи СПРЭИ обладает решением, равновесным по Нэшу. Это позволило отказаться от включения в состав ИНСА УНК,), осуществляющего построение множества активных равновесий. Таким образом, множество стабильно-эффективных решений иерархической игры будет формироваться путем комбинирования принципов оптимальности по Парето и равновесия по Нэшу.

Параметры СПРЭИ приведены в табл. 1.

На основе данных о нагрузке подсистем построена сеточная аппроксимация е=&х&хб,хё,се> где &={(); 200;...; 800}, ()2={0;100;...;400}, ёз = {0;200;...;1000}, = {0;100;...;300}, а также аппроксимация У=У1хУ2хУ3хУ4с:У, где V, = У2 = У3 = 74 = {О;0.25;...; 1}. Мощность множества 2 Л^ = 600, мощность V равна Иу =625.

Таблица 1

Подсистема Пропускная способность канала, кбит/с Диапазон изменения

приоритета управляющего параметра ВХОДНОЙ нагрузки, кбит/с

Г1 Я, = 256 02У, ОйЩ 02?, 2800

Г2 Рг =128 02?, 2400

ГЗ Р3 =512 02«, ¿1 0 2^з 21000

Г4 Л =128 02У421 §1 02<74 2300

Магистраль Л, =1024

С целью уменьшения сложности задач обучения УНК из состава ИНСА заменяются системами «селектор - массив УНК-ячеек», функционирующих при некоторых фиксированных значениях вектора неопределенности Таким образом, снижается размерность входного вектора УНК, что позволяет использовать обучающие выборки меньшего размера, а также упрощать структуру ИНС из состава УНК-ячеек. Исходя из этого, необходимое число УНК-ячеек для замены каждого УНК из состава ИНСА равно Иунк = 600.

А. Параметры УНК^ячейки:

- мощность обучающей выборки - 625 пар;

- многослойный персептрон: 2 слоя (4 входа - 8 нейронов первого слоя - 1 нейрон выходного слоя); 49 весовых коэффициентов;

- сеть ЬУС): 1 вход, 25 нейронов, 25 весовых коэффициентов.

Б. Параметры УНК^-ячейки и УНК^-ячейки:

- мощность обучающей выборки в среднем составляет б 230 052 и 387 655 пар, соответственно, для каждой из УНК^-ячейки и УНК^-ячейки;

- многослойный персептрон: 2 слоя (8 входов - 16 нейронов первого слоя - 4 нейрона выходного слоя); 212 весовых коэффициентов;

- сеть ЬУ<3: 8 входов, 256 нейронов, 2048 весовых коэффициентов.

Для сети ЬУ(3 указано начальное число нейронов, поскольку применение схемы модифицированного обучения сети предполагает добавление нейронов в сеть при ее обучении в случае необходимости.

При проведении исследования использовались следующие режимы функционирования ИНСА:

I - ИНСА-управление с изменяемыми приоритетами подсистем;

II - ИНСА-управление с фиксированными приоритетами подсистем.

Режим II реализуется путем отключения в ИНСА УНК верхнего уровня, при этом значения приоритетов подсистем СПРЭИ задаются Центром в виде следующих фиксированных значений: vl= 1, = 0,75, = 0,75, у4 = 0,25.

В таблице 2 представлены результаты проведения исследования.

Таблица 2

Режим Тип Приведенные задержки подсистем, J шах J

Г1 Г2 гз Г4

1 максимум 1,075 1,070 1,067 1,050 1,075

среднее 0,962 0,964 0,974 0,957 0,974

минимум 0,908 0,907 0,906 0,905 0,908

II максимум 1,202 0,998 1,203 1,294 1,294

среднее 0,969 0,943 0,989 1,015 1,015

минимум 0,906 0,905 0,906 0,905 0,906

Из таблицы видно, что в режиме I максимальные «выбросы» приведенной задержки передачи J вида (34) не превышают 10% от единицы. В то же время, в режиме II у подсистем наблюдаются «всплески» задержек до 30% от допустимой величины.

