автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Нейроагентная система адаптивной настройки технологических процессов

На правах рукописи УДК 681.142.2

Аюев Вадим Валерьевич

НЕЙРОАГЕНТНАЯ СИСТЕМА АДАПТИВНОЙ НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

Специальность 05 13 17 —теоретические основы информатики

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва, 2007

003061608

Работа выполнена на кафедре программного обеспечения ЭВМ, информационных технологий и прикладной математики (ФШ-КФ) факультета фундаментальных наук Калужского филиала Московского государственного технического университета имени Н.Э.Баумана

Научный руководитель:

доктор физико-математических наук, профессор Б М Логинов

Официальные оппоненты-

доктор физико-математических наук, старший научный сотрудник В.И. Стрелов

кандидат технических наук Д В. Строганов

Ведущая организация.

ЗАО НПФ «СИГМА»

Защита состоится « уУ » О¿c 2007 года в /4 часов на

заседании диссертационного совета Д 212.141.10 в Московском государственном техническом университете имени Н.Э. Баумана по адресу. 107005, г Москва, 2-я Бауманская ул, д 5.

С диссертацией можно ознакомиться в библиотеке МГТУ им. Н Э Баумана Автореферат разослан « У » 2007 года.

Ученый секретарь Диссертационного Совета кандидат технических наук, доцент

С.Р. Иванов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность диссертационной работы В последнее время системы интеллектуальной настройки (СИН) параметров технологических процессов на основе искусственных нейронных сетей (ИНС) все чаще применяются во многих технических и промышленных приложениях Основные преимущества ней-росетевых систем по сравнению с классическими подходами особенно хорошо выявляются при работе со сложными технологическими объектами, неподдающимися точному формальному математическому описанию, как из-за нелинейности внутренней структуры, так и из-за необходимости учета множества внешних факторов В свою очередь, ИНС представляют собой большое количество моделей и алгоритмов, обладающих специфическими качествами и имеющих ограниченные функциональные рамки Усложнение модели объекта посредством увеличения размерности задачи, например, вводом в исходную модель дополнительных параметров, а так же необходимость учета возможной рассинхронизации при получении информации с различных датчиков и устройств, делают задачу настройки многокритериальной системы трудноразрешимой с учетом индивидуальных особенностей функционирования отдельно взятых ИНС, входящих с состав СИН

В этой связи наиболее перспективным направлением развития в области интеллектуальных систем стало выделение набора подзадач и объединение различных методов их решения, в частности, на нейросетевой основе Многообещающей реализацией данной концепции стало развитие мультиагентных систем (MAC), в которых основной акцент делается на декомпозиции системы, относительно независимом решении частных задач и оптимальном взаимодействии множества связанных компонентов, решающих частные задачи, моделируемой системы для наилучшего решения общей задачи

Важной особенностью значительного класса подзадач настройки параметров технологических процессов, возникающих на практике в крупномасштабных системах, является достаточно гладкий вид функционала, что, с одной стороны, все еще не позволяет применять классические методы, основанные на линеаризации, ввиду накопления ошибок и снижения робастности моделируемых систем, но, с другой стороны, делает излишним использование громоздких, например, с большим количеством слоев и скрытых нейронов, ИНС или ансамблей ИНС Данное обстоятельство усугубляется требованием формирования быстрого отклика системы и необходимостью осуществления оперативного дообучения сети в масштабе реального времени В настоящий момент лишь несколько нейросетевых архитектур позволяют в некоторой степени эффективно справляться с такими проблемами, неизбежно жертвуя качеством обучения в угоду производительности

Исходя из этого, в решении многих актуальных задач настройки технологических процессов в рамках MAC можно выделить 2 этапа

1) разработка собственно агентов - небольших относительно автономных систем, эффективно решающих локальные задачи;

2) проектирование и разработка механизма взаимодействия агентов для оптимального решения общей задачи

Таким образом, разработка новых подходов, методов решения частных задач и моделирование на их основе настройки сложных технологических процессов в многокомпонентных объектах по совокупности ряда внешних и внут-

ренних признаков в условиях неполноты информации, когда в силу изначальной сложности, как среды функционирования, так и настраиваемого объекта, оказывается невозможным применить классические методы, а ограничения, накладываемые характером среды решаемых задач, не позволяют использовать сложные адаптивные подходы, несомненно, является актуальной и важной проблемой, решение которой представляется возможным осуществить в поле прикладных интеллектуальных систем на базе нейросетевого мультиагентного подхода

Целями диссертационной работы являлись

- проведение анализа существующих мультиагентных методов решения задач настройки сложных технологических процессов и производств,

- решение задач автоматизированной настройки технологических процессов применительно к хлебопекарному производству и распределению трафика в закрытой информационной системе

Научная новизна работы состоит в следующем

- разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем с доменными структурами,

- предложен новый диапазонный метод определения лучших агентов на основе статистических показателей их работы,

- на основе обобщения существующей архитектуры Хехт-Нильсона разработана новая нейросетевая архитектура посредством введения многомерных самоорганизующихся карт Кохонена

Теоретическая и практическая ценность состоит в том, что в работе предложен новый подход к решению задачи автоматизированной настройки технологических процессов в условиях неполной и неточной информации на основе, в частности, модификации архитектуры сети Хехт-Нильсона, расширения размерности самоорганизующихся карт Кохонена, разработанных методов диапазонной конкуренции, которые можно применить для решения широкого круга задач в различных прикладных областях

Полученные в работе результаты математические модели, методы, алгоритмы и программные коды используются при автоматизированной настройке технологических процессов выпечки хлебобулочных изделий в Калужском хлебозаводе и в ООО «Пекарня «Дом хлеба»», для автоматизированной настройки процессов распределения трафика закрытой информационной системе в ЗАО «Корбина-Телеком», в Филиале №1 ООО «Макснет системы», а так же в учебных целях, в Калужском технологическом колледже Копии актов о внедрении прилагаются

Достоверность результатов работы обусловлена корректной постановкой задачи, применением математически обоснованных методов ее решения, сравнением теоретических результатов с экспериментальными данными На защиту выносятся следующие положения.

- модель мультиагентной многоуровневой иерархической системы с доменной структурой на основе договорных сетей с диапазонными алгоритмами организации межагентного взаимодействия,

- обобщение самоорганизующихся карт Кохонена на основе разработанных методов многомерных формаций нейронов, их областей притяжения и алгоритмов обучения,

- модификация архитектуры сети Хехт-Нильсона, связанная с введением дополнительных межнейронных связей с элементами разработанных многомерных самоорганизующихся карт Кохонена,

- результаты теоретических и экспериментальных исследований эффективности использования разработанных моделей, методов и алгоритмов при решении задач автоматизированной настройки технологических процессов хлебопека^»производства и распределения трафика в закрытой информационной системе.

Апробация работы Результаты диссертационной работы докладывались на следующих конференциях- региональные научно-технические конференции «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Калуга 2004, 2005, 2006); Всероссийские научно-технические конференции «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Москва 2005), «Наукоёмкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе» (Москва 2006), «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2006), международной научно-практической конференции «Компьютерные технологии в науке и производстве» (Новочеркасск, 2006).

Публикации По теме диссертации опубликовано 15 печатных работ, из которых одна входит в перечень ВАК РФ

Объём работы. Диссертационная работа состоит из списка обозначений и сокращений, введения, пяти глав, выводов, списка литературы и гфиложения. Работа изложена на 262 страницах, включая 100 рисунков, 11 таблиц и список литературы из 93 элементов.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертации, ее практическое значение, формулируются основные цели исследования, основные положения, выносимые на защиту, изложена структура диссертации.

В первой главе проведён обзор и анализ литературных данных по теме диссертации Раздел 1.1 посвящен обзору свойств мультиагентных систем в контексте решения задач настройки технологических процессов. Здесь анализируются особенности основных архитектур интеллектуальных агентов и протоколов межагентного взаимодействия с точки зрения их потенциальной применимости для решения рассмотренного круга задач В разделе 1 2, посвященном проблемам разработки современных мультиагентных систем настройки и управления процессами, осуществлена постановка общей исследовательской задачи, состоящей в разработке принципиальной модели MAC и нового типа нейросетевых агентов

Вторая глава диссертации посвящена вопросам разработки мультиагент-ной системы настройки технологических процессов, для которых характерны следующие факторы' высокая размерность и объём входных данных, асинхронный характер получения данных; существенно нелинейное поведение объекта настройки и среды его функционирования, ограниченная мощность доступных вычислительных ресурсов при необходимости обеспечения работы объекта настройки в реальном масштабе времени; неудовлетворительная точность существующих методов, либо их отсутствие.

