автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая система планирования полета группы беспилотных летательных аппаратов

На правах рукописи

Мирзоян Лолита Артуровна

НЕЙРОСЕТЕВАЯ СИСТЕМА ПЛАНИРОВАНИЯ ПОЛЕТА ГРУППЫ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

Специальность 05.13.01 Системный анализ, управление и обработка информации (авиационная, космическая техника и кораблестроение)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

МОСКВА 2007

ООЗ

003173267

Работа выполнена на кафедре "Системы автоматического и интеллектуального управления" Московского авиационного института (государственного технического университета, МАИ).

Научный руководитель: доктор технических наук, профессор,

заслуженный деятель науки РФ Лебедев Г.Н.

Официальные оппоненты:

доктор технических наук, профессор, ВА РВСН, Зайцев А В.

кандидат технических наук, доцент, МИФИ, Мишулина О. А.

Ведущая организация: ОАО «ОКБ имени A.C. Яковлева»

Защита состоится на заседании

диссертащгонного совета Д 212.125.11 при Московском авиационном институте (государственном техническом университете) «МАИ» по адресу: 125993, А-80, ГСП-З, Москва, Волоколамское ш., 4, зал заседаний Ученого Совета МАИ.

С диссертацией можно ознакомиться в библиотеке МАИ.

Автореферат разослан

Ученый секретарь диссертационного совета,

к.т.н, доцент f Горбачев Ю.В.

¡OtO-Ö*

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. За последние десятилетия накоплен большой опыт в разработке и применении беспилотных летательных аппаратов (БЛА) для решения военных задач. Однако в настоящее время большое внимание стало уделяться исследованию возможности применения беспилотной авиации при чрезвычайных ситуациях, стихийных бедствиях, а также для обеспечения телекоммуникаций, метеорологических измерений, мониторинга трубопроводов, патрулирования границ, и других задач гражданского назначения. Связано это с тем, что БЛА гораздо дешевле нынешних самолетов, более простые в обслуживании, их полет может быть намного продолжительнее, они также могут работать в темноте, в условиях плохой видимости, кроме того, они могут применяться в ситуациях, угрожающих жизни пилота. Эффективность же их использования значительно повышается при организации групповых полетов. Однако наряду с этим, возникает сложная проблема, связанная с обеспечением управления полетом группы БЛА В настоящее время оно осуществляется одним из двух способов.

- автономное - по заложенной в памяти бортового компьютера программе полета;

- централизованное - с помощью одного или нескольких операторов, обеспечивающих оперативное планирование полета в реальном времени со стационарного или переносного пункта.

Однако и тот, и другой способ имеют свои недостатки. При автономном управлении не могут быть учтены возникающие в полете непрогнозируемые заранее изменения внешних условий, а также появление новых целей, исключена возможность при необходимости перепланирования действий. При быстром обновлении текущей полетной информации и большом ее объеме при централизованном способе управления, нагрузка на оператора возрастает многократно, и принятие им оперативного решения становится затруднительным Таким образом, задача координации действий более одного

БЛА является практически неразрешимой ни одним из этих двух способов. Выход в таком случае состоит в создании бортовых интеллектуальных систем управления с искусственным интеллектом, обеспечивающих оперативное планирование полета группы БЛА в реальном времени, в условиях постоянно меняющейся полетной ситуации. В диссертационной работе предлагаются нейросетевые структуры планирования групповых действий, созданные в процессе эволюционного отбора, основанного на обучении с помощью моделирующей среды.

Для определения места предлагаемых нейросетевых структур планирования групповых действий в бортовом комплексе БЛА, управление групповым полетом представляется как иерархический процесс, который условно можно разбить на три уровня (рис.1):

• стратегический уровень (уровень планирования текущей цели);

• тактический уровень (уровень формирования траектории полета);

• исполнительный уровень.

Стратегический уровень, или уровень принятия решения о выборе поведения, состоит в оперативном планировании в реальном времени групповых действий летательных аппаратов с организацией их взаимопомощи и разрешением возникающих конфликтов в выборе направления полета. На этом уровне решается задача определения текущей цели для каждого из летательных аппаратов.

Задачей тактического уровня является формирование траектории полета по заданным координатам цели.

Третий, исполнительный уровень - это уровень системы управления самим БЛА, в задачи которого входит поддержание или отработка с помощью управляющих органов задающих воздействий по таким сигналам, как желаемое направление, скорость, высота полета к цели.

СТРА ТЕГИЧЕСКИЙ УРОВЕНЬ

координаты следующего пункта маршрута

ТАКТИЧЕСКИЙ УРОВЕНЬ

□

желаемые

значения

вектора

состояния

системы

Л /

/

-г

ИСПОЛНИТЕЛЬНЫЙ УРОВЕНЬ

Текущее

положение

ЛА

□

РЕГУЛЯТОРЫ

руль направления

датчики

злероны ^ *** - состояния

двигатель

Рис. 1. Трехуровневая концепция управления полетом БЛА В диссертационной работе предлагается подход к обеспечению стратегического уровня управления полетом двух БЛА.

Кроме того, в диссертационной работе предлагается использовать малогабаритные перепрограммируемые интегральные схемы для реализации стратегического уровня управления полетом группы БЛА, что позволит значительно снизить стоимостные и массогабаритные характеристики системы управления полетом в целом.

Целью работы является разработка автономной бортовой системы планирования групповых действий беспилотных летательных аппаратов, эффективно функционирующей в реальном времени без участия наземного оператора.

В соответствии с указанной целью определены следующие задачи исследований:

• проанализировать существующие подходы к планированию группового полета и сформировать требования к разрабатываемой системе.

• разработать метод эволюционного формирования нейросетевых структур на основе их обучения с использованием моделирующей среды.

• сформировать разработанным методом нейросетевые структуры планирования группового полета и проанализировать результаты.

• провести анализ возможности практической реализации предложенных нейросетевых структур, разработать схему организации их взаимодействия с бортовой системой автоматического управления.

Методы исследования. Решение поставленных в диссертационной работе задач проводилось с использованием основных разделов и положений теории нейронных сетей, генетических алгоритмов, теории автоматического управления, динамики полета летательных аппаратов, а также компьютерного моделирования и программирования.

Положения, выносимые на защиту.

1. Нейросетевые директивные и иерархические структуры планирования группового полета и методы их эволюционного формирования с помощью моделирующей среды.

2. Процедура планирования групповых действий.

3. Реализация предложенных нейросетевых алгоритмов на борту ЕЛА на базе программируемых логических интегральных схем (ПЛИС).

Научная новизна. В результате проведенных исследований:

1. Предложены директивные и иерархические нейросетевые структуры на базе нового управляющего нейроэлемента и эволюционные методы их эффективного формирования с использованием моделирующей среды.

2. Показана возможность автономного оперативного планирования полета группы БЛА с использованием бортовых нейросетевых структур принятия альтернативных решений без координации со стороны наземного оператора.

