автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур

На правах рукописи

005008244

Белоглазов Денис Александрович

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СИНТЕЗА АДАПТИВНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ НЕЙРО-НЕЧЕТКИХ СЕТЕВЫХ СТРУКТУР

Специальность: 05.13.01 Системный анализ, управление и обработка информации (вычислительная техника и информатика)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 9 ЯНВ 2012

Таганрог - 2011

005008244

Работа выполнена в Технологическом институте Южного федерального университета на кафедре систем автоматического управления.

Научный руководитель: доктор технических наук, профессор

Финаев Валерий Иванович

Официальные оппоненты: доктор технических наук, профессор

Лебедев Борис Константинович, ТТИ ЮФУ (г. Таганрог)

доктор технических наук, профессор Фатхи Владимир Ахатович, ИЭиМ ДГТУ (г. Ростов-на-Дону)

Ведущая-организация: Южно-Российский государственный

технический университет (Новочеркасский политехнический институт)

Защита состоится «16» февраля 2012 г. в 1420 на заседании диссертационного совета Д 212.208.22 при Южном федеральном университете по адресу: пер. Некрасовский, 44, ауд. Д-406 ГСП-17А, г.Таганрог, Ростовская область, 347928.

С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: ул. Пушкинская, 148, г. Ростов-на-Дону, 3444000.

Автореферат разослан« » 2012 г.

Ученый секретарь диссертационного советаД212.208.22 доктор технических наук, профессор р Щ^Д А Я Целых

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

'I •«

Актуальность темы. Термин «технический объект» применим для большого количества устройств, относящихся к технике: суда, самолеты, автомобили, электрогенераторы, станки, атомные реакторы, бытовая техника и т.д. Управляемые технические объекты в теории управления носят название -объекты управления (ОУ).

Каждый вид ОУ обладает своими особенностями, но все они объединяются наличием цели (критерия) управления, понятием пространства состояния параметров, свойствами управляемости, наблюдаемости, идентифицируемости и адаптируемости.

Для обеспечения требуемого качества функционирования ОУ применяют системы автоматического и автоматизированного управления (САУ). Синтез САУ осуществляется с применением методов теории автоматического управления (ТАУ). Построение САУ для технического ОУ требует априорной информации о функции цели управления, параметрических моделях ОУ и возмущений, причем достоверность данной информации непосредственно определяет выбор метода и качество синтезируемого регулятора. Синтез регуляторов для технических ОУ с применением методов классической ТАУ затруднен без предварительного анализа адекватной математической модели ОУ.

К настоящему времени разработаны альтернативные подходы к синтезу регуляторов для управления слабо формализованными объектами (априорная неопределенность): адаптивный, робастный, нечеткий и нейронный. Каждый го подходов имеет свои особенности, достоинства и недостатки, а также применим при определенной степени неопределенности, но, тем не менее, позволяет успешно решать задачи синтеза регуляторов в условиях неполноты исходных данных. В развитие классической ТАУ, в создание методов синтеза ре1уляторов внесли существенный вклад многие ученые: БергА.И., БеллманР., Болтянский В.Г., Вознесенский И.Н., Воронов A.A., КалманР., КемпбеллД., Красовский A.A., Колесников A.A., Кулебякин B.C., Ляпунов А.М., Максвелл Д., Михайлов A.B., НайквистХ., Понтрягин JI.C., Солодовников В.В., Трапезников В.А., Фельдбаум A.A. и многие другие.

Наиболее перспективным подходом к синтезу САУ слабо формализованными объектами считается применение методов искусственного интеллекта, ориентированных на формализацию задач принятия управляющих решений в условиях неопределенности, таких, как нечеткая логика. Применение методов нечеткой логики позволяет синтезировать гибридные регуляторы, совмещающие в себе несколько методов управления. Гибридный подход к решению задач синтеза регуляторов в условиях неполноты данных приобрел большую популярность, особенно с применением аппаратов искусственных нейронных сетей и нечеткой логики. Данный подход получил название «нейро-нечеткий».

Одним из путей поиска алгоритмов коррекции параметров нейро-нечетких сетей в условиях неполноты информации является разработка алгоритмов

эволюционных вычислений. В их основу положены эволюционные способы обеспечения коррекции • параметров нейро-нечетких сетей с ' соблюдением условий скорости и надежности.

Диссертация посвящена разработке методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур с эволюционными алгоритмами обучения, способными решать задачи управления сложными нелинейными стохастическими объектами, что позволит повысить эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления. Это определяет и подтверждает актуальность исследований диссертационной работы.

Объектами исследования диссертации являются технические объекты, функционирующие в условиях неопределенности.

Целью диссертационной работы является разработка методов синтеза гибридных адаптивных систем управления техническими объектами, функционирующими в условиях неполноты данных.

Основные задачи исследования. Для достижения поставленной цели решены следующие основные задачи:

- анализ методов решения задач управления техническими объектами в условиях неполноты данных;

-разработка модели гибридной адаптивной системы управления и ее элементов;

-разработка нечеткого адаптивного эволюционного алгоритма обучения элементов гибридной адаптивной системы управления;

- разработка специализированного программного комплекса для исследования ' гибридной адаптивной системы управления и ее элементов, нечеткого адаптивного эволюционного алгоритма обучения.

Основные научные результаты, выносимые на защиту:

- метод построения гибридной адаптивной системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких сетей и алгоритмов обучения интеллектуальной составляющей системы управления;

- модель гибридной адаптивной интеллектуальной системы управления, отличающаяся использованием нейро-нечетких и нейронных сетей, осуществляющих выработку управляющих воздействий, идентификацию технологических режимов объекта управления, эмуляцию поведения объекта управления;

- нечеткий адаптивный эволюционный алгоритм обучения интеллектуальной составляющей гибридной адаптивной системы управления, отличающийся использованием комбинированных операторов случайных изменений и возможностью динамической коррекции их параметров на основе информации о популяции решений.

Практическая ценность результатов исследований определена их • применением в системах автоматического управления техническими объектами, функционирующими в условиях неполноты данных.

Методы проведения исследования. В диссертационной работе используются методы системного, функционального анализа, синтеза дискретных логических устройств; теория нелинейных систем, адаптивного управления, моделирования, нечёткой логики, нейронных сетей, а так же эволюционных и синергетических методов принятия решений. В экспериментальных исследованиях применялось моделирование на ЭВМ.

Достоверность получаемых в диссертации результатов подтверждается данными экспериментальных исследований, публикациями на международных и региональных научно-технических конференциях, корректным использованием математических методов.