В разделе 2.1.1 разработана иерархическая модель MAC с учётом дифференциации интеллектуальных агентов по функциональным особенностям в рамках договорных сетей на координаторов (АК), менеджеров (AM) и подрядчиков (АП). Принципиальным отличием от классических MAC является перенос организационной и социальной функций на агента-менеджера, отвечающего за обработку любых запросов, адресуемых к агенту-подрядчику, характерным примером чего служит обобщённая таблица дескрипторов, внедрённая только в агент-менеджер.

Функциональные особенности архитектуры разработанной MAC отображает двунанравяенный плоский граф (рис. 1), промежуточные узлы которого являются AM, узлы-листья - АП, а корневой узел - АК. Каждый узел

р*-0; q- 1,2,. ., <2р) характеризуется иерархическим уровнем р (р = 1, 2, ., Р), при этом узлы одного уровня равноправны по положению Каждая дуга графа tp,g)

eqr, соединяющая узлы q и г, дислоцированные, соответственно, на уровнях р и g (p*g), характеризовалась векторным весом V^ ^:

У%л)=У{вЬ?\ranged} (q*r,q*0,r*0), (1)

который описывал степень доверия R^, представляемую натуральным числом, к связываемому узлу N^ и область эффективного определения координат (ОЭО) его входного п^ -мерного вектора range^

ranged = (2)

где s^ - размерность области эффективного определения АП (s^ ), связанного с q-ым AM уровня р, 1 < т- ti-ый диапазон оэо.

Множество АП, связанных с q-ьш AM, дислоцированным на уровне р, образует домен подзадачи - Q^.

В разделе 2.1.2, посвященном реализации управляющих архитектур MAC, описаны модульные структуры внутренней организации 3 типов интеллектуальных агентов и особенности их реализации

В разделе 2.1.3 разработаны алгоритмические механизмы взаимодействия АП с AM. Выделены алгоритмы 2 этапов работы MAC штатного и дообучения.

В качестве основного критерия оценки качества работы каждого г-го АП, дислоцированного на g-ом уровне MAC (АП^), введено понятие ошибки дообучения ) на выборке из Дт элементов-

(3)

Z4X »=т-Лт

состоящей из ошибок дообучения, рассчитанных на каждой итерации дообучения (^(f))

Ввиду недостатков классических методик определения ошибок работы АП (СКО, относительного отклонения и критерия постоянства), в работе введён новый метод вида:

м __

м_

(4)

Для организации выбора АП в нормальном режиме работы MAC предложены 2 оригинальных подхода: на основе учёта времени дообучения наряду с ошибкой функционирования

К(рЛ)=\

лчА "I

*<f +l,Prf(/) = mm{/vf(i)}

,(5)

где с1е№ (?) - задержка на дообучение АП^ при предъявлении /-ого примера из выборки; и интервальный алгоритм.

1. Формирование множества О^, содержащего связанные с АМ^ АП, ОЭО

которых принадлежат компонент п^ -мерного входного

-(Лр) ЛР) ~ I А«,1

вектора х^ •

>) )

т е.:

П^зАП^, х^е ranged,

(б)

где

х[р) е range^, если •

Xqi 6

M

» •

min ,max x^

— q.r4n' — <

>*> 1

'.'■4" J

(7)

2. Если 0^=0, то 2 1. Д ля каждого АП, связанного с АМ^, вычисляется коэффициент соответ-

ствия к

л=1

(8)

2 2 Включение в множество Q^ АП с наибольшим значением коэффициента й\р) гэ = тахк^9 (9)

соответствия

3 Если р^|>1,то

3.1 Победителем считается АП с максимальной величиной степени доверия

С4

(10)

3.2 При выявлении нескольких АП с одинаковой максимальной величиной степени доверия, выбирается АП, ОЭО которого наиболее специфицирована для данного входного вектора (для которого каждая компонента входного вектора находится как можно ближе к центру соответствующего диапазона ОЭО).

М

АП« mm

Ц=1

3.3

(П)

При обнаружении нескольких АП, ОЭО которых одинаково специфицированы для данного входного вектора, выбирается АП с более узкой ОЭО:

JA

АГ!^, штатах -тт__х\

ш

(12)

4 Если р« J = 1, то е объявляется победителем

Для интервального подхода, учитывающего области эффективного опре-

деления агентов, разработан специальный диапазонный алгоритм, позволяю-

щий специфицировать ОЭО в процессе работы MAC:

1. Определение АМ^ множества Q^'.

2. Предъявление АМ^ всем АП своего домена t-го обучающего примера

»

= j и формирование АП

откликов

3. Изменение диапазонов ОЭО каждого Alljp е Q^ в соответствии с алгоритмом, описанным в диссертации

4. Выбор следующего примера (t = t + 1) и переход к п.2

В конце раздела рассмотрены общие вопросы организации инагентного и интраагентного поощрения в рамках разработанной MAC. Осуществлён асимптотический анализ сложности разработанных и используемых процедур и алгоритмов

Раздел 2.2 посвящён общим аспектам программной реализации самих агентов, произведённой на языках С++ и CLIPS, и протоколов межагентного взаимодействия, осуществлённой на языке KQML.

Третья глава диссертационного исследования посвящена вопросам модификации ИНС Кохонена и ИНС Хехт-Нильсона

В разделе 3.1.1 приведены классические подходы к формированию и обучению самоорганизующихся карт Кохонена посредством алгоритмов WTA и нейронного газа Указана основная проблема традиционного подхода, заключающаяся в низкой скорости сходимости процесса самоорганизации при большом числе нейронов в обучающих выборках

В разделе 3.1 2 осуществлена модификация классических карт Кохонена посредством перехода к многомерным кубическим формациям нейронов, благодаря чему удалось сделать матрицу нейронов более компактной, и увеличить число неявных межнейронных связей на 50%.

В результате проведённого обобщения был модифицирован алгоритм обучения СКК в части гауссовой функции поощрения нейронов-победителей для непрерывного случая обучения:

1|2\

у(г,сх,Э) = ехр

= (13)

252(0

где а - номер нейрона-победителя, р - номер искомого нейрона; 8(f) - радиус области притяжения G; q - номер нейрона в матрице по г'-ой размерности Сходимость обобщенного алгоритма доказана в подразделе 3.1 2.2 диссертации.

В связи с обобщением карты Кохонена, в подразделе 3.1.2.3 описываются принципиальные подходы к дислокации нейронов в многомерной матрице на основе равномерных и неравномерных группировок. В результате проведённого теоретического исследования, было установлено, что равномерные методы группировки нейронов, являющиеся прямым масштабированием алгоритмов, применяемых в СКК, не удовлетворяют требованиям к обеспечению высокой скорости сходимости сети или её репрезентативной мощности В этой связи больший интерес представляют оригинальные подходы, базирующиеся на неравномерной группировке нейронов Кохонена в многомерные матрицы. • шарообразная матрица, дислокация нейронов в которой основана на минимизации манхэттенского расстояния до центра'

где cm - текущее число нейронов, (Зтеи, - дислокация добавляемого нейрона; Р, - дислокация г-го нейрона в матрице;

• матрица в виде прямоугольного параллелепипеда, дислокация нейронов в которой основана на минимизации разности.

тт|4*>-Пзир{$,(|3,)}]; (15)

• прямоугольная матрица, представляющая расширение СКК посредством замыкания граничных нейронов на противолежащих соседях.