Значение показателя Центра в режиме I функционирования ИНСА равно (у, «,</)= 1,075 при максимуме по подсистемам средней нормализованной задержки тс = 0,974, а в режиме II - 1,294 при максимуме среднего значения тс = 1,015. Исходя из этого, в режиме I требования по уровню задержки ^(у.и, </) выполняются в большей степени, чем при работе ИНСА во втором режиме.

Таким образом, результаты исследования предельных возможностей СПРЭИ показали, что применение алгоритмов ИНСА-управления, реализующих управление, как приоритетами подсистем, так и распределением входных потоков данных по каналам, позволяет более эффективно использовать ресурсы системы по сравнению с алгоритмами управления нагрузкой в каналах связи при фиксированных приоритетах

подсистем.

Кроме того, сравнительный анализ эффективности разработанных алгоритмов ИНСА-управления и известных алгоритмов НСА-управления показал, что введение УНК в состав нейросетевого ансамбля обеспечивает решение задачи классификации входных сигналов в режиме реального времени.

Четвертая глава включает описание структуры и компонентов комплекса программных средств, разработанного в рамках настоящей работы для реализации предложенной методики оптимизации управления иерархическими системами в условиях конфликта и неопределенности на основе иерархических нейросетевых ансамблей.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе получены следующие основные научные и практические результаты.

1. Постановка задачи оптимизации управления иерархической многокритериальной конфликтной системой в условиях неопределенности сформулирована в ней-росетевом логическом базисе. Для решения поставленной задачи предложено использовать принцип иерархического стабильно-эффективного компромисса.

2. Разработана схема нейронного управления иерархической многокритериальной конфликтной системой в условиях неопределенности, используемая для построения иерархического стабильно-эффективного компромисса в режиме реального времени, которая включает нейроконтроллер с компонентами: блок структурно-целевой декомпозиции, иерархический нейросетевой ансамбль, блок агрегирования свойств конфликтно-оптимальных решений.

3. Разработана структура иерархического нейросетевого ансамбля, включающего в себя в качестве базовых элементов унифицированные нейросетевые классификаторы.

4. Разработана методика многокритериального обучения унифицированного нейросетевого классификатора, позволяющая:

■ повысить достоверность результатов функционирования многослойного персептрона и сети LVQ из состава унифицированного нейросетевого классификатора;

• решать задачу классификации входных сигналов унифицированного нейросетевого классификатора в режиме реального времени.

5. Разработана методика синтеза алгоритмов оптимального управления иерархической многокритериальной конфликтной системой в условиях неопределенности на основе иерархического нейросетевого ансамбля.

6. Разработан комплекс программных средств, который реализует предложенную методику и может быть использован для решения широкого круга задач оптимизации управления иерархическими системами в условиях конфликта и неопределенности.

7. Разработанная методика использована для решения задачи оптимизации управления нагрузкой в каналах связи системы передачи и обработки радиоэлектронной информации, функционирующей в условиях конфликтного взаимодействия под-

систем и неопределенности информационных потоков. Показано, что применение алгоритмов ИНСА-управления, реализующих управление, как приоритетами подсистем, так и распределением входных потоков данных по каналам, позволяет более эффективно использовать ресурсы системы по сравнению с алгоритмами управления нагрузкой в каналах связи при фиксированных приоритетах подсистем.

8. Имеется свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2011618436, 26.11.2011 г. Результаты работы используются в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплинам «Технологии системного моделирования» и «Основы системного анализа».

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в журналах, рекомендованных ВАК

1. Серов В.А., Бабинцев Ю.Н., Чечурин A.B. Нейро-эволюционная технология многокритериальной оптимизации управления потоками данных в автоматизированной системе мониторинга в условиях конфликта и неопределенности // Нейрокомпьютеры: разработка и применение. - М.:ИПРЖР, 2008, №9. - С. 65-71.

2. Серов В.А., Чечурин A.B. Технология нейросетевых ансамблей в задаче поиска иерархического равновесия в многоуровневых системах управления//Труды Института системного анализа РАН. Динамика неоднородных систем / под ред. Попкова Ю.С. - М.: Книжный дом «ЛИБРОКОМ», 2009 - Т. 42 (2). - С.46-50.