3. Предложена реализация нейросетевых структур планирования в конвейерном режиме с помощью малогабаритных ПЛИС, что позволит значительно снизить стоимостные и массогабаритные характеристики нейросетевой системы планирования полета.

Практическая значимость результатов:

1. Разработанные нейросетевые методы планирования групповых действий позволяют осуществлять распределение целей в реальном времени на борту БЛА, при этом значительно сократить время принятия решения о выборе поведения по сравнению с традиционными алгоритмами нахождения оптимального маршрута облета целей.

2. Возможность решения разных задач планирования полета группы БЛА с помощью нейросетевых структур, построенных на одном принципе, позволяет использовать их в конвейерном режиме с помощью программируемых интегральных схем на борту и добиться минимальных стоимостных и массогабаритных характеристик.

Реализация и внедрение результатов работы. Разработанные нейросетевые структуры управления полетом группы БЛА реализованы на микросхемах в МАИ и использованы в ОАО «ОКБ им. A.C. Яковлева», о чем имеется акт о внедрении.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались:

• на Международной Студенческой Олимпиаде по Автоматическому Управлению (Балтийская Олимпиада - ВОАС'02), Санкт-Петербург, 2002г.

• на конгрессе Международного Совета по Авиационным Наукам (24th Congress of the International Council of the Aeronautical Sciences, ICAS), Япония, 2004г.

• на XIII Международном научно-техническом семинаре «Современные технологии в задачах управления, автоматизации и обработки информации», Алушта, 2004г.

• на Европейской конференции по авиационным наукам EUCASS (European Conference for Aerospace Sciences), Москва, 2005г.

• на юбилейной научно-технической конференции «Авиационные системы в XXI веке», посвященной 60-летию ГосНИИАС, Москва, 2006г Публикации. Основные результаты диссертационной работы

опубликованы в 9 печатных работах.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы, включающего 98 наименований, и 4 приложений. Основная часть работы изложена на 118 страницах машинописного текста, содержит 64 рисунка и 8 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается актуальность темы диссертации, сформулированы цель работы и задачи исследований, представлены выносимые на защиту результаты, охарактеризована их научная новизна и практическая ценность, приведены сведения о реализации полученных результатов, их опубликовании, об апробации работы, ее структуре и объеме.

В первой главе проводится анализ существующих подходов к планированию действий по выбору маршрута полета. По результатам этих

исследований сформулированы требования к разрабатываемым методам синтеза систем интеллектуального управления полетом группы ЛА.

Исследования возможностей планирования групповых действий подвижных объектов (наземных транспортных средств, роботов, летательных аппаратов) традиционно проводятся в двух направлениях, независимая маршрутизация и совместная маршрутизация. В первом случае каждому из участников группы назначается область ответственности, и выбор маршрута осуществляется для каждого из участников в отдельности При совместной маршрутизации все пункты маршрута находятся в общей ответственности, и планирование проводится для всех участников группы одновременно. Исследователями было предложено множество как вычислительных, так и эвристических алгоритмов решения задачи независимой маршрутизации. Совместная маршрутизация реализуется в большинстве случаев с помощью модифицированных генетических алгоритмов Анализ методов маршрутизации выявил их недостатки, среди которых наиболее существенными являются вычислительная сложность, которая ограничивает их применение в реальном времени на борту ЛА, и неучет динамических свойств объекта управления. Быстродействующие классические многослойные нейронные сети могли бы быть полезными в решении поставленной задачи, однако они требуют большого объема примеров удачного поведения для обучения. Сформировать такую базу примеров для двух и более летательных аппаратов не представляется возможным. Поэтому, наряду с быстродействием и учетом динамических свойств БЛА, к разрабатываемому методу решения поставленной задачи предъявляется также требование самообучаемости, те. отсутствия при обучении учителя, диктующего правильное решение.

Во второй главе поставлена задача управления групповым полетом, приводится концепция трехуровневой системы реализации этого управления, вводятся понятия управляющего нейроэлемента и нейросетевых структур директивного и иерархического типа

Из рассмотренных во введении возможных областей гражданского применения БЛА в диссертационной работе в качестве примера для демонстрации эффективности предлагаемой нейросетевой системы планирования была выбрана задача исследования земной поверхности двумя БЛА, участвующих в поисково-спасательных операциях в районе наводнения.

Исходя из условий управления групповым полетом, в реальном времени появляются объекты, которые БЛА должны распределить между собой. Для этого каждому из БЛА предлагается назначать область ответственности, которая перемещается вместе с изменением положения БЛА. Эта область условно разбивается на п=5 зон - справа, слева, прямо, сзади справа и сзади слева. Каждой зоне ставится в соответствие одна из N=11=5 альтернатив поведения (рис. 2). С целью организации взаимопомощи БЛА имеют общую зону ответственности (заштрихованная область на рис.2). Задача планирования в таком случае состоит в выборе альтернативы поведения (направления движения) из N возможных, в качестве которых рассматривается движение в одну из построенных зон, с последующим выбором объекта обслуживания в этой зоне. Факторами, влияющими на принятие решения, является количество объектов в зонах: п1, п2, ... п5.

Для построения нейросетевых структур (НС-структур) планирования действий предлагается новый нейроэлемент, содержащий: два выходных сигнала, один из которых разрешает, а другой запрещает действия нейроэлементов соподчиненных уровней иерархии нейросетевой структуры, и два входных канала - информационный на своем уровне иерархии и

\

X

Рис. 1. Постановка задачи планирования полета группы БЛА

управляющий, воспринимающий команду с верхнего уровня (рис 3) На рис 3 Хь Хп - информационные сигналы, и - управляющий сигнал с верхнего уровня, И - инвертор, Л У - логическое умножение, Уь У2 - раздвоенный выход для соподчинения различными ветвями нижних уровней, аь. ,а„ -весовые коэффициенты.

Рис 2. Схема управляющего нейроэлемента С использованием таких нейроэлементов можно сформировать нейросетевые структуры двух типов директивного и иерархического (рис 4), причем последняя структура должна возникать в результате наращивания структуры директивного типа

Рис 3 а),б) древовидное представление директивной и иерархической нейросетевой структуры соответственно, в) схемотехническая реализация нейросетевой иерархической структуры

В диссертационной работе предложена следующая концепция взаимодействия управляющих систем на борту БЛА. Нейросетевая структура планирования действий реализует стратегический уровень управления полетом БЛА в группе. Получая информацию о текущем положении БЛА, снимаемую с его датчиков, а также информацию о появлении новых объектов в области его ответственности, нейросетевая структура формирует сигнал в виде координат текущей цели полета, на основании которого должен быть сформирован задающий сигнал для регуляторов, обеспечивающий полет к цели.