Для всех методов произведены асимптотические расчёты сложности и анализ количества добавляемых нейронов, показавшие, что наиболее универсальный метод группировки нейронов - в шар - отличается сложностью, превосходящей альтернативные подходы, минимум, в раз

Разработка новых методов дислокаций нейронов потребовала пересмотра подходов к определению областей притяжения, осуществлённого в разделе 3.1 2.4 Были предложены 3 алгоритма, обладающие не только различной асимптотической сложностью, но и отличающиеся числом нейронов, вовлекаемых в процесс самоорганизации

Помимо разработанных алгоритмов, в разделе 3.1.2 5 диссертации произведён анализ влияния различных мер близости, применяемых в (13), на скорость работы СКК, и результирующий вид Гауссиана поощрения

Теоретический анализ разработанных алгоритмов, проведённый в разделе 3.1.2.6, с одной стороны, позволил установить принципиальную сходимость любой комбинации методов, но с другой стороны, не выявил оптимальные комбинации рассмотренных подходов с точки зрения скорости самоорганизации.

Модифицированные самоорганизующиеся карты Кохонена (МСКК) использовались в ИНС Хехт-Нильсона для организации высокоэффективного дообучения в режиме реального времени. С этой целью в разделе 3 1.3 предпринята двойная модификация классических сетей Хехт-Нильсона, включающая: 1. Замену традиционных плоских дислокаций нейронов Кохонена в промежуточном (скрытом слое) ИНС Хехт-Нильсона на МСКК, позволившую повысить точность аппроксимации за счёт увеличения степени кластеризации входного пространства. 2 Введение вертикально связанных парных нейронов в промежуточном слое Кохонена, позволяющих повысить точность аппроксимации в выходном слое посредством смещения, т е. построения аппроксимаций поверхностями переменного уровня. 3. Разработку условия перекластеризации карты Кохонена, позволяющего минимизировать временные затраты на дообучение модифицированных сетей Хехт-Нильсона (МСХН) МСХН разбивают п^ -мерную область входных сигналов на кластеров и ставят в соответствие каждому кластеру выходной вектор размерности соответствующий значению аппроксимируемой функции отображения.

К"'*0 К"*'18'. Промежуточный слой сети состоит из К, ^ = 1,2, . нейронов

Кохонена, каждый из которых связан произведением с нелинейным нейроном

^ (г = 1,2,. .,4г))> где ^ - некоторая нелинейная активационная функция В

свою очередь все нейроны промежуточного слоя связаны с линейными нейронами выходного слоя

Рис. 2. Структура модифицированной сети Хехт-Нильсона

При описании функционирования МСХН используется следующая нотация т^ и — весовые коэффициенты, связывающие распределительные нейроны с нейронами Кохонена и нейроны Кохонена с выходными нейронами, соответственно; с и - весовые коэффициенты, связывающие распределительные нейроны с нелинейными нейронами и нелинейные нейроны с выходными нейронами, соответственно; = . - входные

сигналы; и^ - активационный потенциал нелинейного нейрона ^; у\к\ у\р и У г, = Уг^ " выходные сигналы нейронов Кохонена К1, нелинейных нейронов ^ и нейронов выходного слоя, соответственно (рис. 2).

С учётом введенных изменений выход сети примет вид

(16)

Общий алгоритм обучения МСХН представлен в разделе 3 13 1:

1. Обучение модифицированной СКК 1.1. Инициализация весовы

весовых

коэффициентов

(й = 1,2, ,^г);г=1,2,...,4г)) из интервала [0,1]

1.2. Установка начального значения радиуса области притяжения 8; t — 1; установка порога количества итераций Г; установка коэффициента toi. 1.3 Нормализация всех входных векторов.

A-W.,^)). (17)

JpT

1.4. Формирование матрицы Кохонена в виде шара, параллелепипеда юга

замкнутой поверхности. 1.5 Подача на вход сети примера х^ и определение нейрона-победителя-

Р*" 2

TOew;= ,^(/ = 1,2,..,^).

1 6. Определение множества нейронов, принадлежащих области притяжения

G (в виде куба, параллелепипеда или ромба). 1.7. Вычисление функции поощрения Гаусса для каждого нейрона из G в соответствии с (13)

1.8 Модификация весов каждого нейрона Кохонена, принадлежащего G

4?о+.)-, "ew^'M^-g-e) ; 1(()Л

0„1, Ч / Ш W f

• (19)

(h = 1,2,...,и^;г = 1,2,. ,Z*>)

1.9 t = t+ 1.

ЫО.Если выбраны не все входные векторы из обучающей выборки, переход кп.1 5

111 .Если i > Г или изменения весов малы: 1 / 4г) 4й

(20)

Щ Ьг Х='-2 7=1 (=1

то переход к п.2. 1 12.Уменьшение величину радиуса области притяжения 8. 1 13.Переход к п.1.5., при обучении с первого примера. 2 Нахождение значений весов и w^

2.1. Инициализация весовых коэффициентов w^j и wff

(fi = l,2,...,n<g);i = l,2,...,4s),J=l,2, ■ Мг)) из интервала [0, 1]. t = 1; eph = 1; установка максимального количества эпох обучения EPH, установка максимальной величины ошибки обучения

toi:

2.2. Выбор очередной обучающей пары где

'^(й) -вектор целевого отклика сети.

2.3. Подача на вход модифицированной СХН (МСХН) выбранного вектора

и получение вектора выходов сети у^ = ^^ , ., |

2 4 Определение нейрона-победителя и модификация всех весов м>\к), связанных с ним, в соответствии с одним из алгоритмов обратного распространения ошибки (ОРО), например-

+ = + С0^1)- (21)

2 5. Модификация всех весов связанных с нейроном-победителем, в

соответствии с одним из алгоритмов обратного распространения ошибки (ОРО), например-

тМ

+ + (22) "о м

26. / = г+1

2.7. Если выбраны не все входные векторы из обучающей выборки, переход

к пункту 2.2. 2 8. Расчёт ошибки обучения сети:

2.9. Если -Е^т > и ерН < ЕРН, установить ерН - ерИ + 1 и перейти к пункту 2.2.

Условие перекластеризации МСКК в МСХН, введённое в разделе 3.1.3.2, базируется на следующих принципах.

1. Двукратное (и более) увеличение числа классифицируемых объектов по

сравнению с объёмом обучающей выборки. 2 Относительная ошибка работы, превышающая на заданном множестве эмпирический порог.

Сходимость МСХН обусловлена доказанной сходимостью самоорганизации МСКК в её основе и общей сходимостью процедуры обратного распространения ошибки

Результатом разработки 1, 2 и 3 глав диссертации стала законченная мультиагнтная нейросетевая модель настройки технологических и производственных процессов, эффективность алгоритмов которой была апробирована при решении прикладных задач в следующих главах.

Четвёртая глава диссертации посвящена решению задачи автоматизированной настройки режимов работы проточной хлебопечи, осуществляемой в условиях изменяемых показателей качества исходной продукции и сырья.

Входными параметрами задачи являлись 12 числовых показателей исходных ингредиентов время, прошедшее с помола муки (ТПОм); влажность муки (\УМ); количество сырой клейковины в муке (Ыга), показатель деформации муки (ТМДеф); повторная влажность муки С^УП.М); повторное количество сырой клейковины в муке (Ып.кл), повторный показатель деформации муки (Кп.деф); количест-

11

во водорастворимых веществ (NB.B); температура теста (Тх); влажность теста (WT), конечная кислотность теста (С,.); расчетная масса остывшего хлеба (Qx) Выходными параметрами являлись тепловременные режимы работы печи, определяемые набором функций для каждой из стадий выпечки

Для сравнения качества функционирования МСХН с альтернативными нейросетевыми архитектурами, а так же для компенсации возможных ошибок её работы, была создана элементарная однодоменная MAC, состоящая из 6 типов конкурирующих нейросетевых АП, представляющих, помимо МСХН, классические сети Хехт-Нильсона (СХН), радиальные нейросети (РБФ) и многослойные персептроны (МП1, МП2 и МПЗ - по количеству скрытых слоёв).

Разработанная MAC автоматизированной настройки процесса выпечки получала на вход AM® 12-мерный вектор, определяла оптимального AnfV = 1,6 и передавала ему данные на обработку. Сгенерированное выбранным АП решение возвращалось к AM® и передавалось посредством механизма сопряжения устройствам управления печью.

Исходные данные для решаемой задачи взяты на основе замеров, произведённых в течение 420 рабочих смен (в расчёте на 15-20 замеров, снимаемых за смену) при производстве батона «Нива», составили массив из 4000 элементов.