Реализация и внедрение результатов работы. Результаты работы внедрены на предприятии ЗАО «ЮГТЕПЛОКОМПЛЕКТ», при выполнении научно-исследовательской работы «Разработка и исследование методов моделирования и синтеза многокритериальных адаптивных систем управления в условиях неполноты данных с применением средств формализации экспертных знаний и современных информационных технологий», а также в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального университета.

Апробация результатов ра'боты. Основные результаты докладывались и ' обсуждались на 14-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика -2007», Москва: МИЭТ, 2007; 54-й студенческой научной конференции, Таганрог: ТТИ ЮФУ, 2007; Всероссийской молодежной научной конференции «Мавлютовские чтения», Уфа: УГАТУ, 2008,2010; 14-й международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва: МЭИ, 2008; международной научной конференции «Системы и модели в информационном мире (СМИ-2009)», Таганрог: ТТИ ЮФУ, 2009; УП-й, VIII-й, IX-й Всероссийской конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», Таганрог, Геленджик: ТТИ ЮФУ, 2009 - 2011; ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН, Ростов-на-Дону: ЮНЦ РАН, 2009-2011; Российской конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника», Ульяновск: УлГТУ, 2010; Всероссийской научной конференции «Актуальные . вопросы исследования общественных и технических систем», Таганрог: ТТИ ЮФУ, 2010; VIII-й Всероссийской конференции студентов, аспирантов и молодых ученых «Технологии Microsoft в теории и практике программирования», Таганрог: ТТИ ЮФУ, 2011; международном семинаре студентов, аспирантов и ученых «Системный анализ, управление и обработка информации», Ростов-на-Дону: ДГТУ, 2011.

Публикации. Основные результаты диссертации опубликованы в 9 статьях, среди которых 6 включены в перечень изданий, рекомендованных ВАК, 21 тезисе докладов, 1 монографии в открытой печати.

Структура и объем работы. Диссертационная работа содержит 164 страницы машинописного текста, включая введение, четыре раздела, заключение, список литературы из 199-ти наименований, 64 рисунка, 25 таблиц, а также 4* приложения на 47-х страницах.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность темы, сформулированы цель исследования, научная новизна, практическая ценность, основные положения, выносимые на защиту, достоверность и обоснованность научных положений диссертации, апробация работы.

В первом разделе диссертационной работы выполнен анализ методов решения задач управления техническими объектами в условиях неполноты данных. Рассмотрены особенности развития методов синтеза систем управления техническими объектами. Отмечено, что для линейных и нелинейных объектов, при условии линеаризации модели ОУ, применимы методы классической теории автоматического управления.

Определены особенности адаптивного управления, при котором система управления приспосабливается к изменениям внутренних и внешних условий' ' функционирования и сохраняет работоспособность при непредвиденных изменениях свойств ОУ, целей управления или окружающей среды. Выполнен анализ достоинств и недостатков известных подходов к синтезу САУ: робастного, нечеткого и нейронного.

Приведены примеры технических объектов управления с частично неопределенными параметрами, которые можно встретить в энергетике, в металлургической и химической промышленности, например подъемно-транспортные механизмы, двигатели внутреннего сгорания и др.

Предложена классификация видов неопределенности и формализация данных задачи управления в условиях неопределенности. Определены этапы поиска решения задачи синтеза управления в условиях неопределенности.

Выполнен анализ известных целевых критериев управления, приведены возможные виды целевых функционалов, определены условий и ограничения их применения. В условиях неполноты исходной информации целевые критерии для решения задач управления могут быть формализованы на вербальном уровне в виде лингвистических переменных или в виде правил логического вывода относительно эффективности функционирования ОУ.

Рассмотрена постановка задачи разработки моделей регуляторов в условиях неполноты данных и особенности применения аналитического конструирования оптимальных регуляторов, самоорганизующихся регуляторов с экстраполяцией, аналитического конструирования агрегированных регуляторов. Сформулирована

задача синтеза нечетких регуляторов, отличающаяся описанием поведения ОУ с применением утверждений естественного языка в форме «вход-выход», экспертным определением лингвистических переменных, параметров функций принадлежности, заданием базы правил для формирования нечеткого логического вывода относительно принимаемого управляющего решения и последующей его дефаззификацией для получения физической величины, определяющей значение управления.

Обосновано применение нейро-нечетких сетей, определена их архитектура и условия использования для реализации гибридных адаптивных систем управления в условиях неполноты данных.

Во втором разделе рассмотрены особенности моделирования гибридной адаптивной системы управления (АдСУ) плохо формализованными техническими объектами, способными менять режимы функционирования под влиянием различных факторов. Выполнен синтез элементов, входящих в состав АдСУ. Процесс моделирования системы адаптивного управления связан с определением структуры модели, взаимодействием ее элементов. Модель взаимодействия элементов АдСУ может быть представлена в виде совокупности множеств:

<Е, О,

где Е - множество элементов; С - множество связей.

Такой подход согласуется с методологией системного анализа, способом рассмотрения систем, предложенным Оптнером C.JI., и обладает свойством логической прозрачности. Перечень элементов множества Е включает в себя:

Е=<ННС,, ННС2, БУАП, БО, БФОП, БС, БПННСЪ БАЛ,, БАП2>, где HHCi - нейро-нечеткая сеть №1 с постоянными параметрами; ННС2 - нейро-нечеткая сеть №2 с переменными параметрами; БО - блок оценки качества управляющих сигналов ННСЬ ННС2; БФОП - блок динамического формирования обучающей выборки для БО; БС - блок согласования управляющих воздействий ННСЬ ННС2; БУАП - блок ускорения адаптации параметров ННС2; БПННС2- база параметров ННС2; БАП[ - блок адаптации параметров ННСЬ ННС2, БУАП; БАП2 - блок адаптации параметров НЭ.