На рис.5 представлена структурная схема контура управления полетом БЛА, содержащая разработанную НС-структуру планирования действий на программируемой логической интегральной микросхеме, а также блок формирования траектории, преобразующий координаты цели в задающие сигналы - текущий угол курса и высоту.

Рис.4. Структурная схема контура управления полетом БЛА

Здесь: {Х^У^Но} - координаты объектов (долгота, широта, высота), попадающих в поле ответственности БЛА; X, Y, Н характеризуют текущее положение ЛА (широта, долгота, высота); % г>, у - текущие углы скольжения, тангажа, курса, крена соответственно; и3, Ч^*, у3. - задающие сигналы по углам тангажа, курса, крена, 5Н, бэ, 5В, 5Д- управляющие сигналы по углам отклонения руля направления, элеронов, руля высоты, положению дроссельной заслонки двигателя соответственно, У3 - задающий сигнал по скорости.

Таким образом, встроенная НС-структура планирования действий формирует сигналы, передающиеся через задающие воздействия ко всем регуляторам САУ БЛА, т.е. находится в основном контуре управления и замыкает его.

В третьей главе описывается разработка методов организации эволюционного отбора нейросетевых структур директивного и иерархического типа.

Процесс оптимизации и самообучения директивных и иерархических нейросетевых структур производится с использованием так называемой «моделирующей среды», которая дает оценку множества действий НС-структуры за определенный период времени.

Степенями свободы при направленном выборе лучшей НС-структуры директивного типа являются число нейроэлементов, бинарные значения весовых коэффициентов каналов торможения и возбуждения и постоянные значения смещений При этих условиях путем целенаправленного отбора осуществляется поиск лучшего варианта НС-структуры.

Для обеспечения эволюционного отбора иерархических нейросетевых структур их архитектура представляется в виде двух динамически расширяющихся матриц: матрицы нейроэлементов и матрицы связей. Матрица нейроэлементов кодирует информацию о составе входных сигналов нейроэлемента, матрица связей определяет с какими нейроэлементами

структуры связан данный нейроэлемент и по какому каналу (возбуждения или торможения). Механизм эволюции директивной структуры в иерархическую осуществляется с помощью двух операций над НС-структурой: добавление/редактирование связей; добавление/редактирование

нейроэлементов с последующим добавлением / редактированием связей. Для реализации этого механизма в работе предложены операции мутации каналов, связей, нейроэлементов.

В четвертой главе с использованием разработанного метода решаются задачи синтеза нейросетевых систем планирования действий, описываются особенности моделирования динамических свойств БЛА, разработка моделирующая среда, создание и обучение нейронной сети, аппроксимирующей длину траектории и положение БЛА при подлете к цели.

Для имитационного моделирования был выбран БЛА Аегозопс1е

(рис.6).

Рис.6. Моделируемый БЛА

На этапе разработки моделирующей среды была создана многослойная нейронная сеть, обученная с использованием динамической модели БЛА и содержащая на входе два сигнала - ошибку по курсу и расстояние между БЛА и следующим пунктом маршрута; на выходе - длину траектории полета к этому пункту маршрута, а также угол курса БЛА по прибытии его в этот пункт.

В предлагаемом подходе вся процедура принятия решения о выборе следующего пункта маршрута разбивается на 4 последовательных этапа:

1) общая стратегическая классификация обстановки;

2) подсчет числа объектов, попавших в каждую зону;

3) определение приоритетной зоны;

4) выбор объекта в приоритетной зоне.

Задачи каждого из этих этапов решаются с помощью отдельных нейросетевых структур, причем результаты функционирования предыдущей задействуются в работе последующей. Нейросетевые структуры общей стратегической классификации обстановки, подсчета числа объектов, попавших в каждую зону, выбора объекта в приоритетной зоне сформированы без эволюционного отбора, а руководствуясь логикой принятия решения человеком, решающим подобную задачу.

Нейросетевые структуры определения приоритетной зоны были получены в результате применения разработанных эволюционных методов по критерию максимальной эффективности, т.е. отношения дохода (общего количества обслуженных пунктов) к затратам (длине маршрута) (рис.4 в). Эффект от взаимопомощи БЛА проиллюстрирован на рис.8 (верхний график -без взаимопомощи, нижний - с оказанием взаимопомощи).

В пятой главе диссертационной работы рассматривается внедрение нейросетевых структур в бортовую систему управления с использованием программируемых интегральных схем (ПЛИС), предлагается конвейерный подход в применении одной ПЛИС, последовательно воспроизводящей каждую из НС-структур планирования действий.

А

А

Рис.8 Графическая иллюстрация эффекта взаимопомощи

Предлагаемые нейросетевые структуры, базирующиеся на логических операциях, могут быть реализованы на аппаратной базе тех элементов, которые входят в ПЛИС. В этой главе представлены схемы реализации всех разработанных нейросетевых структур, реализуемых в САПР «Quartus П», представляющей собой интегрированную среду для разработки цифровых устройств на базе ПЛИС фирмы «Альтера» («Altera») и обеспечиващей выполнение всех этапов, необходимых для выпуска готовых изделий.

В заключении изложены основные результаты работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе была решена проблема создания интеллектуальной нейросетевой системы управления полетом группы, состоящей из двух БЛА. Основные результаты могут быть сформулированы в виде следующих положений.

1. Предложен подход к планированию групповых действий гражданских БЛА с помощью нейросетевых управляющих структур. Разработана схема функционирования предложенных нейросетевых структур в бортовом комплексе БЛА.

2. Предложен новый управляющий нейроэлемент, содержащий два выходных сигнала, один из которых разрешает, а другой запрещает действия нейроэлементов соподчиненных уровней иерархии нейросетевой структуры, и два входных канала - информационный на своем уровне иерархии и управляющий, воспринимающий команду с верхнего уровня.

3 Разработаны методы эволюционного формирования нейросетевых структур с помощью моделирующей среды

4. Путем моделирования полета БЛА и разработанной методики эволюционного отбора, получены директивные и иерархические нейросетевые структуры планирования действий двух БЛА.

5. Предложена схемотехническая реализация разработанных нейросетевых структур на однотипных логических элементах с помощью малогабаритных программируемых логических интегральных схем, что позволит значительно снизить стоимостные и массогабаритные характеристики нейросетевой системы управления полетом в целом.

Основные положения диссертятши опубликованы в следующих

работах:

1. Лебедев Г.Н., Фирсов С.П., Мирзоян Л.А. Интеллектуальная система самообучения при управлении маршрутным полетом // Приборы и системы. Управление, контроль, диагностика.-2001.-№9

2. Лебедев Г.Н., Мирзоян Л. А Нейросетевое планирование действий по облету наземных объектов группой летательных аппаратов И Авиакосмическое приборостроение.-2005.-№ 12.-С.41-47.

3. Мирзоян Л.А. Application of neural network to solve the problem of aircraft horisontal flight routing // Труды IX Международной Студенческой Олимпиады по Автоматическому Управлению (Балтийская Олимпиада - ВОАС'02).-Санкт-Петербург, 2002.-С.34-36.-на англ яз.