Задачей автоматизированной системы было сокращение издержек производства за счёт корректного подбора параметров управления печью, обеспечивающего минимизацию объёма отбраковываемой продукции. Критерии качества готовой продукции оценивались экспертной комиссией из 5 человек, учитывавшей следующие факторы: форму, цвет и состояние поверхности готовых изделии; пористость, эластичность, влажность, кислотность, пропечённость, вкус, запах и цвет мякиша. Результаты экспертных оценок ранжировались относительно партий готовой продукции, на основании чего выносилось заключение о корректности выбранных технологических режимов выпечки. В случае признания выбранного режима успешным, он заносился в дообучающую выборку в качестве эталонного.

С учётом времени на остывание готовой продукции и обработку экспертных оценок, система имела «окно» в 1-2 минуты на организацию дообучения агентов перед выбором технологических режимов работы печи при обработке новой партии.

—ско —4—ОО —*— кп —*— мкп

25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 объём дообузаюшей выборки

Рис. 3. Зависимости качества дообучения от объема дообучающей выборки для 4 методов расчёта ошибки дообучения

6 12 18 24 30 36 42 48 54 60 количество Al l

Рис. 4. Зависимость точности определения АП-победителя от объёма домена для 3 алгоритмов работы со степенями доверия

В результате проведённого моделирования были проанализированы разработанные нейросетевые и мультиа-гентные методы и алгоритмы, определены оптимальные комбинации параметров MAC и ИНС.

Анализ методов расчёта ошибки при организации межагентного взаимодействия не выявил существенной разницы в скорости работы различных подходов, с одной стороны, и показал пре- Рис. 5. Зависимость качества пересчёта имущество модифицированного крите- диапазонов АП от объёма домена

рия постоянства, введённого в работе, для 4 алгоритмов пересчёта ОЭО

над другими методами, в 1.2-1.5 раза по величине результирующей ошибке работы MAC (рис. 3).

Исследование введённых в диссертации алгоритмов, оперирующих степенями доверия, выявило 2-3 кратное преимущество алгоритмов учёта ошибки и гибридных алгоритмов над интервальным алгоритмом по скорости работы, обратно пропорциональное объёму домена, а во-вторых, безусловно лучшее качество работы интервального алгоритма, превосходящего конкурентов по величине результирующей ошибки в 2.5-4 раза (рис. 4).

Динамика времени работы алгоритмов пересчёта ОЭО соответствует теоретическим расчётам- диапазонный алгоритм заметно - в 2-2.5 раза - медленнее остальных. В то же время, диапазонный алгоритм стал единственным методом, корректно обработавшим большие домены (рис 5).

Экспериментально установлено, что оптимального соотношения ошибки ко времени сходимости в МСКК удаётся добиться при применении группировки нейронов в виде шара с ромбовидной областью притяжения. Стабильно хорошие и лучшие показатели достигаются при использовании в гауссовой функции поощрения классической евклидовой меры расстояния между нейронами

Было осуществлено сравнение МСКК с классической картой Кохонена, обучаемой по методу WTA и посредством алгоритма нейронного газа, которое выявило существенное влияние коэффициента толерантности на скорость сходимости различных методов. Так, при больших значениях этого показателя, МСКК свойственно катастрофическое падение скорости работы, обусловленное влиянием сложных алгоритмов формирования матриц и обработки нейронов в областях притяжения. В то же время, при малых значениях, МСКК в 2-4 раза быстрее классических карт Кохонена (рис. 6).

Моделирование выявило средние скоростные характеристики МСХН на этапе обучения, обусловленные длительным процессом самоорганизации МСКК, лежащих в их основе. По показателю скорости дообучения МСХН демонстрирует 3-6 кратное преимущество над большинством конкурентов

Частотный анализ работы АП выявил, что в 35% случаях AM предпочитал работать с АП на основе МСХН,

-«—2D 3D - х " 2D gas

_количество нейронов в карте_

Рис. 6. Сравнение времени, необходимого для самоорганизации сетей Кохонена (toi -10"31

причём в целом, сети на основе локальных аппроксимаций побеждали в 55% случаев.

Пятая глава посвящена решению задачи автоматизированной настройки параметров перераспределения трафика в закрытой информационной системе

Общая постановка такова имелось 9 компьютерных клубов и 2 поставщика интернет-трафика - с гарантированной полосой пропускания и с фиксированной верхней границей Задача системы состояла в перераспределении пропускных способностей каналов между 9 потребителями таким образом, чтобы максимально удовлетворить спрос всех клиентов клубов в информационных услугах, учитывая приоритезацию клиентов и статистические данные работы клубов. В результате мультиагентного моделирования задачи была разработана четырёхуровневая МАС, АМ 3 уровня которой представляли клубы, а АМ 1 уровня - систему распределения трафика АМ 3 уровня осуществляли решение задач формирования запросов на выделение трафика, обрабатывая 25-мерный вектор входных параметров (праздничные и выходные дни; текущее время, час, время суток, погодный фактор: сезон, осадки; текущее число клиентов 4 типов, посетителей, постоянных посетителей, привилегированных посетителей и постоянных привилегированных посетителей; средняя потребность клиентов каждого типа в высокоскоростном доступе в Интернет, Мбит/сек в расчёте на 1 клиента; средняя потребность клиентов каждого типа в Интранет доступе, Мбит/сек в расчёте на 1 клиента, средняя потребность клиентов каждого типа в доступе к дисковому хранилищу, Мбит/сек в расчете на I клиента; средний объём ресурсов, расходуемых техническим персоналом) и генерируя 11-мерный (характерная и расчетная прибыль, количество исправных свободных компьютеров; количество имеющихся клиентов 4 типов, запросы на выделение/изъятие ресурсов), пересылаемый АМ 1 уровня Последний на основании 99-мерного входного вектора, принимал решение о перераспределении имеющихся ресурсов между потребителями Особенностью работы системы являлись жесткие требования к обработке исключительных ситуаций, когда потребности одного или нескольких потребителей стремительно менялись за короткий промежуток времени

При решении задачи был осуществлён анализ различных методов расчёта ошибки работы АП, выявивший 1 5-2-кратное преимущество модифицированного критерия постоянства по сравнению с альтернативными подходами

Проведённые исследования влияния алгоритмов работы со степенями доверия на качество работы МАС выявили безусловное преимущество интервального метода определения победителя, возрастающее с размерностью домена и незначительно убывающее пропорционально увеличению объёма дообучающей выборки.

Алгоритмы пересчёта ОЭО продемонстрировали динамику, позволяющую отдать предпочтение диапазонному методу.

Сравнительный анализ функционирования МСКК с классическими картами Кохонена, за незначительными исключениями, масштабно повторил результаты, полученные в четвёртой главе

Проведённый анализ влияния внутренних параметров МСХН подтвердил оптимальную конфигурацию МСКК в виде группировки нейронов в шар с ромбовидной областью притяжения и евклидовой мерой расстояний.

МСХН продемонстрировали среднюю производительность на этапе обучения и наилучшие показатели при дообучении, опережая ближайших конкурентов - сети РБФ - в 1 5-8 раз

Приложение содержит экспериментальные данные работы МАС по АМ 1 и 3 уровней, полученные при решении задачи распределения трафика в закры-

той информационной системе, на основании усреднения которых построены сводные диаграммы в пятой главе

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1 Разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем, заключающийся в иерархическом построении MAC с доменными структурами и введении диапазонных методов определения лучших агентов на основе статистических показателей их работы

2 Проведена модификация самоорганизующихся карт Кохонена путем увеличения размерности и введения кубических формаций нейронов, позволившая более чем в два раза повысить скорости самоорганизации.