Множество С содержит связи элементов множества Е и представляет собой некоторый набор входных и выходных сигналов:

C=<X(t), N,(t), N2(t), N3(t), K,(t), K2(t), E(t), U(t), P,(t), P2(t)>,

_ ♦ t

где X{t) - вектор входных, контролируемых параметров ОУ; N¡(1), N2(t) -

выходные управляющие сигналы HHCi, ННС2; N3(t) - класс параметров ННС2 наиболее подходящий данному рабочему режиму ОУ; Kj(t), K2(t) -коэффициенты основанные на величинах ошибок выходных сигналов ННСЬ ННС2 соответственно; Eft) - динамически формируемая обучающая выборка; U(t) - общее управляющее воздействие; Pi(t), P2(t) ~ выходные сигналы БУАП, содержащие набор параметров ННС2 и сигнал необходимости начала обучения для БАПь

Структурная модель взаимодействия элементов гибридной адаптивной системы управления, представлена на рис. 1. Модель взаимодействия элементов гибридной адаптивной системы условно может быть представлена в виде совокупности двух частей. Первая часть содержит элементы, обладающие возможностью адаптации своих параметров, и предназначена для улучшения качества работы регулятора в случае изменения режимов работы ОУ. Вторая часть содержит элементы, параметры которых определяются один раз и остаются неизменными во время функционирования ■ системы, предназначена для обеспечения бесперебойного функционирования гибридной адаптивной системы во время настройки элементов первой части.

Группа элементов, изменение параметров которых является необходимым условием обеспечения адаптивной САУ более качественного управления, приспособляемости, в свою очередь, тоже может быть декомпозирована на две взаимозависимые группы. Первая группа отвечает за коррекцию параметров ННС2, а вторая производит оценку и согласование управляющих воздействий, вырабатываемых ННС), ННС2.

К первой группе относятся: БУАП, производящий классификацию рабочих режимов ОУ; БПННС2, содержащая настройки ННС2, соответствующие определенным режимам; БАПЬ обеспечивающий более точную настройку параметров ННС2. Вторая группа включает в себя: БФОП, формирующий примеры обучения для НЭ ОУ; БАП2, производящий обучение НЭ, НЭ ОУ на основе значений которого производится оценка управляющих воздействий N ¡(г) и N2(0 и выработка коэффициентов согласования К¡(¡), К/!)-, БС, отвечающий за выработку общего сигнала управления и^) и передаче его на исполнительные механизмы.

Проектирование адаптивной системы управления включает в себя несколько этапов, среди которых присутствует этап разработки функциональных элементов СУ. Исходя из предложенной структуры АдСУ, приведенной на рис. 1, можно говорить о необходимости синтеза семи функциональных блоков (ННС^ ННС2, БО, БФОП, БС, БУАП, БПННС2) и алгоритмов обучения (БАП,, БАП2).

Процесс синтеза интеллектуальных элементов системы управления (СУ) заключается в выборе оптимальной архитектуры. Для реализации ННСЬ ННС2 в работе использована архитектура А№В, применяемая в настоящее время в большом количестве практических задач: управления, прогнозирования, распознавания образов, классификации и т.д. В качестве БО использована НС прямого распространения.

Выбор базовой архитектуры элементов интеллектуальной адаптивной гибридной системы управления является важным этапом ее синтеза, но не позволяет получить структуру нейронных, нейро-нечетких сетей. Это требует проведения операции их адаптации.

Ч) к

о

и(0

Блок адаптации параметров! (НЭ)

Блок оценок (НЭ)

К,(1)

Исполнительные механизмы

(управляющие воздействия)

Объект управления

Датчики (контролируемые величины) .

т

Блок формирования обучающей выборки

Получение обучающей 1 выборки 1 Сжатие обучающей выборки

ннс.

К,(1)

Блок согласования управляющих воздействий

т

N,(0

Функции принадлежности

Параметры правил

ННС,

Блок фазафикацни

Блок правил (нечеткие правила)

Блок получения решений (ИНС дефазификации)

Х(!)

Функции принадлежности Блок фазнфнкацни

' 1 ' 1 ' 1

Параметры правил Блок правил (нечеткие правила)

г - 1 г ' ' 1

Веса связей Блок получения решений (ИНС дефазификации)

БУАП

Елок адаптации параметров! (ННС1, ННС2, БУАП)

Р'О)

Р'О)

База параметров ННС2

Функции принадлежности

Параметры правил

Функции принадлежности Блок фазификации

' 1 ' 1

Параметры правил Блок правил (нечеткие правила)

Веса связей Блок получения решений (ИНС дефазификации)

к,(О

Адаптация архитектур HHCi, ННС2 в работе происходит поэтапно, включает в себя: определение количества входных нейронов сети; определение количества нейронов фазифицирующего слоя; определение формы функций принадлежности; определение величины базы правил; выбор алгоритма нечеткого вывода.

Алгоритм нечеткого вывода определяет последовательность действий, направленную на получение конечного результата работы нейро-нечетких сетей. Корректность его функционирования существенно влияет на качество получаемых решений.

ННС ANFIS может работать с различными алгоритмами нечеткого вывода: Тсукамото, Такаги-Сугено и т.д. Вместе с тем алгоритм Такаги-Сугено используется наиболее часто.

Наличие большого количества различных алгоритмов нечеткого вывода, COG (Center of Gravity), MOA (Midpoint of Area), MOM (Mean of Maxima), COM (Centre of Mean) и др., предложенных различными исследователями, делает выбор определенного весьма сложным. Проблема усугубляется тем фактом, что каждый из алгоритмов имеет присущие ему недостатки, может допускать неточности, ошибки в процессе работы, не обладает возможностью гибкой настройки параметров.

В качестве решения данной проблемы в работе применяется подход на основе искусственных нейронных сетей (ИНС), способных аппроксимировать любую математическую зависимость, позволяющий реализовать возможность гибкой настройки параметров алгоритма нечеткого вывода, сделать его более универсальным.

В третьем разделе диссертационной работы выполнена разработка эволюционных алгоритмов обучения элементов интеллектуальной гибридной адаптивной системы управления.

Разработаны комбинированные операторы случайных изменений хромосом решений, включающие в себя каждый по несколько различных видов мутации, скрещивания (кроссинговера).

В работе комбинируются три вида операторов скрещивания, одновременно используются варианты реализации с двумя и тремя родительскими особями, два вида операторов мутации, одноточечная и двухточечная, реинициализация.

Ограниченная коррекция генетической информации хромосом, осуществляемая оператором мутации, как правило, вполне достаточна для вывода генетических алгоритмов (ГА) из локальных оптимумов.

В работе показано, что большего разнообразия получаемых решений можно добиться путем кардинального изменения некоторых участков хромосом, применяя оператор реинициализации.

Состав комбинированных операторов представлен на рис. 2, рис. 3. Первоначально вероятность применения каждой из форм операторов кроссинговера, мутации задается одинаковой с последующей коррекцией в процессе работы алгоритма.

Разработан нечеткий контроллер, осуществляющий динамическую коррекцию вероятностей применения форм операторов мутации, скрещивания, входящих в состав комбинированных операторов.