4. Мирзоян Л.A. Comparison and improvement of methods to solving the problem of optimal flight routing // Сборник докладов ICAS -24th International Congress of Aeronautical Sciences.-Япония, 2004.-С.9.-на англ. яз.

5 Лебедев Г.Н., Мирзоян Л.А. Задача самообучения нейросетевых управляющих структур с помощью моделирующей среды // Труды XIII Международного Научно-технического семинара «Современные технологии в задачах управления, автоматики и обработки информации».-Алушта, 2004,-Т.2.-С.235-237.

6 Лащев А .Я., Мирзоян Л.А. A new approach to longitudinal motion's flight control system design Н Сборник докладов EUCASS - European Conference for Aerospace Sciences.-2005.-C.9 -на англ. яз.

7. Лебедев Г.Н., Мирзоян Л.А. Конвейерное нейросетевое управление полетом на базе обучающей моделирующей среды // Материалы Международной научной конференции «Современные проблемы прикладной математики и математического моделирования».-2005

8. Лебедев Г.Н., Галютин В.Б, Мирзоян Л. А. Интеллектуальное нейросетевое управление полетом в конвейерном режиме // Труды юбилейной научно-технической конференции «Авиационные системы в XXI веке», посвященной 60-летию ГосНИИАС.-2006.

9. Лебедев Г.Н, Мирзоян Л А. Самообучающиеся иерархические нейроструктуры управления полетом П Труды 1-й Российской мультиконференции по проблемам управления (РМКПУ-2006).-2006

Перечень условных обозначений и сокращений.

ВВЕДЕНИЕ.

ГЛАВА 1 АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ПЛАНИРОВАНИЯ ГРУППОВЫХ ДЕЙСТВИЙ.

1.1 Методы независимой маршрутизации.

1.1.1. Метод ветвей и границ.

1.1.2. Метод поиска аналитического выражения функции риска.

1.1.3. Генетический алгоритм.

1.1.4. Нейронные сети.

1.1.4.1 Нейронная сеть Хопфилда.

1.1.4.2 Нейронная сеть Кохонена.

1.2 Методы совместной маршрутизации.

1.3 Результаты сравнительного анализа существующих методе® независимой и совместной маршрутизации.

1.4 Выводы по главе 1.

ГЛАВА 2 ПОДХОД К РЕШЕНИЮ ЗАДАЧИ ПЛАНИРОВАНИЯ ГРУППОВОГО ПОЛЕТА.

2.1 Постановка задачи планирования группового полета БЛА.

2.2 Области ответственности БЛА.

2.3 Управляющий нейроэлемент. Нейросетевые структуры директивного и иерархического типа.

2.4 Трехуровневый процесс управления полетом.

2.5 Выводы по главе 2.

ГЛАВА 3 ЭВОЛЮЦИОННОЕ ФОРМИРОВАНИЕ НЕЙРОСЕТЕВЫХ СТРУКТУР

3.1 Критерий эффективности при отборе нейросетевых структур планирования действий.

3.2 Обучение директивных нейросетевых структур.

3.3 Эволюционный отбор иерархических нейросетевых структур.

3.3.1. Матричное представление нейросетевых структур.

3.3.2. Механизмы эволюции.

3.4 Выводы по главе 3.

ГЛАВА 4 СИНТЕЗ НЕЙРОСЕТЕВЫХ СТРУКТУР ПЛАНИРОВАНИЯ ГРУППОВОГО ПОЛЕТА.

4.1 Выбор модели беспилотного летательного аппарата.

4.2 Формирование траектории полета между пунктами маршрута.

4.2.1. Тактический уровень управления полетом - формирование траектории.

4.2.2. Исследование ограничений на возможные маневры БЛА.

4.2.3. Учет динамических свойств объекта управления на этапе конструирования систем планирования действий.

4.3 Моделирующая среда.

4.3.1. Аппроксимация длины траектории полета и положения БЛА с помощью нейронной сети.

4.3.2. Моделирование групповых действий.

4.4 Синтез нейросетевой системы планирования полета двух БЛА.

4.5 Нейросетевые структуры сопровождения принятия решения.

4.6 Выводы по главе 4.

ГЛАВА 5 АНАЛИЗ ЭФФЕКТИВНОСТИ РАЗРАБОТАННОЙ СИСТЕМЫ

5.1 Анализ результатов моделирования.

5.2 Аппаратная реализация нейросетевой системы планирования группового полета на базе ПЛИС.

5.3 Конвейерный режим планирования групповых действий.

5.4 Выводы по главе 5.

За последние десятилетия накоплен большой опыт в разработке и применении беспилотных летательных аппаратов (БЛА) для решения военных задач. Однако в настоящее время большое внимание стало уделяться исследованию возможности применения беспилотной авиации при чрезвычайных ситуациях, стихийных бедствиях, а также для обеспечения телекоммуникаций, метеорологических измерений, мониторинга трубопроводов, патрулирования границ, и других задач гражданского назначения. Связано это с тем, что БЛА гораздо дешевле нынешних самолетов, более простые в обслуживании, их полет может быть намного продолжительнее, они также могут работать в темноте, в условиях плохой видимости, кроме того, они могут применяться в ситуациях, угрожающих жизни пилота. Эффективность же их использования значительно повышается при организации групповых полетов. Однако наряду с этим, возникает сложная проблема, связанная с обеспечением управления полетом группы БЛА. В настоящее время оно осуществляется одним из двух способов:

• автономное - по заложенной в памяти бортового компьютера программе полета;

• централизованное - с помощью одного или нескольких операторов, обеспечивающих оперативное планирование полета в реальном времени со стационарного или переносного пункта.

Однако и тот, и другой способ имеют свои недостатки. При автономном управлении не могут быть учтены возникающие в полете непрогнозируемые заранее изменения внешних условий, а также появление новых целей, исключена возможность при необходимости перепланирования действий. При быстром обновлении текущей полетной информации и большом ее объеме при централизованном способе управления, нагрузка на оператора возрастает многократно, и принятие им оперативного решения становится затруднительным. Таким образом, задача координации действий более одного БЛА является практически неразрешимой ни одним из этих двух способов. Выход в таком случае состоит в создании бортовых интеллектуальных систем управления с искусственным интеллектом, обеспечивающих оперативное планирование групповых действий в условиях постоянно меняющейся полетной ситуации. Согласно определениям, приведенным в [1, 2], интеллектуальной системой управления считается такая, в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается.