3. Разработана новая нейросетевая архитектура на основе обобщения существующей архитегауры Хехт-Нильсона посредством увеличения размерности самоорганизующихся карт Кохонена и добавления парных нейронов в скрытый слой, вертикально связанных с нейронами Кохонена

4 Предложен способ расчета межагентной степени доверия, для определения лидирующих агентов в целях повышения эффективности функционирования MAC На основе введенных понятий предложен метод выявления действенных межагентных цепей в условиях асинхронно меняющихся эндогенных и экзогенных параметров в режиме реального времени

5 Разработаны математическое, программное и методическое обеспечение программного комплекса для автоматизированной настройки технологических процессов на основе MAC в базисе модифицированных самоорганизующихся карт Кохонена высокой размерности

6 Проведен теоретический и экспериментальный анализ нейросетевой и мультиагентной моделей на задачах средней и большой размерности. Установлено, что оптимальным показателям работы MAC соответствуют модифицированный критерий постоянства совместно с интервальным алгоритмом определения победившего АП и диапазонным методом пересчета ОЭО, оптимальным показателям работы МСХН соответствует метод группировки нейронов в шар с ромбовидной областью притяжения и Евклидовой мерой близости в Гауссовой функции поощрения

7 Решена задача автоматизированной настройки технологического процесса выпечки хлебобулочных изделий в условиях изменяющихся характеристик исходного сырья, позволившая повысить ежесуточный выход хлеба за счет снижения объема брака на 40-55% и приводящая к двукратному снижению сопутствующих человко-часов ресурсов.

8 Решена задача автоматизированной настройки параметров перераспределения трафика в закрытой информационной системе, позволившая повысить качество предоставляемых услуг и увеличить показатели доходности на 7-11%

Основные результаты диссертации опубликованы в работах 1 Аюев В.В Методы расчета выхода хлебобулочных изделий в условиях работы мини-пекарен // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении - Москва, 2004. - С. 171

2

3

4

5.

6

7

8

9

10,

11.

12.

13

14

15

16

Аюев В В , Сапрыкин Д Н Модификация самоорганизующихся карт Ко-хонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении - Москва, 2005 - Т 1. - С. 242-245 Аюев В В., Сапрыкин Д Н Особенности работы обобщённой самоорганизующейся карты Кохонена при использовании различных областей притяжения // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении - Москва, 2005 - Т 1 - С 246-249. Аюев В.В , Сапрыкин Д Н Особенности различных методов группировки нейронов в матрицу в обобщенной самоорганизующейся карте Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении -Москва,2005 -Т 1 -С 250-253.

Аюев В В. Разработка мультиагентной системы управления технологическими процессами // Прогрессивные технологии, конструкции и системы в приборо-и машиностроении -Москва, 2005 -Т1 -С 238-241 Аюев В В Распределенные гибридные интеллектуальные системы на базе нейросетевого подхода // Про1рессивные технологии, конструкции и системы в приборо- и машиностроении - Москва, 2005 - Т 3 - С 87-90 Аюев В В К вопросу об обобщении самоорганизующихся карт Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении - Москва, 2005. - Т.З. - С. 84-86.

Аюев В В Некоторые аспекты обобщения самоорганизующихся карт Кохонена // Современные проблемы информатизации в моделировании и программировании-Сб трудов (Воронеж) -2006 -Вып. 11.-С 272-275 Аюев В В О сравнении архитектур агентов в MAC управления // Наукоемкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе -Москва, 2006 -Т.2. -С. 21-23 Аюев В В О применении многоуровневых вертикальных однопроходных архитектур агентов в MAC управления // Наукоемкие технологии, в прибо-ро- и машиностроении и развитие инновационной деятельности в вузе -Москва, 2006 -Т.2 -С 23-25.

Аюев В В , Логинов Б М Диапазонный метод организации межагентного взаимодействия по типу менеджер-подрядчики // Наукоемкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе -Москва, 2006 -Т 1 - С 257-262

Аюев В В., Логинов Б М О распределенном нейросетевом подходе к решению задач управления в мультиагентном базисе // Информационные технологии в науке, проектировании и производстве — Нижний Новгород Диалог, 2006 - С 28-29.

Аюев В В О методах расчёта ошибки дообучения в нейросетевых муль-тиагентных системах управления // Компьютерные технологии в науке и производстве - Новочеркасск, 2006 - С 27-29

Аюев В.В. Сравнение эффективности нейросетевых агентов на РБФ-сетях и обобщённых сетях Хехт-Нильсена // Современные проблемы информатизации в моделировании сложных систем Сб трудов (Воронеж) - 2007. — Вып 12.-С 215-217.

Логинов Б М, Аюев В В Нейросетевые агенты в задачах управления с разделенными по времени входными данными высокой размерности //Нейрокомпьютеры разработка, применение. - 2007 -№5 - С 31-41

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

1. ОБЗОР СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСПОЛЬЗОВАНИЯ МУЛЬТИАГАНТНЫХ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ ЗАДАЧ НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.

1.1. Обзор MAC в контексте решения задач настройки технологических процессов.

1.1.1. Архитектуры интеллектуальных агентов.

1.1.1.1. Абстрактная архитектура ИА.

1.1.1.2. Классификация конкретных архитектур ИА.

1.1.2. Классификация механизмов взаимодействия ИА.

1.1.2.1. Договорные сети.

1.1.2.2. Системы на базе досок объявления.

1.1.2.3. Рыночные механизмы.

1.2. Проблемы разработки современных MAC интеллектуальной настройки технологических процессов.

1.3. Выводы.

2. РАЗРАБОТКА МОДЕЛИ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ

НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.

2.1. Разработка MAC, удовлетворяющих современным требованиям, предъявляемым к системам настройки реального времени с входными данными высокой размерности.

2.1.1. Разработка иерархической модели MAC.

2.1.1.1. Общая характеристика MAC СИН.

2.1.1.2. Дифференциация ИЛ по функциональным особенностям в иерархической архитектуре MAC.

2.1.1.3. Формальная модель мультиагентной иерархии.

2.1.2. Реализация архитектур ИА.

2.1.2.1. Управляющие архитектуры.

2.1.2.2. Архитектуры подрядчиков.

2.1.3. Организация механизмов взаимодействия AM и АП в рамках иерархической MAC.

2.1.3.1. Методы расчёта ошибки дообучения.

2.1.3.2. Степени доверия AM к АП.

2.1.3.3. Интервальный алгоритм определения победившего АП.

2.1.3.4. Пересчёт областей эффективного применения АП.

2.1.3.5. Реализация обучения в MAC.

2.1.3.6. Анализ сложности разработанных алгоритмов.

2.2. Технические особенности реализации модели MAC.

2.2.1. Реализация протоколов межагентного взаимодействия.

2.2.2. Реализация реактивных архитектур ИА.

2.3. Выводы.

3. МОДЕЛИРОВАНИЕ АГЕНТОВ-ПОДРЯДЧИКОВ MAC НАСТРОЙКИ

ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В НЕЙРОСЕТЕВОМ

ЛОГИЧЕСКОМ БАЗИСЕ.

3.1. Применение модифицированных самоорганизующихся карт

Кохонена в ИНС Хехт-Нильсона.

3.1.1. Сети Кохонена на основе принципов самоорганизации.

3.1.1.1. Общая характеристика сетей Кохонена.

3.1.1.2. Самоорганизующиеся карты Кохонена.

3.1.1.3. Алгоритм «нейронного газа».

3.1.2. Модификация самоорганизующихся карт Кохонена.

3.1.2.1. Структура многомерной карты Кохонена и её обучение.

3.1.2.2. Сходимость процесса обучения.

3.1.2.3. Методы группировки нейронов в матрицу.

3.1.2.4. Виды областей притяжения.

3.1.2.5. Меры близости между нейронами и их влияние на гауссову функцию притяжения.

3.1.2.6. Анализ сложности разработанных алгоритмов.

3.1.3. Модификация ИНС Хехт-Нильсона.

3.1.3.1. Алгоритм обучения МСХН.

3.1.3.2. Перекластеризация в МСХН при дообучении.

3.2. Методы обучения нейросетевых АП.

3.3. Выводы.

4. НАСТРОЙКА ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА

ПРОИЗВОДСТВА ХЛЕБОБУЛОЧНОЙ

ПРОДУКЦИИ.

4.1. Постановка задач управления производственным циклом.

4.1.1. Основные стадии производства.

4.1.2. Автоматизация выпечки хлебобулочной продукции.

4.2. Применение иерархической MAC для настройки процесса выпечки хлебобулочной продукции.

4.2.1. Конкретизация нейросетевой модели.