3. Серов В.А., Чечурин A.B. Управление многоуровневыми системами в режиме реального времени на основе иерархических нейронных ансамблей // Промышленные АСУ и контроллеры. - М.: ООО Издательство «НАУЧТЕХЛИТИЗДАТ», 2011, №7. -С. 37-41.

Публикации в других изданиях

4. Серов В.А., Чечурин A.B. Многокритериальная оптимизация в локальной вычислительной сети в условиях неопределенности II Новые информационные технологии: Сборник трудов X Всероссийская научно-техническая конференция (Москва 19-20 апреля 2007г.). - М.: МГУПИ, 2007 - С.146-148.

5. Серов В.А., Чечурин A.B. Построение иерархических управляющих нейросетевых структур на основе унифицированных нейроклассификаторов // Новые информационные технологии: Сборник трудов XIV Всероссийская научно-техническая конференция (Москва 18-20 апреля 2011г.). /под ред. НиконоваВ.В., Шмелевой А.Г. - М.: МГУПИ, 2011 - С.43-47.

6. Чечурин A.B. Описание комплекса программных средств // Глава 3 из монографии Серова В.А., Бабинцева Ю.Н., Кондакова Н.С. «Нейроуправление многокритериальными конфликтными системами»,- М.: МосГУ, 2011.- С.111-124.

Авторские свидетельства, патенты, информационные карты и алгоритмы

7. Серов В.А., Бабинцев Ю.Н., Чечурин A.B. Свидетельство о государственной

регистрации программы для ЭВМ «Программное средство обучения искусственных нейронных сетей на основе комплекса генетических алгоритмов многокритериальной оптимизации в условиях конфликта и неопределенности (МОНС)» № 2011618436, 26.11.2011 г.

Подписано в печать: 18.12.11

Объем: 1,5 усл.п.л. Тираж: 100 экз. Заказ № 769802 Отпечатано в типографии «Реглет» 105005, г. Москва, ул. Бауманская д.ЗЗ (495) 979-96-99; www.reglet.ru

61 12-5/1788

Министерство образования и науки Российской Федерации Московский государственный университет приборостроения и информатики

На правах рукописи

Чечурин Алексей Викторович

МЕТОДИКА НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

Диссертация на соискание учёной степени кандидата технических наук

Научный руководитель: к.т.н., доцент В.А. Серов

МОСКВА 2012

СОДЕРЖАНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ ...................................................... 4

ВВЕДЕНИЕ ........................................................................... 5

1. ПОСТАНОВКА ЗАДАЧИ СИНТЕЗА АЛГОРИТМОВ НЕЙРОУПРАВ-ЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ .................................................... 10

1.1 Постановка задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности....................................... 11

1.1.1 Исходная постановка задачи в виде иерархической игры с правом первого хода............................................................................... 11

1.1.2 Анализ игровых моделей управления в условиях конфликта и неопределенности ............................................................................. 14

1.2 Обоснование целесообразности нейросетевого подхода к решению задач оптимизации управления иерархическими системами в условиях конфликта и неопределенности................................................... 15

1.3 Формализация исходной задачи в нейросетевом логическом базисе ..... 20

1.4 Постановка задачи обучения иерархического нейросетевого ансамбля . 22

1.4.1 Разработка структуры нейросетевого ансамбля ............................... 22

1.4.2 Обучение унифицированного нейросетевого классификатора............ 26

1.5 Выводы................................................................................. 35

2. РАЗРАБОТКА МЕТОДИКИ НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ........................................................................... 36

2.1 Разработка нейроконтроллера на основе ИНСА для построения иерархического стабильно-эффективного компромисса............................ 36

2.1.1 Структура нейроконтроллера и назначение его основных блоков ......... 36

2.1.2 Функционирование нейроконтроллера................................................40

2.2 Разработка многокритериальной методики обучения унифицированного нейросетевого классификатора................................................ 46

2.2.1 Построение обучающих множеств для УНК ................................... 46

2.2.2 Построение весовой матрицы многослойного персептрона из УНК ...... 54

2.2.3 Построение весовой матрицы сети из УНК .....................................58