Разработан нечеткий контроллер, осуществляющий динамическую коррекцию вероятности применения комбинированного оператора мутации, обеспечивающий необходимый уровень генетического разнообразия популяции решений.

X. х> X, X. X. X, X. | X, | X» | . I X, 1 X. 1 X. I X. к, у.|у. V. V. У»|

1 ■> .......

1*' У» V. V. V. у.|у,|у,.| « х.|х. X. X. Хм |

Одноточечный кроссклговер с двумя родителями

|х, X, X, X. X, X. X, х.|х,|х,.| . | х, | X! |Щ у. * У.» X. X, х,.|

1 ■>

У> V. У. V. У. у.|у,|у,.| " lv.ly.Mx. X, х. !х. У. V. У,.|

Двухточечный кроссинговср с двумя родителями

X, * X, X, X. » X. | X. | х.о ( 1 X. 1 X. 1-Х! 1 У. V. У.Й» - - 2ы\

У, * У. * ш У| У. У,♦ V. У. И X. X» X,.

1* * * Та г, г. „ ччч I У, I У. Щ X. х> х.|;у. У. У. Ую|

Двухточечный кроссинговср с тремя родителями

Рис. 2 - Операторы комбинированного кроссинговера

|Х||Х1|Х.|Х|[ЩЬ|Х.|»|Х.|Х|.| I Ч [х, | ЭЬ | X. | X. ¡У=1]х.[х.|х.|х.[х..|

Одноточечная мутация

|х,|х,[5&|х,|х.|х.[Щ|х.|х,|х..| I Ч [»"[х,|Щх.|у,|х.[^х.|х.|х,|

Двухточечная мутация

IX, | X, | X, [ X. | X» [ X,) X» ¡,4; | [ I N |х.|х»|х»|х«|х,|х«| уЦЦу» (у» |

Частичная решпщиализация

Рис. 3 - Операторы комбинированной мутации

Блок - схемы разработанных в третьем разделе работы нечетких адаптивных генетических алгоритмов, приведенные на рис. 4, рис. 5, позволяют наглядно представить последовательность операторов и осуществляемые ими действия, направленные на поиск оптимальных решений.

В четвертом разделе проведено исследование и моделирование интеллектуальной адаптивной гибридной системы управления, элементов, входящих в ее состав.

Выполнено численное сравнение эффективности разработанных эволюционных алгоритмов обучения интеллектуальной составляющей адаптивной гибридной системы управления, по сравнению с рассматриваемыми аналогами.

Разработано информационное обеспечение, позволяющее осуществлять исследование эффективности разработанных генетических алгоритмов, на примере оптимизации функций многих переменных, обучении нейросетевого эмулятора объекта управления, нейро-нечетких классификатора и регулятора,

получать сравнительные результаты использования элементов адаптивной гибридной системы управления; <

Рис. 4 - Блок - схема параллельного генетического алгоритма

В ходе численных исследований эффективности генетических алгоритмов были получены результаты, свидетельствующие о том, что разработанный нечеткий параллельный адаптивный генетический алгоритм с комбинированными операторами случайных изменений (ГА9) обладает лучшим соотношением количества итераций, требуемых на поиск решений, остановок в локальных областях, среди рассматриваемых аналогов (ГА1-ГА10), как показано на рис. 6.

В ходе экспериментальных исследований нейросетевого эмулятора объекта управления, нейро-нечетких регулятора и классификатора были получены результаты, свидетельствующие об эффективности их использования в качестве элементов гибридной адаптивной системы управления.

На рис. 7 приведены результаты практического использования нейросетевого эмулятора объекта управления, позволяющие сделать вывод о его универсальности, способности отображать различные нелинейные зависимости между входными и выходными параметрами.

Рис. 5 - Блок - схема генетического алгоритма на основе двух операторов селекции

Шиш

ГА1 ГА2 ГАЗ ГЛ4 ГА5 ГАС ГА7 ГА8 ГАЗ ГАЮ

Рис. 6 - Общее количество итераций, остановок генетических алгоритмом в локальном оптимуме

На рис 7. приняты обозначения:

- а), б) - эмулируемая функция 5/и(л;/10)=0,25, радиус сжатия обучающей выборки 0,05 и 0,0005, соответственно;

- в) - эмулируемая функция sw(x/10)=0,25, радиус сжатия обучающей выборки 0,0005; .

- г, д, е) - эмулируемые функции 1 OeA25xsin{0,25х+5), 10e"OJ5x.s-w(0,25x+5), 10е 'us/«(0,25x+5) соответственно, радиус сжатия обучающей выборки 0,05;

- и, к, л) - эмулируемые функции х2, х3, х4 соответственно, радиус сжатия обучающей выборки 0,05;

- м) - эмулируемая функция Vx, радиус сжатия обучающей выборки 0,'05.

/ч

/

\ f

а)

б)

Л Л \ / \ 0 . Р

■в -to /

в) S \0 1S 2 Г)

0

/ •2

0 0 10 10 20 2S 0 д) 3 10 1S 20 23 30 е)

л* у* U 1.0 о.в о.в 02 /

• > .» » » я » 5 10 IS 20 К 30

и) к)

/ / о.в

y/ß 0.2 /

1S 2» 25 б 10 20

*0 «О во

л) м)

Рис. 7 - Результаты работы нейросетевого эмулятора

Заключение содержит полученные в работе результаты.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

1. Метод синтеза адаптивной гибридной системы управления, включающий в себя разработку структурной модели взаимодействия ее элементов, определение их назначения и архитектуры, позволяющий формализовать применение нейро - нечетких сетевых структур, эволюционных алгоритмов в составе гибридных САУ, повысить эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления.

2. Способ адаптации параметров комбинированных операторов генетических алгоритмов на основе аппарата нечеткой логики, позволяющий выявлять и чаще использовать более приспособленные к определенным этапам работы алгоритма формы операторов комбинированной мутации, кроссинговера, поддерживать необходимый уровень генетического разнообразия популяции решений, в результате чего достигается снижение количества итераций, требуемых для решения задач оптимизации, вероятность остановки алгоритма в локальных оптимумах.

3. Нечеткий адаптивный алгоритм обучения элементов адаптивной гибридной системы управления, обладающий комбинированными операторами случайных изменений, возможностью динамической коррекции их параметров, большей эффективностью по сравнению с рассматриваемыми аналогами (меньшим количеством итераций, примерно, на 9%, остановок в локальных оптимумах,' примерно, на 14%).