С математической точки зрения, планирование групповых действий представляет собой задачу оптимизации: выбрать маршрут совместного облета целей, при этом обеспечив наибольшую эффективность: минимум затрат (топлива, времени) и максимум дохода (обслуженных объектов). Однако известные методы оптимизации в данном случае не применимы по следующим причинам. Информация о возможных пунктах маршрута заранее неизвестна, т.е. их координаты поступают на борт в реальном времени и не все сразу, а значит решить задачу оптимизации до полета невозможно. Как следствие, выбор текущего поведения должен осуществляться оперативно бортовой системой планирования, при этом нет способа оценить эффективность отдельного принятого решения. Только по окончании полета можно определить качество совокупности всех принятых решений. Это условие предъявляет определенные требования к методу синтеза системы планирования совместных действий. Классические многослойные нейронные сети могли бы быть полезными в решении поставленной задачи, однако они требуют большого объема примеров удачного поведения для обучения. Сформировать такую базу примеров для двух и более летательных аппаратов не представляется возможным. Поэтому необходим принципиально новый подход к формированию структуры и обучению нейронных сетей. В диссертационной работе предлагается такой эволюционный подход, основанный на построении с помощью моделирующей среды нейросетевых структур, предназначенных для планирования групповых действий.

По своей сути нейросетевые структуры (НС-структуры) содержат в себе свойства нейронных сетей и экспертных систем. Однако имеют преимущества перед обоими. В частности, в отличие от традиционной многослойной нейронной сети, представляющей собой черный ящик, выдающий рекомендации по выбору поведения, нейросетевая структура содержит цепочку логических правил в виде линейных неравенств, по которой можно проследить процесс принятия решения. Напротив, экспертные системы прозрачны в плане объяснения логики принятия решения, однако требуют знаний эксперта, которые доступны не для всех задач. Нейросетевая структура тоже содержит в себе набор правил, однако строится на принципе самообучения и самоорганизации с помощью моделирующей среды.

Для определения места предлагаемых нейросетевых структур планирования групповых действий в бортовом комплексе БЛА, управление групповым полетом представляется как иерархический процесс, который условно можно разбить на три уровня:

• стратегический уровень (уровень планирования текущей цели);

• тактический уровень (уровень формирования траектории полета);

• исполнительный уровень.

Стратегический уровень, или уровень принятия решения о выборе поведения, состоит в оперативном планировании в реальном времени групповых действий летательных аппаратов с организацией их взаимопомощи и разрешением возникающих конфликтов в выборе направления полета во избежание столкновений БЛА друг с другом. На этом уровне решается задача определения текущей цели для каждого из летательных аппаратов.

Задачей тактического уровня является формирование траектории полета по заданным координатам цели.

Третий, исполнительный уровень, - это уровень системы управления самим БЛА, в задачи которого входит поддержание или отработка с помощью управляющих органов задающих воздействий по таким сигналам, как желаемое направление, скорость, высота полета к цели [3]. На Рис. 1.1 схематично изображен процесс управления групповым полетом.

СТРАТЕГИЧЕСКИЙ УРОВЕНЬ координаты пункта маршрута 0 7

ТАКТИЧЕСКИЙ УРОВЕНЬ желаемые значения вектора состояния системы

-X / ч>

ИСПОЛНИТЕЛЬНЫЙ УРОВЕНЬ

7%

Текущее положение

ЛА О п регуляторы руль направления руль высоты ¿. элероны двигатель

Рис. 1.1. Трехуровневая концепция управления полетом БЛА

В диссертационной работе предлагается подход к обеспечению стратегического уровня управления полетом двух БЛА. Для того чтобы на этапе создания системы планирования действий были учтены динамические свойства БЛА, реализован также исполнительный уровень - разработана модель БЛА и его системы автоматического управления.

За последние десятилетия накоплен большой опыт в разработке и применении БЛА для решения задач военного назначения. Однако в настоящее время большое внимание стало уделяться исследованию гражданских БЛА [4]. Проводимые европейские исследовательские проекты, такие как САРЕСОН иАУЫЕТ, Ш1СО и др., занимаются продвижением концепции БЛА гражданского назначения. В 2006 году возможные области применения БЛА были обобщены в [4], (схематичное представление смотрите в ПРИЛОЖЕНИИ 1), среди которых как наиболее перспективные выделены:

• исследование земной поверхности - 37% (зон стихийных бедствий, мест чрезвычайных ситуаций, измерение метереологических данных, радиационного фона и др.);

• телекоммуникации - 13%;

• патрулирование границ - 11%;

• береговой патруль -13%;

• обнаружение очагов пожаров -12%;

• мониторинг трубопроводов - 6%;

• мониторинг линий электропередач -5% и др.

В диссертационной работе в качестве прикладной задачи для демонстрации эффективности предлагаемого подхода рассматривается задача планирования действий двух БЛА, запущенных для поиска людей в район стихийного бедствия - наводнения реки, когда их полет и осуществляется в экстремальных условиях и при ограниченности времени, выделенного на поиск. Выгода от использования БЛА состоит в том, что они способны выполнять эту задачу в условиях плохой видимости и повышенной опасности, они могут летать несколько часов подряд без остановки, гораздо дольше, чем любой пилотируемый аппарат, контролировать ситуацию на месте наводнения поздно вечером и ночью. Наводнения, происходящие на значительном удалении от аэродромов, могут потребовать времени на подготовку и организацию вылетов самолетов. Беспилотные аппараты могут быть быстро доставлены и многократно запущены в непосредственной близости от места стихийного бедствия.

В диссертационной работе описывается также концепция реализации предлагаемых нейросетевых систем планирования действий с использованием малогабаритных логических программируемых интегральных схем, что обеспечивает их низкие стоимостные и массогабаритные характеристики.

Целью данной диссертационной работы является разработка автономной бортовой системы планирования групповых действий беспилотных летательных аппаратов, эффективно функционирующей в реальном времени без участия наземного оператора.

В соответствии с указанной целью определены следующие задачи исследований:

• проанализировать существующие подходы к планированию группового полета и сформировать требования к разрабатываемой системе.

• разработать метод эволюционного формирования нейросетевых структур на основе их обучения с использованием моделирующей среды.

• сформировать разработанным методом нейросетевые структуры планирования группового полета и проанализировать результаты.

• провести анализ возможности практической реализации предложенных нейросетевых структур, разработать схему организации их взаимодействия с бортовой системой автоматического управления.

Методы исследования. Решение поставленных в диссертационной работе задач проводилось с использованием основных разделов и положений теории нейронных сетей, генетических алгоритмов, теории автоматического управления, динамики полета летательных аппаратов, а также компьютерного моделирования и программирования.

Научная новизна. В результате проведенных исследований:

1. Предложены директивные и иерархические нейросетевые структуры на базе нового управляющего нейроэлемента и эволюционные методы их эффективного формирования с использованием моделирующей среды.

2. Показана возможность автономного оперативного планирования полета группы БЛА с использованием бортовых нейросетевых структур принятия альтернативных решений без координации со стороны наземного оператора.

3. Предложена реализация нейросетевых структур планирования в конвейерном режиме с помощью малогабаритных ПЛИС, что позволит значительно снизить стоимостные и массогабаритные характеристики нейросетевой системы планирования полета.