2.2.4 Селекторная схема УНК............................................................................64

2.3 Выводы ..........................................................................................69

3. ИССЛЕДОВАНИЕ ПРЕДЕЛЬНЫХ ВОЗМОЖНОСТЕЙ СИСТЕМЫ ПЕРЕДАЧИ РАДИОЭЛЕКТРОННОЙ ИНФОРМАЦИИ ................... 70

3.1 Структура и назначение системы передачи радиоэлектронной информации .........................................................................................70

3.2 Разработка игровой модели оптимизации управления потоками данных

в каналах СПРЭИ...............................................................................74

3.3 Исследование эффективности алгоритмов нейроуправления потоками данных в каналах СПРЭИ в условиях конфликта и неопределенности .. 80

3.3.1 Параметры потоков данных и каналов связи СПРЭИ ....................................80

3.3.2 Построение ИНСА для решения задачи оптимизации управления потоками данных в каналах СПРЭИ ................................................................82

3.3.3 Сравнение эффективности алгоритмов нейроуправления многокритериальными системами в условиях конфликта и неопределенности

....................................................................................................................87

3.3.4 Результаты исследования предельных возможностей СПРЭИ ............ 90

3.4 Выводы..............................................................................................Ю0

4. ОБЗОР КОМПЛЕКСА ПРОГРАММНЫХ СРЕДСТВ ......................................101

4.1 Структура комплекса программных средств, назначение и описание его компонентов ................................................................................101

4.2 Выводы .............................................................................................106

ЗАКЛЮЧЕНИЕ..........................................................................................107

СПИСОК ЛИТЕРАТУРЫ...................................................................................109

ACM ГАМКО

ГАМО

ИМКС

ИНС ИНСА

ИНСА-управление

КПС МП

нк

НСА

нет

НУ

ОУ

ПС

РБФ

СВР

СОИУ

СПД

СПРЭИ

стэк

СУ

тто

УКУ УНК

цсои

SOM LVQ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

автоматизированная система мониторинга генетический алгоритм многокритериальной конфликтной оптимизации генетический алгоритм многокритериальной оптимизации

иерархическая многокритериальная конфликтная система

искусственная нейронная сеть иерархический нейросетевой ансамбль управление на основе иерархических нейросетевых ансамблей

комплекс программных средств многослойный персептрон нейроконтроллер нейросетевой ансамбль

■ нейросетевые технологии

• нейронное управление

■ объект управления программное средство радиально-базисная функция

■ сеть встречного распространения

■ система обработки информации и управления

- система передачи данных

• система передачи радиоэлектронной информации

- стабильно-эффективный игровой компромисс

- система управления

- тестовая точка-особь

- "угроза-контругроза"

- унифицированный нейросетевой классификатор

- центр сбора и обработки информации

- Self-organizing map (самоорганизующаяся карта)

- Learning vector quantization (обучающееся векторное квантование)

ВВЕДЕНИЕ

Современные системы обработки информации и управления имеют такие структурно-функциональные особенности, как иерархическая многоуровневая структура, наличие множества подсистем, многокритериальность целей управления, необходимость функционирования в условиях неопределенности.

Как известно, перечисленные особенности подобных структурно-сложных систем (ССС) наиболее полно могут быть учтены игровыми подходами, в особенности, с помощью иерархических игровых моделей управления. Одним из перспективных является направление, основанное на комбинировании теоретико-игровых принципов оптимальности, что позволяет учитывать различные виды конфликтного взаимодействия подсистем, а также находить конфликтно-оптимальные решения игровых задач управления с заданными свойствами. В частности использование иерархических стабильно-эффективных компромиссов дает возможность находить оптимальные решения, обладающие свойствами предельной эффективности и устойчивости на всех уровнях управления.

Однако существующие алгоритмы поиска стабильно-эффективных игровых решений (в сочетании с проблемой глобальной оптимизации) обладают высокой вычислительной сложностью и не удовлетворяют требованиям их реализации в режиме реального времени, что является существенным препятствием при решении практических задач. Эти же причины требуют представления управляющих сил в виде параметризованных программно-корректируемых законов управления.