4. Программный комплекс для ЭВМ типа IBM PC среде программирования Microsoft Visual Studio 2010, предоставляющий большие возможности синтеза и исследования эволюционных алгоритмов оптимизации, нейронных, нейро - нечетких сетевых архитектур, гибридной адаптивной системы управления по сравнению с рассматриваемыми аналогами, а также отличающийся модульностью и расширяемостью, использованием возможностей современных программных средств.

5. Выполнено компьютерное моделирование разработанного нечеткого адаптивного генетического алгоритма, гибридной адаптивной системы управления, элементов, входящих в ее состав. Результаты экспериментов показали большую эффективность разработанного нечеткого адаптивного эволюционного алгоритма обучения, по сравнению с аналогами, для решения многоэкстремальных задач оптимизации, большую приспособленность применения гибридной адаптивной системы в условиях неполноты данных по сравнению с рассматриваемыми аналогами.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи, опубликованные в изданиях, включенных в перечень ВАК:

1. Белоглазое, Д.А. Особенности нейросетевых решений, достоинства и недостатки, перспективы применения [Текст] / Д. Д. Белоглазов // Актуальные проблемы производства и потребления электроэнергии: тематический выпуск // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ, 2008. № 7 (84)-240 е., С. 105-111.

2. Белоглазов, Д.А. Необходимость построения систем управления на основе методов искусственного интеллекта [Текст] / Д. А. Белоглазов, И. С. Коберси // Актуальные проблемы производства и потребления электроэнергии: тематческий выпуск // Известия ЮФУ. Технические науки. - Таганрог. Издво ТТИ ЮФУ, 2009 №5 (94).-С. 186-191.

3. Белоглазов, Д.А. Интеллектуальная адаптивная гибридная обучаемая система управления транспортными средствами [Текст]/Д.А. Белоглазов, И.С. Коберси//Методы и средства адаптивного управления в электроэнергетике: тематический выпуск // Известия ЮФУ. Технические наукн. - Таганрог: Изд-во ТТИ ЮФУ 2010, №1(Ю2).-260 е., С. 110-117.

4. Белоглазов, Д.А. Критерии функционирования систем автоматического управления [Текст] / Д.Д Белоглазов, С.Е. Бублей // Интеллектуальные .САПР: тематический выпуск // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ, 2010, №7 (108). -262 е., С. 185 - 191.

5. Белоглазов, Д.А. Генетический алгоритм обучения нейро-нёчетких сетей [Текст] / Д.А. Белоглазов, И.С. Коберси//Методы и средства адаптивного управления в электроэнергетике: тематический выпуск // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ, № 2 (115), 2011. - С. 173-180.

6. Белоглазов, Д.А. Разработка регулятора для управления формализованными объектами [Текст]/Д.А. Белоглазов, И.С. Коберси, В.И. Финаев // Приборостроение // Вестник МГТУ им. Н.Э. Баумана. - Москва: Изд-во МГТУ им. Н.Э. Баумана, №2 (83), 2011. - С. 122 -126.

Прочие труды:

7. Белоглазов, Д.А. Микропроцессорный нечеткий регулятор подачи топлива [Текст] / Д. А. Белоглазов // Техническая кибернетика, радиоэлектроника и системы управления: материалы VII Всероссийской научной конференции студентов и аспирантов. - Таганрог: Изд-во ТРТУ, 2004.

8. Белоглазов, Д.А. Разработка микроконтроллерной системы управления подачей топлива [Текст]/В. И. Финаев, Д. А. Белоглазов//Информационные технологии,' системный анализ и управление: материалы II Всероссийской научной конференции студентов и аспирантов. - Таганрог: Изд-во ТРТУ, 2004.

9. Белоглазов, Д.А. Модели принятия решений в задачах найма работников предприятия [Текст]/Д. А. Белоглазов, В. И. Финаев, В. В. Севастьяненко//

Новые информационные технологии в научных исследованиях и образовании: сборник тезисов докладов Всероссийской НТК студентов, молодых ученых и аспирантов. - Рязань: Изд-во РГГА, 2005.

10. Белоглазое, Д.А. Продукционная модель для управления подъемно-транспортным механизмом [Текст] / Д. А. Белоглазое // Техническая кибернетика, радиоэлектроника и системы управления: материалы VIII Всероссийской научной конференции студентов и аспирантов. - Таганрог: Изд -во ТРТУ, 2006.

П.Белоглазов, Д.А. Гибридный регулятор [Текст] / Д. А. Белоглазов, В. И. Финаев // Информационные технологии, системный анализ и управление: материалы VII Всероссийской научной конференции студентов и аспирантов. -Таганрог: Изд-во ТРТУ, 2006.

12. Белоглазов, Д.А. Субъективные информационные меры в моделях принятия решений [Текст]/В.И. Финаев, Д.А. Белоглазов//Статистические методы в естественных, гуманитарных и технических науках: материалы Всероссийской межвузовской конференции студентов и аспирантов. - Таганрог: Изд-во ТРТУ, 2006.

П.Белоглазов, Д.А. Гибридный регулятор для управления подъемным механизмом [Текст] / Д. А. Белоглазов // Недели науки: сборник тезисов докладов победителей студенческих научных конференций, за 2007. - Ростов-на-Дону: Изд-во ЮФУ, 2007. - С. 368 - 370.

14. Белоглазов, Д.А. Моделирование гибридного регуЛятора на примере управления подъемным механизмом [Текст] / Д. А. Белоглазов // Микроэлектроника и информатика - 2007, 14-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов: тезисы докладов. -М.: Изд-во МИЭТ, 2007. - 436 с.

15. Белоглазов, Д.А. Построение гибридного регулятора с использованием нейронных сетей [Текст] / Д. А. Белоглазов // Системный анализ, обработка информации и управление: межвузовский сборник научных работ, вып. 1. -Ростов-на-Дону: Изд-во ДГТУ, 2007. - С. 93 -97.

16. Белоглазов, Д.А. Задача согласования работы ПИД-регулятора и нечеткого регулятора [Текст] / Д. А. Белоглазов // 54 студенческая научная конференция: материалы студенческой научной конференции. - Таганрог: Изд-во ТРТУ, 2007.

17. Белоглазов, Д.А. Нейронные сети в современных системах автоматического управления [Текст] / Д. А. Белоглазов, С. С. Мелконян // Мавлютовские чтения: труды Всероссийской молодежной научной конференции. - Уфа: Изд-во УГАТУ, 2008.