Практическая значимость результатов:

1. Разработанные нейросетевые методы планирования групповых действий позволяют осуществлять распределение целей в реальном времени на борту БЛА, при этом значительно сократить время принятия решения о выборе поведения по сравнению с традиционными алгоритмами нахождения оптимального маршрута облета целей.

2. Возможность решения разных задач планирования полета группы БЛА с помощью нейросетевых структур, построенных на одном принципе, позволяет использовать их в конвейерном режиме с помощью программируемых интегральных схем на борту и добиться минимальных стоимостных и массогабаритных характеристик.

Реализация и внедрение результатов работы. Разработанные нейросетевые структуры управления полетом группы БЛА реализованы на микросхемах и внедрены в ОАО «ОКБ им. A.C. Яковлева», о чем имеется акт о внедрении.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались:

• на Международной Студенческой Олимпиаде по Автоматическому Управлению (Балтийская Олимпиада - ВОАС'02), Санкт-Петербург, 2002г.

• на конгрессе Международного Совета по Авиационным Наукам (24th Congress of the International Council of the Aeronautical Sciences, ICAS), Япония, 2004 г.

• на XIII Международном научно-техническом семинаре «Современные технологии в задачах управления, автоматизации и обработки информации», Алушта, 2004 г.

• на Европейской конференции по авиационным наукам EUCASS (European Conference for Aerospace Sciences), Москва, 2005 г.

• на юбилейной научно-технической конференции «Авиационные системы в XXI веке», посвященной 60-летию ГосНИИАС, Москва, 2006 г.

Публикации. Основные результаты диссертационной работы опубликованы в 9 печатных работах, в том числе 2 статьи в журналах, рекомендуемых ВАК при защите кандидатских диссертаций: 1 статья в журнале «Авиакосмическое приборостроение» и 1 статья в журнале «Приборы и системы. Управление, контроль, диагностика».

Содержание работы.

Во введении обосновывается актуальность темы диссертации, сформулированы цель работы и задачи исследований, представлены выносимые на защиту результаты, охарактеризована их научная новизна и практическая ценность, приведены сведения о реализации полученных результатов, их опубликовании, об апробации работы, ее структуре и объеме.

В первой главе проводится анализ существующих подходов к планированию действий по выбору маршрута полета. По результатам этих исследований сформулированы требования к разрабатываемым методам синтеза систем интеллектуального управления полетом группы ЛА.

Во второй главе поставлена задача управления групповым полетом, приводится концепция трехуровневой системы реализации этого управления, вводятся понятия управляющего нейроэлемента и нейросетевых структур директивного и иерархического типа.

В третьей главе описывается разработка методов организации эволюционного отбора нейросетевых структур директивного и иерархического типа.

В четвертой главе с использованием разработанного метода решены задачи синтеза нейросетевых систем планирования действий, описываются особенности моделирования динамических свойств БЛА, разработка моделирующей среды, создание и обучение нейронной сети, аппроксимирующей длину траектории и положение БЛА при подлете к цели.

В пятой главе диссертационной работы рассматривается внедрение нейросетевых структур в бортовую систему управления с использованием программируемых логических интегральных схем (ПЛИС), предлагается конвейерный подход в применении одной ПЛИС, последовательно воспроизводящей каждую из НС-структур планирования действий. В заключении изложены основные результаты работы.

5.4 Выводы по главе 5

1. Проведен анализ эффективности предлагаемой нейросетевой системы. Показано, что применение иерархических нейросетевых структур

2. Предложен вариант конвейерной аппаратной реализации разработанных нейросетевых структур на базе программируемых логических интегральных схем, что позволит внедрить нейросетевую систему в бортовой контур управления, обеспечив при этом минимальные стоимостные и массогабаритные характеристики.

Функции блоков и конфигурация соединений между ними в ПЛИС могут меняться с помощью специальных сигналов, посылаемых схеме. Это свойство программируемой логики предлагается эффективно использовать для последовательного воспроизведения в конвейерном режиме каждой нейросетевой структуры в цепочке принятия решения о выборе следующего пункта маршрута.

3. Представлена спроектированная в САПР «(^иагЦю II» модель ПЛИС, реализующей иерархическую нейросетевую структуру выбора приоритетной зоны.

ЗАКЛЮЧЕНИЕ

В данной диссертационной работе была решена проблема создания интеллектуальной нейросетевой системы планирования полета группы, состоящей из двух БЛА. Были получены следующие основные результаты.

1. Предложен подход к планированию групповых действий гражданских БЛА с помощью нейросетевых управляющих структур. Разработана схема функционирования предложенных нейросетевых структур в бортовом комплексе БЛА.

2. Предложен новый управляющий нейроэлемент, воспроизводящий кроме возбуждения процесс его торможения и имеющий два канала - входной информационный на своем уровне иерархии и управляющий, воспринимающий команду с верхнего уровня.

3. Разработаны методы эволюционного формирования нейросетевых структур с помощью моделирующей среды.

4. Путем моделирования полета БЛА и разработанной методики эволюционного отбора, получены директивные и иерархические структуры планирования действий двух БЛА.

5. Предложена схемотехническая реализация разработанных нейросетевых структур на однотипных логических элементах с помощью малогабаритных программируемых логических интегральных схем, что позволит значительно снизить стоимостные и массогабаритные характеристики нейросетевой системы управления полетом в целом.

1. Handbook of intelligent control: Neural, Fuzzy and Adaptive Approaches; Van Nestrand Reinhold, N.Y. 1992.-568 p.

2. Лебедев Г.Н. Интеллектуальные системы управления и из обучение с помощью методов оптимизации: Учебное пособие. М: МАИ, 2002.-112 с.

3. Mirzoyan L.A., Lashchyov A.Ya. New approach to longitudinal motion's flight control system design. Сборник докладов EUCASS European Conference for Aerospace Sciences, 2005.

4. Сох T.A., Nagy C.J., Skoog M.A., Somers I.A. Civil UAV capability assesment. NASA report, 2004,103p.

5. S.Tsach, A. Peled, D. Penn, B.Keshales. European activities for future civil UAV applications. Сборник докладов ICAS-2006, 25th International Congress of the Aeronautical Sciences, 2006,10 p.

6. Романовский И.В. Алгоритмы решения экстремальных задач. М: Наука, 1977. -352 с.

7. Mirzoyan L.A. Comparison and improvement of methods to solving the problem of optimal flight routing. Сборник докладов ICAS-2004, 24th International Congress of Aeronautical Sciences, 2004.- 10c.

8. Land A.H., and Doig A.G. An automatic method of solving discrete programming problems. Econometrica. 1960, v.28, pp. 497-520.

9. Little J.D.C., Murty K.G., Sweeney D.W., and Karel C. An algorithm for the traveling salesman problem. Operations Research. 1963, v.l 1, pp. 972-989.