4.2.2. Конкретизация мультиагентной модели.

4.2.3. Исследование свойств MAC при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.

4.2.3.1. Методы расчёта ошибки дообучения.

4.2.3.2. Операции со степенями доверия.

4.2.3.3. Алгоритмы пересчёта ОЭО.

4.2.4. Исследование внедрённых в MAC модифицированных

ИНС Хехт-Нильсона при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.

4.2.4.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.

4.2.4.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона.

4.2.4.3. Анализ эффективности применения «алгоритмов утомления» в модифицированных ИНС Хехт-Нильсона.

4.2.4.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами.

4.2.5. Исследование роли внедрённых в MAC модифицированных ИНС Хехт-Нильсона посредством частотного анализа применения агентов.

4.3. Выводы.

5. НАСТРОЙКА РАСПРЕДЕЛЕНИЯ ТРАФИКА В ЗАКРЫТОЙ

ИНФОРМАЦИОННОЙ СИСТЕМЕ.

5.1. Постановка задачи распределения ресурсов.

5.2. Применение иерархической MAC для настройки распределения ресурсов.

5.2.1. Конкретизация модели MAC.

5.2.2. Исследование свойств MAC при настройке распределения ресурсов.

5.2.2.1. Методы расчёта ошибки дообучения.

5.2.2.2. Операции со степенями доверия.

5.2.2.3. Алгоритмы пересчёта ОЭО.

5.2.3. Исследование внедрённых в MAC модифицированных ИНС Хехт-Нильсона при организации распределения ресурсов.

5.2.3.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС Хехт-Нильсона.

5.2.3.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС Хехт-Нильсона.

5.2.3.3. Анализ эффективности применения «алгоритмов' утомления» в модифицированных ИНС Хехт-Нильсона.

5.2.3.4. Сравнительный анализ эффективности обучения модифицированных ИНС Хехт-Нильсона с сетями РБФ и многослойными персептронами.

5.2.4. Исследование роли внедрённых в MAC модифицированных ИНС Хехт-Нильсона посредством частотного анализа применения нейросетевых агентов при обработке исключительных ситуаций.

5.3. Выводы.

В последнее время системы интеллектуальной настройки (СИН) параметров технологических процессов на основе искусственных нейронных сетей (ИНС) всё чаще применяются во многих технических и промышленных приложениях. Основные преимущества нейросетевых систем по сравнению с классическими подходами особенно хорошо выявляются при работе со сложными технологическими объектами, неподдающимися точному формальному математическому описанию, как из-за нелинейности внутренней структуры, так и из-за необходимости учёта множества внешних факторов [1]. В свою очередь, ИНС представляют собой большое количество моделей и алгоритмов, обладающих специфическими качествами и имеющих ограниченные функциональные рамки. Усложнение модели объекта посредством увеличения размерности задачи, например, вводом в исходную модель дополнительных параметров, а так же необходимость учёта возможной рассинхронизации, при получении информации с различных датчиков и устройств, делают задачу настройки многокритериальной системы трудноразрешимой с учетом индивидуальных особенностей функционирования отдельно взятых ИНС, входящих с состав СИН [2].

В этой связи наиболее перспективным направлением развития в области интеллектуальных систем стало выделение набора подзадач и объединение различных методов их решения, в частности, на нейросетевой основе. Многообещающей реализацией данной концепции стало развитие мультиагентных систем (MAC), в которых основной акцент делается на декомпозиции системы, относительно независимом решении частных задач и оптимальном взаимодействии множества связанных компонентов, решающих частные задачи, моделируемой системы для наилучшего решения общей задачи.

Важной особенностью значительного класса подзадач настройки параметров технологических процессов, возникающих на практике в крупномасштабных системах, является достаточно гладкий вид функционала, что, с одной стороны, всё ещё не позволяет применять классические методы, основанные на линеаризации, ввиду накопления ошибок и снижения робастности моделируемых систем, но, с другой стороны, делает излишним использование громоздких, например, с большим количеством слоёв и скрытых нейронов, ИНС или ансамблей ИНС [3]. Данное обстоятельство усугубляется требованием формирования быстрого отклика системы и необходимостью осуществления оперативного дообучения сети в масштабе реального времени. В настоящий момент лишь несколько нейросетевых архитектур позволяют в некоторой степени эффективно справляться с такими проблемами, неизбежно жертвуя качеством обучения в угоду производительности.

Исходя из этого, в решении многих актуальных задач настройки технологических процессов в рамках MAC можно выделить 2 этапа:

1) разработка собственно агентов - небольших относительно автономных систем, эффективно решающих локальные задачи;

2) проектирование и разработка механизма взаимодействия агентов для оптимального решения общей задачи.

Таким образом, разработка новых подходов, методов решения частных задач и моделирование на их основе настройки сложных технологических процессов в многокомпонентных объектах по совокупности ряда внешних и внутренних признаков в условиях неполноты информации, когда в силу изначальной сложности, как среды функционирования, так и настраиваемого объекта, оказывается невозможным применить классические методы, а ограничения, накладываемые характером среды решаемых задач, не позволяют использовать сложные адаптивные подходы, несомненно, является актуальной и важной проблемой, решение которой представляется возможным осуществить в поле прикладных интеллектуальных систем на базе нейросетевого мультиагентного подхода.

Целями диссертационной работы являлись:

- проведение анализа существующих мультиагентных методов решения задач настройки сложных технологических процессов и производств1;

- решение задач автоматизированной настройки технологических процессов применительно к хлебопекарному производству и распределению трафика в закрытой информационной системе.

Научная новизна работы состоит в следующем:

- разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем с доменными структурами;

- предложен новый диапазонный метод определения лучших агентов на основе статистических показателей их работы;

- на основе обобщения существующей архитектуры Хехт-Нильсона разработана новая нейросетевая архитектура посредством введения многомерных самоорганизующихся карт Кохонена.

Теоретическая и практическая ценность работы состоят в том, что в работе предложен новый подход к решению задачи автоматизированной настройки технологических процессов в условиях неполной и неточной информации на основе, в частности, модификации архитектуры сети Хехт-Нильсона, расширения размерности самоорганизующихся карт Кохонена, разработанных методов диапазонной конкуренции, которые можно

1 Здесь под термином «сложность» подразумевается нелинейность функционала управления, высокая размерность входных данных, а так же разделённость входных данных по времени в связи с введением реального масштаба времени исполнения. применить для решения широкого круга задач в различных прикладных областях.

Полученные в работе результаты: математические модели, методы, алгоритмы и программные коды используются при автоматизированной настройки технологических процессов выпечки хлебобулочных изделий в Калужском хлебозаводе и в ООО «Пекарня «Дом хлеба»», для автоматизированной настройки процессов распределения трафика закрытой информационной системе в ЗАО «Корбина-Телеком», в Филиале №1 ООО «Макснет системы», а так же в учебных целях, в Калужском технологическом колледже. Копии актов о внедрении прилагаются.

Достоверность результатов работы обусловлена корректной постановкой задачи, применением математически обоснованных методов ее решения, сравнением результатов с экспериментальными данными.

На защиту выносятся следующие положения:

- модель мультиагентной многоуровневой иерархической системы с доменной структурой на основе договорных сетей с диапазонными алгоритмами организации межагентного взаимодействия;

- обобщение самоорганизующихся карт Кохонена на основе разработанных методов многомерных формаций нейронов, их областей притяжения и алгоритмов обучения;

- модификация архитектуры сети Хехт-Нильсона, связанная с введением дополнительных межнейронных связей с элементами разработанных многомерных самоорганизующихся карт Кохонена;

- результаты теоретических и экспериментальных исследований эффективности использования разработанных моделей, методов и алгоритмов при решении задач автоматизированной настройки технологических процессов хлебопекарного производства и распределения трафика в закрытой информационной системе.

Апробация результатов. Результаты диссертационной работы докладывались на конференциях:

1. Региональных научно-технических конференциях «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Калуга 2004, 2005,2006).

2. Всероссийских научно-технических конференциях «Прогрессивные технологии, конструкции и системы в приборо- и машиностроении» (Москва 2005); «Наукоёмкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе» (Москва 2006); «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2006).