18. Белоглазов, Д.А. Проблематика создания гибридных регуляторов [Текст] // Д. А. Белоглазов, Мажди Наср Аллах, В. И. Финаев // Радиоэлектроника, электротехника и энергетика: материалы 14-й международной научно-технической конференции. - М.: Изд-во МЭИ, 2008.

19. Белоглазов, Д.А. Адаптивное управление сложными техническими системами [Текст] / Д. А. Белоглазов // Системы и модели в информационном мире (СМИ-2009): труды Международной научной конференции, часть 3. -Таганрог: Изд-во ТТИ ЮФУ, 2009. - С. 4 - 5.

20. Белоглазов, Д.А.. Анализ недостатков методов классической теории управления [Текст] / Д. А. Белоглазов, И. С. Коберси // Информационные технологии, системный анализ и управление: сборник материалов докладов VII-й' всероссийской конференции молодых ученых, аспирантов и студентов. -Таганрог: Изд-во ТТИ ЮФУ, 2009. - С. 152 - 154.

21. Белоглазов, Д.А. Построение гибридных регуляторов на основе методов искусственного интеллекта [Текст]/Д.А. Белоглазов//Ежегодная научная конференция студентов и аспирантов базовых кафедр ЮНЦ РАН: труды научной конференции. - Ростов-на-Дону: Изд-во ЮНЦ РАН, 2009. - С. 123 -124.

22. Белоглазов, Д.А. Анализ современных методов автоматического управления [Текст] / Д. А. Белоглазов, Е. Д. Синявская // Неделя науки - 2010: материалы научных работ. - Таганрог: Изд-во ТТИ ЮФУ, 2010. - С. 49 - 51.

23. Белоглазов, Д.А. Определение и принцип построения гибридной адаптивной обучаемой системы управления [Текст]/Д.А. Белоглазов//VI Ежегодная научная конференция студентов и аспирантов базовых кафедр Южного научного центра РАН: тезисы докладов. - Ростов-на-Дону: Изд-во ЮНЦ РАН, 2010.-С.131-132.

•14 . Белоглазов, Д.А. Нейро-нечеткие системы управления технологическими процессами [Текст]/Д.А. Белоглазов, С.Е. Бублей//Мавлютовские чтения: труды Всероссийской молодежной научной конференции. - Уфа: Изд-во УГАТУ, 2010.

25. Белоглазов, Д.А. Разработка системы адаптивного управления на основе методов искусственного интеллекта [Текст]/Д. А. Белоглазов / Информационные технологии, системный анализ и управление: VIII Всероссийская научная конференция молодых ученых, аспирантов и студентов. - Таганрог: Изд-во ТТИ ЮФУ, 2010.

26. Белоглазов, Д.А. Обучение нейро-нечетких систем управления с помощью генетических алгоритмов [Текст] / Д. А. Белоглазов, С. Е. Бублей//Информатика и вычислительная техника: сборник научных трудов Российской конференции аспирантов, студентов и молодых ученых; под ред. В. Н. Негоды. - Ульяновск: Изд-вО'УлГТУ, 2010. - С. 44 - 46.

27. Белоглазов, Д.А. Разработка адаптивного генетического алгоритма на основе аппарата нечеткой логики [Текст]/Д.А. Белоглазов//Актуальные вопросы исследования общественных и технических систем: труды Всероссийской научной конференции, часть 2. - Таганрог: Изд-во ТТИ ЮФУ, 2010.

28. Белоглазов, Д.А. Разработка адаптивного генетического алгоритма с комплексными операторами случайных изменений для обучения нейро-нечеткого регулятора [Текст] / Д. А. Белоглазов // Технологии Microsoft в теории

и практике программирования: труды VIII-ой Всероссийской конференции студентов, аспирантов и молодых ученых. Южный регион. - Таганрог: Изд-во ТТИ ЮФУ, 2011. - С. 44 - 53.

29. Белоглазое, Д.А. Нечеткое управление параметрами генетического алгоритма [Текст] / Д. А. Белоглазов // VII Ежегодная научная конференция студентов и аспирантов базовых кафедр Южного научного центра РАН: тезисы докладов. - Ростов-на-Дону: Изд-во ЮНЦ РАН, 2011. -С. 112 - 113.

30. Белоглазов, Д.А. Сравнение эффективности генетических алгоритмов на примере оптимизации математических функций многих переменных [Текст] / Д. А. Белоглазов // Системный анализ, управление и обработка информации: труды 2-го Международного семинара студентов, аспирантов и ученых; под общ. ред. P.A. Нейдорфа.- Ростов-на-Дону: Изд. центр Донск. гос. техн. ун-та, 2011. - С. 220 - 227.

31. Белоглазов, Д.А. Инструментальные средства мониторинга [Текст]: монография / Д.А. Белоглазов, И.М. Скубилин, М.Н. Гусева,- Таганрог: Изд-во ТТИ ЮФУ, 2011.-206 с.

Лично автором в работах [1,2,18] предложен подход к построению адаптивных систем управления на основе аппарата искусственного интеллекта, обоснована необходимость его использования в ' СУ объектами, функционирующими в условиях неопределенности; в работах [3,11, 13, 15, 18] рассмотрена проблематика синтеза гибридных регуляторов; в работах [6,14,16,19,21,24] предложены способы решения задачи синтеза гибридных регуляторов; в работах [21,23,24,25] разработана методика проектирования адаптивных систем управления на основе аппарата нейро-нечетких сетей; в работах [26 -29] предложен подход к построению адаптивных генетических алгоритмов.

Соискатель

Белоглазов Денис Александрович

Отпечатано на лазерном принтере. Тираж 100 экз. 2011 г.

61 12-5/1604 Т, I

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ

ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ» Технологический институт (ТТИ ЮФУ)

На правах рукописи

БЕЛОГЛАЗОВ Денис Александрович

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СИНТЕЗА АДАПТИВНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ НЕЙРО-НЕЧЕТКИХ СЕТЕВЫХ

СТРУКТУР

Диссертация

на соискание ученой степени кандидата технических наук

Специальность: 05 Л 3.01 системный анализ, управление и

обработка информации (вычислительная техника и информатика)

Научный руководитель: доктор технических наук

профессор Финаев В.И.