10. Акимов О. E. Дискретная математика. Логика, группы, графы. М.: Лаборатория базовых знаний, 2003.- 376 с.

11. Новиков Ф. А. Дискретная математика для программистов. С.-Петербург: Питер, 2002.-304с.

12. Пападмитриу X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. М.: Мир, 1985.-510с.

13. Ловас Л., Пламмер М. Прикладные задачи теории графов. Теория паросочетаний в математике, физике, химии. М.: Мир, 1998.-658с.

14. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М.: Мир, 1979., 535с

15. Липатов Е. П. Теория графов и её применения. М.: Знание, 1986.32с.

16. Костевич Л.С., Математическое программирование. Информационные технологии оптимальных решений.- М.: Новое знание, 2003.-424с.

17. Лебедев Г.Н., Фирсов С.П., Мирзоян Л.А. Интеллектуальная система самообучения при управлении маршрутным полетом. «Приборы и системы. Управление, контроль, диагностика», № 9, 2001.

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

19. Mirzoyan L.A. Application of neural network to solve the problem of aircraft horizontal flight routing. Труды Международной Студенческой Олимпиады по Автоматическому Управлению (Балтийская Олимпиада -ВОАС'02), 2002.

20. Галютин В.Б, Интеллектуальная система планирования космической съемки на основе самообучения. Дис. канд. техн. наук. Москва, 2003.-127с.

21. Goldberg, D. Е. Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley, New York, 1989.

22. Круглов B.B., Борисов B.B. Искусственные нейронные сети. Теория и практика. М: Горячая линия Телеком, 2002.-382 с.

23. Каллан Р. Основные концепции нейронных сетей. М : Вильяме, 2003.-288с.

24. Гладков JI.A., В.В.Курейчик, В.М.Курейчик. Генетические алгоритмы. М:Физматлит, 2006.-320с.

25. Whitley D. and Mathias К. Genetic Operators, the Fitness Landscape and the Traveling Salesman Problem, Parallel Problem Solving from Nature-PPSN 2. North Holland-Elsevier, 1992, pp. 219-228.

26. Лебедев Г.Н., Мирзоян Л.А. Самообучающиеся иерархические нейроструктуры управления полетом. Труды 1-й Российской мультиконференции по проблемам управления (РМКПУ-2006), 2006.

27. Нейроматематика. Серия: Нейрокомпьютеры и их применение. Кн.6. Общая ред. А.И. Галушкина.- М.:ИПРЖР, 2002, 448 е.

28. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М: Горячая Линия-Телеком, 2002. -94с.

29. Назаров А. Нейросетевые алгоритмы прогнозирования и оптимизации и систем. М.: Наука и Техника. 2004.- 384с.

30. Xu X. and Tsai W.T. Effective neural algorithms for the traveling salesman problem. Neural Networks. 1991, v. 4, pp. 193-205.

31. Smith K., Palaniswami M., Krishnamoorthy M. Neural techniques for combinatorial optimization with applications. IEEE transactions on neural networks, 1998, v. 9, N. 6, p. 1301-1318

32. С. K. Looi. Neural network methods in combinatorial optimization. Computers and Operations Research, 1992, v. 19, №3/4, pp. 191-208.

33. Hopfield J, Tank D. Neural computation of decisions in optimization problems. Biological cybernetics, 1985, v. 52, N 3, p. 141-152.

34. Hopfield J., Neural Networks and physical systems with emergent collective computational abilities. In Proc. National Academy of sciences, USA, 1982, pp. 2554-2558.

35. Тенк Д.У., Хопфилд Дж. Дж. Коллективные вычисления на нейроподобных электронных схемах. В мире науки. 1988, № 2. с. 44-53.

36. Behzad Kamgar-Parsi and Behrooz Kamgar-Parsi. On problem solving with Hopfield neural network. Biological Cybernetics, 1990, v. 62, pp. 415-423.

37. G. V. Wilson, G. S. Pawley. On the stability of the TSP algorithm of Hopfield and Tank. Biological Cybernetics, 1988, v. 58, pp. 63-70.

38. Shigeo Abe and Andrew H.Gee. Global convergence of the Hopfield neural network with nonzero diagonal element. IEEE transactions, 1995, v.42, pp. 39-45.

39. Kohonen T. Self-organizing and Associative Memory. Berlin: Springer Verlag, 1984.-501p.

40. Kohonen T. Self-Organizing Maps. Springer: Berlin Heidelberg, 1997. -420p.

41. J.C.Fort, Solving a combinatorial problem via self-organizing process:an application of the Kohonen algorithm to the travelling salesman problem. Biological Cybernetics, 1988, v.59, №1, pp. 33-40.

42. Favata, F., Walker, R. A study of the application of Kohonen-type neural networks to the travelling salesman problem. Biological Cybernetics, 1991, v.64, № 6, pp.463-468.

43. Назаров А. В. Алгоритм решения задачи коммивояжера на основе предупреждения выработки прототипа самоорганизующейся картой. Нейрокомпьютеры, 2005. №10-11. с.57-64.

44. Головко В.А. Нейронные сети: обучение, организация и применение. Серия: Нейрокомпьютеры и их применение. Кн.4.- М.:ИПРЖР, 2001.-256с.

45. Лэ Хи Фонг. Нейросетевая система десантирования грузов транспортного вертолета в сложных погодных условиях. Дис. канд. техн. наук. Москва, 2004.-128с.

46. Kirkpatrick, S., Gelatt, C.D., Vecchi, М.Р. Optimization by simulated annealing. Science, 1983, v.220, pp. 671-680.

47. C. Song, K. Lee, W.D. Lee, Extended simulated annealing for augmented TSP and multi-salesmen TSP. Proceedings of the international joint conference on neural networks, 2003, v.3, pp. 2340-2343.

48. Goldstein, M. Self organizing feature maps for the multiple travelling salesmen problem. In Proc. Innc'90, Int. Neural Network Conf. 1 volume I, pages 258-261, Dordrecht, Netherlands, 1990. In Proc. INNC '90? Paris).

49. Modares, A., Somhom, S., & Enkawa, T. A self-organizing neural network approach for multiple traveling salesman and vehicle routing problems. International Transactions in Operational Research, 1999, v.6, pp. 591-606.

50. Torki A, Somhon S, Enkawa T. A competitive neural network algorithm for solving vehicle routing problem. Computers and Industrial Engineering. 1997, v.33, № 3-4, pp.473-479.

51. Wacholder E., Han J., Mann R.C. An Extension of the Hopfield-Tank Model for Solution of the Multiple TSP, Neural Networks for Combinatorial Optimization, Proceedings IEEE International Conference on Neural Networks, 1991, v.2, pp. 305-325.

52. Somhom S, Modares A, Enkawa T. Competition-based neural network for the multiple traveling salesmen problem with minmax objective. Computers and Operations Research. 1999, v. 26, №4, pp. :395-407.