3. Международной научно-практической конференции «Компьютерные технологии в науке и производстве» (Новочеркасск, 2006).

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан новый подход к решению задач автоматизированной настройки технологических процессов на базе мультиагентных систем, заключающийся в иерархическом построении MAC с доменными структурами и введении диапазонных методов определения лучших агентов на основе статистических показателей их работы.

2. Проведена модификация самоорганизующихся карт Кохонена путем увеличения размерности и введения кубических формаций нейронов, позволившая более чем в два раза повысить скорости самоорганизации.

3. Разработана новая нейросетевая архитектура на основе обобщения существующей архитектуры Хехт-Нильсона посредством увеличения размерности самоорганизующихся карт Кохонена и добавления парных нейронов в скрытый слой, вертикально связанных с нейронами Кохонена.

4. Предложен способ расчета межагентной степени доверия, для определения лидирующих агентов в целях повышения эффективности функционирования MAC. На основе введенных понятий предложен метод выявления действенных межагентных цепей в условиях асинхронно меняющихся эндогенных и экзогенных параметров в режиме реального времени.

5. Разработаны математическое, программное и методическое обеспечение программного комплекса для автоматизированной настройки технологических процессов на основе MAC в базисе модифицированных самоорганизующихся карт Кохонена высокой размерности.

6. Проведён теоретический и экспериментальный анализ нейросетевой и мультиагентной моделей на задачах средней и большой размерности. Установлено, что оптимальным показателям работы MAC соответствуют модифицированный критерий постоянства совместно с интервальным алгоритмом определения победившего АП и диапазонным методом пересчёта ОЭО; оптимальным показателям работы МСХН соответствует метод группировки нейронов в шар с ромбовидной областью притяжения и Евклидовой мерой близости в Гауссовой функции поощрения.

7. Решена задача автоматизированной настройки технологического процесса выпечки хлебобулочных изделий в условиях изменяющихся характеристик исходного сырья, позволившая повысить ежесуточный выход хлеба за счёт снижения объёма брака на 40-55% и приводящая к двукратному снижению сопутствующих человко-часов ресурсов.

8. Решена задача автоматизированной настройки параметров перераспределения трафика в закрытой информационной системе, позволившая повысить качество предоставляемых услуг и увеличить показатели доходности на 7-11%.

1. White D.A., Sofge D.A. Handbook of Intelligent Control: Neural, Fuzzy, and Adaptive Approaches. New York: Van Nostrand Reinhold, 1992. - 250 p.

2. Miller W.T., Sutton W.S., Werbos P. Neural Networks For Control. -Cambridge: MIT Press, 1998. 544 p.

3. Wooldridge M. Reasoning About Rational Agents. Cambrige: MIT Press, 2000.-241 p.

4. Durkin J. Expert Systems: Design and Development. New York: Macmillan, 1994.-600 p.

5. Частиков А.П., Гаврилов Т.А., Белов Д.JI. Разработка экспертных систем: среда CUPS. СПб.: БХВ-Петербург, 2003. - 608 с.

6. Nilsson N.J. Introduction to machine learning. Lecture notes. Stanford: Stanford University, 1996. - 208 p.

7. Mohammadian M., Sarker R.A., Yao X. Computational intelligence in control. Hershey: Idea Group Publishing, 2003. - 336 p.

8. Емельянов B.B. Интеллектуальные технологии и модели в задачах анализа и управления сложными системами и процессами // Компьютерная хроника. 1999. -№3. - С. 51-68.

9. Городецкий В.И., Карсаев О.В. Технология многоагентных систем и ее приложения в управлении и моделировании // Проблемы управления и моделирования в сложных системах: Труды 5 Международной конференции. Москва, 2003. - Т.1. - С. 88-104.

10. Рассел С.Д., Нордвиг П. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. М.: Вильяме, 2006 - 1408 с.

11. И. Luger G.F. Artificial Intelligence. Structures and Strategies for Complex problem Solving. 5-th Edition. Hearlow: Addison Wesley, 2005. - 904 p.

12. Weiss G. Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence. Cambridge: The MIT Press, 1999. - 620 p.

13. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002.-352 с.

14. Городецкий В.И., Грушинский М.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искусственного интеллекта. 1998. - №2. -С.3-45.

15. Nwana H.S., Azarmi N. Software Agents and Soft Computing: Concepts and Applications. Lectures Notes in Artificial Intelligence. Berlin: Springer Verlag, 1997.-298 p.

16. Grimshaw D. Artificial Intelligence topics with agents. Cambridge: The MIT Press, 2001.-1016 p.

17. Емельянов B.B. Многоагентная модель децентрализованного управления производственными системами // Информационные технологии и вычислительные системы. 1998. -№1. - С. 69-77.

18. Holland J.H. Hidden order: How adaptation builds complexity. Cambridge: Reading, Addison-Wesley, 1995.-450 p.

19. Suykens J.A.K., Horvath G., Basu S. Advanced learning theory, methods, applications. Amsterdam: IOS-Press, 2003 - 520 p.

20. Friedman J., Hastie Т., Tibshirani R. The elements of statistical learning. -NY.: Springer, 2001.-533 p.

21. Тарасов В.Б., Пасечник И.П. О путях построения нетрадиционных логик для моделирования интеллектуальных агентов // Сб. научн. трудов научной сессии МИФИ-99. Москва, 1999. - Том 7. - С. 134-135.

22. Veres S.M., Luo J. A class of BDI agent architectures for autonomous control // Proceedings at IEEE Conference on Decision and Control, N43. Nassau, 2004.-P. 4746-4751.

23. Georgeff M., Pell В., Pollack M. The belief-desire-intention model of agency. // Agent Theories, Architectures, and Languages (ATAL-98): Proceedings of the 5th International Workshop on Intelligent Agents. 1999. - Vol. 1555. -P. 1-10.

24. Bedankt F. Intention Reconsideration: PhD Thesis. Liverpool: University of Liverpool, 2002. - 306 p.

25. Ferguson I.A. TouringMachines: An Architecture for Dynamic, Rational, Mobile Agents: PhD thesis. Cambridge: University of Cambridge, 1992. -370 p.

26. Brooks R.A. Challenges for complete creature architecture. Cambridge: Meyer And Wilson, 1991. - 248 p.

27. Konar A. Artificial intelligence and soft computing. Jadavpur: CRC Press, 2000. - 787 p.

28. Sevay H. Multiagent Reactive Plan Application Learning in Dynamic: PhD Thesis. Lawrence: University of Kansas, 2004. - 170 p.

29. Cohen P.R. Empirical Methods for Artificial Intelligence. Cambridge: The MIT Press, 1995.-470 p.

30. Adelantado M., Givry S.D. Reactive/anytime agents: Towards intelligent agents with real-time performance // Working Notes of the IJCAI Workshop on Anytime Algorithms and Deliberation Scheduling. Montreal: IJCAI Workshop, 1995.-P. 448-453.

31. Jung C.J., Fischer K. Methodological comparison of agent models. Research Report RR-98-01. Saarbrucken: German Research Center for Artificial Intelligence, 1998.-78 p.

32. Mueller J.P. The Design of Intelligent Agents: a Layered Approach. Lectures Notes in Artificial Intelligence. Berlin: Springer Verlag, 1997. - 227 p.

33. Поспелов Д.А. От коллектива автоматов к мультиагентным системам // Распределенный искусственный интеллект и многоагентные системы: Труды Международного семинара. СПб., 1997. - С.34-38.

34. Jennings N.R. Coordination techniques for distributed artificial intelligence / Greg M. P. O'Hare and N. R. Jennings, editors, Foundations of Distributed Artificial Intelligence. NY: John Wiley & Sons, 1996. - P. 187-210.

35. Lewis J.A., Luger G.F. A constructivist model of robot perception and performance // 22-th Annual Conference of CSS. Hillsdale, 2000. - P. 12041220.

36. Modi J.P. Distributed Constraint Optimization For Multiagent Systems: PhD Thesis. California: Faculty of the Graduate School University of Southern California, 2003.-340 p.

37. Haynes Т., Sen S. Adaptation using cases in cooperative groups // Papers from the AAAI Workshop on Intelligent Adaptive. Princeton, 1996. - P. 85-93.