Таганрог - 2011

СОДЕРЖАНИЕ

ВВЕДЕНИЕ............................................................................. 6

1. АНАЛИЗ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ................................................................................................................16

1.1. Особенности управления техническими объектами в условиях неполноты данных......................................................................................................................16

1.2. Примеры объектов управления с частично неопределенными параметрами............................................................................................................ 19

1.3. Системный подход к решению задач управления в условиях неполноты данных......................................................................................................................23

1.3.1. Классификация видов неопределенности.........................................23

1.3.2. Сущность системного подхода..........................................................25

1.4. Целеполагание при решении задач управления............................................27

1.5. Задача разработки моделей регуляторов в условиях неполноты

данных......................................................................................................................30

1.5.1. Аналитическое конструирование оптимальных

регуляторов..............................................................................................................31

1.5.2. Синтез самоорганизующихся регуляторов с

экстраполяцией........................................................................................................33

1.5.3. Аналитическое конструирование агрегированных регуляторов..............................................................................................................35

1.5.4. Задача моделирования нечеткого регулятора..................................37

1.6. Обоснование применения нейро-нечетких систем для реализации регуляторов в условиях неполноты данных.........................................................41

1.7. Обоснование предмета диссертационных исследований............................44

1.8. Выводы..............................................................................................................46

2. РАЗРАБОТКА МОДЕЛЕЙ АДАПТИВНЫХ СИСТЕМ УПРАВЛЕНИЯ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ.........................48

2.1. Задача моделирования функций системы адаптивного управления......... 48

2.2. Алгоритмизация структурной модели системы адаптивного управления...............................................................................................................53

2.3. Разработка структур функциональных блоков интеллектуальной адаптивной системы управления.......................................................................... 61

2.4. Алгоритм работы ННСЬ ННС2.......................................................................66

2.5. Разработка архитектуры блока ускорения адаптации................................. 70

2.6. Разработка архитектуры блока оценки..........................................................74

2.7. Назначение блока подготовки обучающих примеров................................. 78

2.8. Выводы............................................................................................................. 81

3. РАЗРАБОТКА ЭВОЛЮЦИОННОГО АЛГОРИТМА ОБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ГИБРИДНОЙ СИСТЕМЫ............................................................................................................ 82

3.1. Задача разработки эволюционного алгоритма обучения............................ 82

3.2. Определение способа представления решений............................................ 85

3.3. Определение вида и параметров операторов случайных изменений....... 90

3.3.1. Разработка комбинированного оператора скрещивания (кроссинговера).......................................................................................................90

3.3.2. Разработка комбинированного оператора мутации....................... 93

3.3.3. Разработка алгоритма адаптации параметров комбинированных операторов случайных изменений....................................................................... 95

3.4. Определение вида оператора репродукции................................................. 103

3.5. Определение способа оценки приспособленности хромосом.................. 104

3.6. Определение условия остановки алгоритма................................................ 105

3.7. Определение способа создания популяции начальных решений............. 106

3.8. Определение способа отбора решений в новую популяцию..................... 107

3.9. Разработка общей структурной схемы генетического алгоритма............ 108

3.9.1 . Разработка структуры параллельного генетического

алгоритма............................................................................................................... 109

3.9.2 . Разработка структуры генетического алгоритма на основе двух

операторов селекции............................................................................................. 111

3.10. Выводы.......................................................................................................... 114

4. ИССЛЕДОВАНИЕ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АДАПТИВНЫХ ОБУЧАЕМЫХ СИСТЕМ УПРАВЛЕНИЯ...................... 115

4.1. Информационное обеспечение для задач исследования............................ 115

4.2. Проектирование информационного обеспечения....................................... 116

4.2.1. Описание информационного обеспечения...................................... 116

4.2.2. Задачи экспериментального применения информационного обеспечения............................................................................................................ 120

4.3. Эффективность разработанных генетических алгоритмов на примере оптимизации функций многих переменных........................................................ 121

4.3.1. Этапы экспериментального исследования ГА.............................. 121

4.3.2. Результаты сравнения эффективности генетических алгоритмов на примере оптимизации функций многих переменных........................................ 123

4.4. Эффективность разработанных генетических алгоритмов на примере обучения модулей адаптивной интеллектуальной гибридной системы управления.............................................................................................................. 128

4.4.1. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейросетевого эмулятора................................................. 128

4.4.2. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого классификатора.................................... 130

4.4.3. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого регулятора............................................. 131

4.4.4. Общее сравнение эффективности разработанных генетических алгоритмов...............................................................................................................134

4.5. Пример использования нейроэмулятора...................................................... 136

4.6. Пример использования нейро-нечеткого классификатора.......................... 138

4.7. Пример применения нейро-нечеткого регулятора........................................140

4.8. Выводы..............................................................................................................142

ЗАКЛЮЧЕНИЕ.....................................................................................................144

БИБЛИОГРАФИЧЕСКИЙ СПИСОК...............................................146

ВВЕДЕНИЕ

Управляемые технические объекты имеют широкое распространение, т.к. сам термин «технический объект» является обобщением и применим для большого количества устройств, относящихся к технике: суда, самолеты, автомобили, электрогенераторы, станки, атомные реакторы, бытовая техника и т.д. Управляемые технические объекты в теории управления носят название -объекты управления (ОУ).

Многообразие существующих на сегодняшний день видов ОУ объясняется достигнутым уровнем развития науки, потребностями современного человека. Виды ОУ [1-10 и др.] можно определять исходя из области их применения: экономические, технические, биологические, социальные военные. Каждый вид ОУ обладает своими особенностями, характеризуется определенным набором параметров и может быть изучен с использованием методов принятых для данной области [11].

В диссертационной работе под объектом управления будем понимать техническую систему, которая должна функционировать в соответствии с требуемыми свойствами или для получения желаемого результата [1,2,68, 10, 11, 13, 14 и др.]. Для обеспечения требуемого качества функционирования ОУ применяют системы автоматического и автоматизированного управления (САУ). Синтез САУ осуществляется с применением методов теории автоматического управления (ТАУ).

Согласно данным многих работ, например [1,2,6,10-18], построение САУ для технического ОУ требует априорной информации о функции цели управления, параметрических моделях ОУ и возмущений, причем достоверность данной информации непосредственно определяет выбор метода и качество синтезируемого регулятора. Адекватные математические модели ОУ позволяют исследовать его поведение, найти параметры регулятора на этапе

проектирования.

Таким образом, можно сделать вывод [19, 20], что синтез регуляторов для технических ОУ с применением методов классической ТАУ невозможен без предварительного анализа адекватной математической модели ОУ.