53. Hsu C, Tsai M, Chen W. A study of feature-mapped approach to the multiple travelling salesmen problem. IEEE International Symposium on Circuits and Systems. 1991, v.3, pp. 1589-1592.

54. Zhang T, GruverWA, Smith MH. Team scheduling by genetic search. Proceedings of the second international conference on intelligent processing and manufacturing of materials. 1999, v.2, pp. 839-844.

55. Yu Z, Jinhai L, Guochang G, Rubo Z, Haiyan Y, An implementation of evolutionary computation for path planning of cooperative mobile robots. Proceedings of the fourth world congress on intelligent control and automation, 2002, v. 3, pp. 1798-1802.

56. Malmborg C. A genetic algorithm for service level based vehicle scheduling. European Journal of Operational Research, 1996, v. 93, №1, pp. 121-134.

57. Tang, L., Liu, J., Rong, A. and Yang, Z. A multiple traveling salesman problem model for hot rolling schedule in Shanghai Baoshan Iron & Steel Complex. European Journal of Operational Research, 2000, v. 124, №2, pp. 267-282.

58. Carter A. Design and application of genetic algorithms for the multiple traveling salesperson assignment problem. PhD dissertation, 2006, p.86.

59. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. -М.: Наука, 1996.-276с.62. http://www.vedu.ru/BigEncDic/encsearchresult.asp?S=72820

60. Толковый словарь С.И. Ожегова. Юнвес, 2003.

61. Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000. -296 с.

62. Gibson К., Badinelli R. A comparison of Interactive multlpleobjective decision making procedures. Comput. Opns. Res., 1987, v.14, №2, pp.97-105.

63. Evren R. Interactive compromise programming. J.Opl.Res.Soc., 1987, v.38 , №2, pp. 163-172.

64. Korhonen P. Using Harmonious Houses for Visual pairwise comparison of multiple criteria alternatives. Dec. Support system, 1991, v.7, pp. 47-54.

65. Korhonen P., Moskowitz H., Salminen P., Wallenius J. Further developments and tests of a progressive algorithm for multiple criteria decision making. Operations research, 1993, v.41, №6, pp.1033-1045.

66. Батищев Д.И. Генетические алгоритмы решения экстремальных задач: Учеб.пособие. -Воронеж, 1995. -69 с.

67. Емельянов С.В., Ларичев О.И. Многокритериальные методы принятия решений.- М.: Знание, 1985.- 32 с.

68. Лотов А.В. и др. Компьютер и поиск компромисса. Метод достижимых целей.-М.: Наука, 1997. -239 с.

69. Волков И. К., Загоруйко Е. А. Исследование операций: Учеб. для ВТУЗов. п/ред. В.С.Зарубина.-2-e изд -М.: Изд-во МГТУ, 2002.-435 с.

70. Базара М., Шетти К. Нелинейное программирование. Теория и алгоритмы.-М.:Мир, 1982.-583 с.

71. Кини Р.Л., Райфа X. Принятие решений при многих критериях: предпочтения и замещения. -М.: Радио и связь, 1981.-560с.

72. Censor, Y., Pareto Optimality in Multiobjective Problems. Applied Mathematics and Optimization, 1977, v.4, pp. 41-59.

73. Подиновский B.B., Ногин В.Д. Парето-оптимальные решения многокритериальных задач.-М.: Наука, 1982.-256 с

74. Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями. М.: Дрофа, 2006. -175с.

75. Бродский В.З. Введение в факторное планирование эксперимента. -М.: Наука, 1976.- 223с.79. http://www.u-dynamics.com/

76. AeroSim blockset, Version 1.2. User'sGuide.

77. Лебедев Г.Н., Мирзоян Л.А. Нейросетевое планирование действий по облету наземных объектов группой летательных аппаратов. «Авиакосмическое приборостроение», №12,2005.

78. Бородин В.Б., Калинин A.B. Системы на микроконтроллерах и БИС программируемой логики . М., ЭКОМ, 2002.

79. Капитанов В. Д., Володин П. В. Топологическая и временная оптимизация проектов на ПЛИС Xilinx. Компоненты и технологии, 1999, № 1,2000, №2.

80. Мальцев П.П., Гарбузов Н.И., Шарапов А.П., Кнышев Д.А. Программируемые логические ИМС на КМОП-структурах и их применение. М., Энергоатомиздат, 1998.- 160с

81. Мистюков В. Г., Капитанов В. Д. Реализация высокопроизводительных сверхкомпактных КИХ-фильтров на ПЛИС Xilinx. Электроника и компоненты, 1998, № 4.

82. Мистюков В. Г., Капитанов В. Д. Макромодули быстродействующих умножителей на ПЛИС Xilinx. Электроника и компоненты, 1998, № 3.

83. Логовский А. Технология ПЛИС и ее применение для создания нейрочипов. Открытые системы, 2000, №10.

84. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. Применение микропроцессора NM6403 для эмуляции нейронных сетей. Нейрокомпьютеры и их применение 99. М.: ИПУ РАН, 1999. С.81-90.

85. Проблемы построения и обучения нейронных сетей / под ред. А.И.Галушкина и В.А.Шахнова. М. Изд-во Машиностроение. Библиотечка журнала Информационные технологии №1.1999. 105 с.

86. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90- годы). Нейрокомпьютер, №1.2000. С.68-82

87. Галушкин А.И. Нейрокомпьютеры. Кн.З.- M.: Радиотехника, 2000. -528с.

88. Алюшин М.В. Аппаратная реализация быстродействующих нейросетей на основе программируемой логики фирм AMD, ALTERA, XILINX. Сборник научных трудов Всероссийской научно-технической конференции «Нейроинформатика-99».М.: МИФИ, 1999, часть 2.- с.16-25.

89. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем. Приборы и системы управления, 1999, №2.- с.61-65.

90. Ferrer D., Gonzalez R., Fleitas R., et al. NeuroFPGA Implementing Artificial Neural Networks on Programmable Logic Devices. Design, Automation and Test in Europe Conference and Exhibition, 2004. Proceedings, v.3, pp.218223.95. http://www.altera.com

91. Зобенко А. А., Филиппов А. С., Комолов Д. А., Мяльк P. A. Системы автоматизированного проектирования фирмы Altera MAX+plus II и Quartus II. Краткое описание и самоучитель. М: РадиоСофт, 2002.-360с.

92. Лебедев Г.Н., Мирзоян Л.А. Конвейерное нейросетевое управление полетом на базе обучающей моделирующей среды. Материалы Международной научной конференции «Современные проблемы прикладной математики и математического моделирования», 2005.

93. Лебедев Г.Н., Мирзоян Л.А., Галютин В.Б. Интеллектуальное нейросетевое управление полетом в конвейерном режиме. Труды юбилейной научно-технической конференции «Авиационные системы в XXI веке», посвященной 60-летаю ГосНИИАС, 2006.