Одним из самых динамично развивающихся подходов к решению в режиме реального времени задач оптимизации управления является технология искусственных нейронных сетей (ИНС), которые все более активно используются при реализации сложных систем обработки информации и управления.

В то же время распространение технологии нейроуправления на задачи оптимизации управления иерархическими многокритериальными конфликтными системами (ИМКС) в условиях неопределенности требует разработки новых нейросетевых архитектур, а также новых эффективных обучающих процедур, учитывающих особенности решаемых задач.

Все вышесказанное определяет актуальность темы диссертационного исследования.

Цель работы - разработка формализованного подхода к решению в режиме реального времени задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности на основе иерархических нейросете-вых ансамблей (ИНСА).

Поставленная цель предполагает решение следующих основных задач:

- обоснование целесообразности использования ИНСА при решении задачи многокритериальной конфликтной оптимизации управления иерархической системой в условиях неопределенности;

- формализация постановки задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности в нейросетевом базисе;

- разработка архитектуры ИНСА с учетом особенностей решаемой задачи;

- разработка алгоритмического обеспечения обучения ИНСА;

- разработка методики синтеза алгоритмов многокритериального нейро-управления иерархической системой в условиях конфликта и неопределенности.

Объектом исследования являются процессы управления в иерархических многокритериальных конфликтных системах, функционирующих в условиях неопределенности.

Предмет исследования являются нейросетевые технологии оптимизации управления иерархическими многокритериальными конфликтными системами в условиях неопределенности.

Научная новизна работы заключается в формировании комплексного формализованного подхода к решению в режиме реального времени задачи оптимизации управления иерархической многокритериальной конфликтной системой, функционирующей в условиях неопределенности, на основе иерархических нейросетевых ансамблей.

В рамках предложенного подхода получены следующие основные научно-практические результаты:

1. Постановка задачи оптимизации управления ИМКС в условиях неопределенности формализована в нейросетевом базисе. Для решения поставленной задачи предложено использовать принцип иерархического стабильно-эффективного игрового компромисса.

2. Разработана структура ИНСА, включающего в себя в качестве базовых элементов унифицированные нейросетевые классификаторы (УНК), которые осуществляют построение множеств конфликтно-оптимальных решений, соответствующих выбранным принципам оптимальности.

3. Разработана методика многокритериального обучения унифицированного нейросетевого классификатора, позволяющая:

- повысить достоверность результатов функционирования УНК;

- решать задачу классификации входных сигналов УНК в режиме реального времени.

Практическая ценность состоит в том, что научные результаты диссертации реализованы в виде инженерной методики синтеза алгоритмов многокритериального нейроуправления иерархической системой в условиях конфликта и неопределенности.

Разработанная методика реализована в виде комплекса программных средств (КПС) и использована для решения задачи оптимизации управления иерархической системой передачи радиоэлектронной информации (СПРЭИ) в условиях конфликта и неопределенности.

Диссертация состоит из введения, 4 глав, заключения, перечня сокращений, списка литературы из 97 наименований. Объем работы составляет 117 страниц, включая 23 рисунка и 12 таблиц.

В первой главе формулируется постановка задачи синтеза алгоритма нейроуправления иерархической многокритериальной конфликтной системой в условиях неопределенности в виде иерархической игры в условиях неопределенности, для решения которой в качестве принципа оптимальности используется принцип иерархического стабильно-эффективного компромисса (СТЭК) в условиях неопределенности. Обосновывается возможность и целесообразность реализации алгоритмов управления иерархическими системами на основе нейросе-

тевого подхода.

Построение множества решений иерархической игры, обладающих свойствами предельной эффективности и устойчивости, осуществляется на основе агрегирования свойств множеств конфликтно-оптимальных решений. Для построения данных множеств целесообразно использовать несколько ИНС, объединенных в иерархический нейросетевой ансамбль (ИНСА). Постановки задач обучения компонентов ИНСА формализуются как конечномерные задачи многокритериальной оптимизации в условиях неопределенности, для решения которых используются принцип векторного минимакса и ГАМО.