В развитие классической ТАУ, в создание методов синтеза регуляторов внесли существенный вклад многие ученые: Берг А.И., Беллман P.E., Болтянский В.Г., Вознесенский И.Н., Воронов A.A., Калман P.E., Красовский A.A., Колесников A.A., Кулебякин B.C., Ляпунов A.M., Максвелл Д.К., Михайлов A.B., НайквистХ., Понтрягин Л.С., Солодовников В.В., Трапезников В.А., Фельдбаум A.A. и многие другие.

Эффективность применения методов классической ТАУ существенно снижается из-за того, что подавляющее большинство технических объектов обладают свойствами нелинейности, нестационарности, последействия, хотя и для управления нелинейными объектами создана теория оптимального или субоптимального управления движением [1].

Согласно результатам ряда исследований (см. например [21 и др.]) сложность САУ определена статичностью настроек, т.к. регулятор не может сам менять свои параметры при изменении условий управления, проявляющихся со сменой режима работы ОУ (изменение характеристик ОУ). Для изменения настроек необходимы временные затраты, что неприемлемо для многих ОУ. Применение поисковых методов оптимального управления [22, 23] не всегда обеспечивает требуемые характеристики качества управления. Таким образом, существует необходимость поиска альтернативных методов синтеза регуляторов [24].

К настоящему времени разработаны альтернативные подходы к синтезу регуляторов для управления слабо формализованными объектами (априорная неопределенность): адаптивный [10,19,22,23,25 -31], робастный [3,32-34], нечеткий [3,4,7,35 - 39] и нейронный [3,43-51]. Отметим, что каждый из подходов имеет свои особенности, достоинства и недостатки, а также

применим при определенной степени неопределенности, но, тем не менее, позволяют успешно решать задачи синтеза регуляторов в условиях неполноты исходных данных. Наиболее перспективным считается применение методов искусственного интеллекта, которые ориентированы на формализацию задач принятия управляющих решений в условиях неопределенности с применением методов нечеткой логики [52 - 56 и др.], и позволяют синтезировать гибридные регуляторы, т.е. регуляторы, совмещающие методы классической теории управления и нечетких регуляторов [11, 42, 50, 60 - 62].

Гибридные регуляторы появились в результате необходимости решения задач синтеза САУ, находить оптимальные (или квазиоптимальные) управляющие решения в условиях априорной неопределенности относительно характеристик ОУ, адаптироваться к меняющимся условиям. Гибридный подход к решению задач синтеза регуляторов в условиях неполноты данных приобрел большую популярность, особенно с применением аппарата нейронных сетей и нечеткой логики [3, 38, 43, 45, 50, 63 - 71]. Данный подход получил название «нейро-нечеткий».

Регуляторы на основе нейро-нечетких сетей адаптируемы, благодаря своей структуре, и ориентированы на работу в условиях неопределенности ОУ, как и нечеткие контроллеры. При разработке гибридных регуляторов на основе нейро-нечетких сетей необходимо получить такой алгоритм коррекции параметров сети, который будет обладать высокой скоростью, и обеспечивать требуемую вероятность успешного окончания процесса обучения.

Одним из путей поиска алгоритмов коррекции параметров нейро-нечетких сетей в условиях неполноты информации является разработка алгоритмов эволюционных вычислений [72 - 89 и др.].

Диссертация посвящена разработке методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур с генетическими алгоритмами обучения, способными решать задачи управления сложными нелинейными стохастическими объектами, что позволит повысить

эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления. Это определяет и подтверждает актуальность исследований диссертационной работы.

Объектами исследования диссертации являются технические объекты функционирующие в условиях неопределенности.

Целью диссертационной работы является разработка методов синтеза гибридных адаптивных систем управления техническими объектами функционирующими в условиях неполноты данных.

Достижение поставленной цели может быть осуществлено с применением математических методов системного анализа, в частности теории адаптивного управления, методов функционального анализа, теории моделирования, теории нечетких множеств и нечеткой логики, теории нейронных сетей, а также эволюционных и синергетических методов принятия решений, методов синтеза дискретных логических устройств. В экспериментальных исследованиях применялось моделирование на ЭВМ.

Методологическую основу диссертационной работы составляет концепция системности, суть которой - представление и исследование процессов управления техническими объектами в условиях априорной неопределенности относительно модели ОУ и начальных параметров. Объекты управления рассматриваются одновременно, как одно целое (система), и функционирующие в тесном информационном взаимодействии друг адаптивным регулятором и внешней средой.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

- анализ методов решения задач управления техническими объектами в условиях неполноты данных;

- разработка модели гибридной адаптивной системы управления и ее элементов;

- разработка нечеткого адаптивного эволюционного алгоритма обучения

элементов гибридной адаптивной системы управления;

- разработка специализированного программного комплекса для исследования гибридной адаптивной системы управления и ее элементов, нечеткого адаптивного эволюционного алгоритма обучения.

Поставленная цель диссертационной работы и сформулированные в соответствии с целью задачи позволили получить новые научные результаты в области разработки моделей и методов синтеза адаптивных регуляторов, способных решать задачи управления в соответствии с заданной целевой функцией.

Новыми научными результатами диссертационной работы, выносимыми на защиту, являются:

- метод построения гибридной адаптивной системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких сетей и алгоритмов обучения интеллектуальной составляющей системы управления;

- модель гибридной адаптивной интеллектуальной системы управления, отличающаяся использованием нейро-нечетких и нейронных сетей, осуществляющих выработку управляющих воздействий, идентификацию технологических режимов объекта управления, эмуляцию поведения объекта управления;

- нечеткий адаптивный эволюционный алгоритм обучения интеллектуальной составляющей гибридной адаптивной системы управления, отличающийся использованием комбинированных операторов случайных изменений и возможностью динамической коррекции их параметров на основе информации о популяции решений.

Практическая ценность результатов исследований определена их применением в системах автоматического управления техническими объектами, функционирующими в условиях неполноты данных.

Диссертационная работа состоит из четырех разделов, заключения и

приложений.

В первом разделе диссертации выполнен анализ методов решения задач управления техническими объектами в условиях неполноты данных. Для линейных и нелинейных объектов при условии линеаризации модели ОУ без потери адекватности при синтезе систем автоматического управления применимы методы классической теории автоматического управления. Область применения классической теории управления ограничена при наличии априорной неопределенности относительно свойств ОУ и возмущающих воздействий. Определены особенности адаптивного управления, робастного подхода к синтезу САУ, нечетких и нейронных систем управления.

Приведены примеры технических объектов управления с частично неопределенными параметрами. Предложено формальное задание ОУ.

Разработан системный подход к решению задач управления в условиях неполноты данных,