38. Тимофеев A.B. Мультиагентное и интеллектуальное управление сложными робототехническими системами // Теоретические основы и прикладные задачи интеллектуальных информационных технологий. -СПб., 1999.-С. 71-81.

39. Durfee Е.Н., Rosenschein J.S. Distributed problem solving and multiagent systems: Comparisons and examples // Papers from the Thirteenth International Workshop on Distributed Artificial Intelligence. Princeton, 1994.-P. 94-104.

40. Стефанюк В.JI. Локальная организация интеллектуальных систем. Модели и приложения. М.: Физматлит, 2004. - 328 с.

41. Timofeev A.V. Neural Multi-Agent Control of Robotic Systems // Proceedings of International Conference on Informatics and Control. -SPb., 1997. Vol. 2, N.3. - P. 537-542.

42. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. - №3. - С.5-54.

43. Городецкий В.И., Карсаев О.В., Самойлов В.В. Многоагентная технология принятия решений в задачах объединения данных // Труды СПИИ РАН. 2003. - №1. - С.55-69.

44. Тарасов В.Б. Эволюционная семиотика и нечеткие многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Информационные технологии и вычислительные системы. - 1998. -№1. - С.54-68.

45. Makar R., Mahadevan S., Ghavamzadeh M. Hierarchical multiagent reinforcement learning // Proceedings of the Fifth International Conference on Autonomous Agents. Cambridge, 2001. - P. 246-253.

46. Самойлов В.В. Системы объединения данных из разных источников: Принципы реализации и архитектура обработки данных для обучения систем принятия решений // Труды СПИИРАН. 2003. - № 1. - С. 104110.

47. Vapnik V.N. The nature of statistical learning theory. 2-nd edition. New York: Springer, 2000. - 314 p.

48. Омату С. Нейроуправление и его приложения / Пер. с англ. Н.В. Батина; Под ред. А.И. Галушкина, В.А. Птичкина- М.: ИПРЖР, 2000. 272 с.

49. Абовский Н.П., Деруга А.П., Максимова О.М. Нейроуправляемые конструкции и системы. М.: Радиотехника, 2003. - 368 с.

50. Егупов Н.Д. Методы робастного, нейро-нечеткого и адаптивного управления. М.: Издательство МГТУ им. Н.Э.Баумана, 2002. - 744 с.

51. Методы классической и современной теории автоматического управления. / К.А.Пупков, Н.Д.Егупов, А.И.Баркин и др.; Под ред. Н.Д.Егупова М.: Издательство МГТУ им. Н.Э.Баумана, 2000. - Том 3. - 748 с.

52. Советов Б.Я., Цехановский В.В., Чертовской В.Д. Теоретические основы автоматизированного управления. М.: Высшая школа, 2006. - 464 с.

53. Мирошник И.В. Теория автоматического управления. Нелинейные и оптимальные системы. СПб.: Питер, 2006. - 272 с.

54. Bowling М. Multiagent Learning in the Presence of Agents With Limitations: PhD Thesis. Pittsburg: Carnegie Mellon University, 2003. - 250 p.

55. Станкевич JT.А. Мультиагентная технология в когнитивных системах управления автономными роботами // Экстремальная робототехника: X научно-техническая конференция. Санкт-Петербург, 1999. - С. 207217.

56. Ширяев В.И. К задаче управления коллективом роботов при игре в футбол как задаче управления в условиях неполной и неточной информации // Экстремальная робототехника: XI научно-техническая конференция. Санкт-Петербург, 2000. - С.130-138.

57. Аюев В.В. Некоторые аспекты обобщения самоорганизующихся карт Кохонена // Современные проблемы информатизации в моделировании и программировании: Сб. трудов (Воронеж). 2006. - Вып. 11. - С. 272275.

58. Логинов Б.М., Аюев В.В. Нейросетевые агенты в задачах управления с разделёнными по времени входными данными высокой размерности // Нейрокомпьютер: разработка и применение (Москва). 2007. - №5. -С. 31-41.

59. Олифер В.Г., Олифер Н.А. Компьютерные сети: принципы, технологии, протоколы. 2-е изд. СПб.: Питер, 2003. - 864 с.

60. Кнут Д.Э. Искусство программирования. 2-е изд.: Пер. с англ. М.: Вильяме, 2000. - Том 3. - 832 с.

61. Ивахненко А.Г. Персептроны. Киев: Наукова Думка, 1974. - 351 с.

62. Зубков С.В. Assembler для DOS, Windows и UNIX. СПб.: Питер, 2006. -608 с.

63. Грэхем Р., Кнут Д., Паташник О. Конкретная математика. М.: Мир, 1998.-703 с.

64. Аюев В.В. Сравнение эффективности нейросетевых агентов на РБФ-сетях и обобщённых сетях Хехт-Нильсена // Современные проблемы информатизации в моделировании и анализе сложных систем: Сб. трудов (Воронеж). 2007. - Вып. 12. - С. 215-217.

65. Аюев В.В. К вопросу об обобщении самоорганизующихся карт Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы Всероссийской научно-технической конференции. М., 2005. - Т.З. - С. 84-86.

66. Hecht-Nielson R., Counterpropagation Networks // Proceedings of the IEEE First International Conference on Neural Networks. New York, 1987. - P. 19-32.

67. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 343 с.

68. Головко В.А. Нейронные сети: обучение, организация и применение: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001.-256 с.

69. Kohonen Т., Self-Organizing Maps. 2-nd edition. Heidelberg: Springer, 1997.-364 p.

70. Haykin S. Neural Networks: A Comprehensive Foundation. 2-nd Edition. -New Jersey: Prentice-Hall, 1999. 844 p.

71. Funahashi K.I. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. - Vol. 2. - P. 183-192.

72. Люггер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание: Пер. с англ. М.: Вильяме, 2003. - С. 371-372, 435-437.

73. Тарахов Д.А. Нейронные сети. Модели и алгоритмы / Общая ред. А.И. Галушкина. М.: Радиотехника, 2005. - 256 с.

74. Levin Е., Gewirtzman R., Inbar G.F. Neural network architecture for adaptive system modeling and control //Proc. of Int. Joint Conf. on Neural Networks. -Washington, 1998.-Vol. 11.-P. 311-316.

75. Kohonen Т., Things you haven't heard about the self-organizing maps //Biological Cybernetics. 1996. - Vol. 75. - P. 281-291.

76. Hecht-Nielsen R. Neurocomputing. MA: Addison-Wesley, 1990. - 420 p.

77. Харламов А.А. Нейросетевая технология представления и обработки информации / Общая ред. А.И. Галушкина. Москва: Радиотехника, 2006. - 88 с.

78. Аюев В.В. Методы расчёта выхода хлебобулочных изделий в условиях работы мини-пекарен // Прогрессивные технологии, конструкции исистемы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2004. - С. 171.

79. Аюев В.В., Сапрыкин Д.Н. Модификация самоорганизующихся карт Кохонена // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2005. - Т. 1. - С. 242-245.

80. Аюев В.В. Разработка мультиагентной системы управления технологическими процессами // Прогрессивные технологии, конструкции и системы в приборо- и машиностроении: Материалы региональной научно-технической конференции. Москва, 2005. - Т.1. - С. 238-241.

81. Назаров В.Г. Проектирование хлебопекарных предприятий с основами САПР.-М.: Колос, 1994.-С. 152-157.

82. Зверева Л.Ф., Немцова З.С., Волкова Н.П. Технология и технохимический контроль хлебопекарного производства. 3 издание. -М.: Лёгкая и пищевая промышленность, 1983. С. 218-223.

83. Болдырева Л.К. Расчёт выхода хлебобулочных изделий в условиях работы мини-пекарен // Технологии производства в пищевой промышленности: Советы технолога (Москва). 1999. -№10. - С. 16-17.

84. Аюев В.В. О сравнении архитектур агентов в MAC управления // Наукоёмкие технологии, в приборо- и машиностроении и развитие инновационной деятельности в вузе: Материалы региональной научно-технической конференции. Москва, 2006. - Т.2. - С. 21-23.

85. Черноусько Ф.Л. Декомпозиция и субоптимальное управление в динамических системах // Техническая кибернетика. 1993. - № 1. - С. 209-214.