Во второй главе разрабатывается методическое и алгоритмическое обеспечение методики синтеза алгоритмов оптимального управления иерархической многокритериальной конфликтной системой в условиях неопределенности на основе ИНСА.

Нейроконтроллер (НК), осуществляющий построение множества стабильно-эффективных решений задачи оптимизации управления иерархической системой, включает следующие основные составляющие.

Блок структурно-целевой декомпозиции. Формирует набор базовых принципов оптимальности, комбинирование которых позволяет целенаправленно формировать иерархические компромиссы с заданными свойствами в задаче оптимизации управления ИМКС в условиях неопределенности.

Иерархический нейросетевой ансамбль. Включает в себя несколько унифицированных нейросетевых классификаторов (УНК), построенных на основе многослойного персептрона (МП) и сети LVQ (от англ. Learning Vector Quantization). УНК осуществляют построение множеств конфликтно-оптимальных решений на основе выделенных принципов оптимальности.

Блок агрегирования свойств конфликтно-оптимального решения. Осуществляет построение множества стабильно-эффективных решений задачи оптимизации управления иерархической системой на основе суперпозиции полученных с помощью ИНСА множеств конфликтно-оптимальных решений.

Третья глава посвящена исследованию эффективности алгоритмов нейро-

управления нагрузкой в каналах связи иерархической системы передачи радиоэлектронной информации, функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных потоков.

Показано, что применение алгоритмов ИНСА-управления, реализующих управление, как приоритетами подсистем, так и распределением входных потоков данных по каналам, позволяет более эффективно использовать ресурсы системы по сравнению с алгоритмами управления нагрузкой в каналах связи при фиксированных приоритетах подсистем.

В четвертой главе представлено описание разработанного комплекса программных средств, реализующего предложенную методику синтеза алгоритмов оптимизации управления иерархической системой в условиях конфликта и неопределенности на основе нейросетевых ансамблей.

Основные результаты работы апробированы на конференциях: Шестая международная конференция-выставка «Промышленные контроллеры 2011: от А до Я», Новые информационные технологии - XIV Всероссийская научно-техническая конференция (Москва 18-20 апреля 2011г.), Новые информационные технологии - X Всероссийская научно-техническая конференция (Москва 19-20 апреля 2007г.).

Имеется свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по собственности, патентам и товарным знакам (РОСПАТЕНТ) № 2011618436, 26.11.2011г. Результаты работы используются в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплине «Технологии системного моделирования».

В заключении сформулированы основные научные и практические результаты диссертационной работы.

1. ПОСТАНОВКА ЗАДАЧИ СИНТЕЗА АЛГОРИТМОВ НЕЙРОУПРАВ-ЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ

Цель настоящей главы - сформулировать постановку задачи оптимизации управления иерархической многокритериальной конфликтной системой в условиях неопределенности в нейросетевом базисе.

В параграфе 1 формулируется постановка задачи оптимизации управления иерархической многокритериальной конфликтной системой в условиях неопределенности, производится анализ игровых подходов, применяемых при решении задач многокритериальной конфликтной оптимизации в условиях неопределенности. Для решения поставленной задачи предлагается использовать принцип иерархических стабильно-эффективных игровых компромиссов.

В параграфе 2 обосновывается возможность и целесообразность реализации алгоритмов управления структурно-сложными системами на основе нейро-сетевого подхода. Формулируется постановка задачи синтеза алгоритма нейро-управления иерархической многокритериальной конфликтной системой в условиях неопределенности. Также рассматриваются особенности топологий, функционирования и обучения некоторых типов искусственных нейронных сетей, указываются области их прикладного использования.

В параграфе 3 обосновывается целесообразность использования иерархического нейросетевого ансамбля для решения в режиме реального времени задачи многокритериальной конфликтной оптимизации иерархической системы в условиях неопределенности, разрабатывается архитектура и формулируется постановка задачи обучения иерархического нейросетевого ансамбля в виде комплекса задач многокритериальной оптимизации в условиях неопределенности.

1.1 Постановка задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности

Возрастающая структурно-целевая и информационная сложность систем обработки информации (СОИУ) и управления актуализирует изучение влияния та