автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Управление слабоформализуемыми многокомпонентными системами на основе агентных технологий

На правах рукописи

УПРАВЛЕНИЕ СЛАБОФОРМАЛИЗУЕМЫМИ МНОГОКОМПОНЕНТНЫМИ СИСТЕМАМИ НА ОСНОВЕ АГЕНТНЫХ ТЕХНОЛОГИЙ

Специальность: 05.13.01 -«Системный анализ, управление и обработка информации (промышленность, информатика)»

АВТОРЕФЕРАТ

1 * ОКТ 2015

диссертации на соискание ученой степени доктора технических наук

Астрахань-2015

005563223

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Астраханский государственный технический университет» (ФГБОУ ВПО «АГТУ»)

Научный консультант: доктор технических наук, профессор

Проталинский Олег Мирославович

Официальные оппоненты: Абрамов Геннадий Владимирович

доктор технических наук, профессор, ФГБОУ ВПО «Воронежский государственный университет», профессор кафедры «Математический и прикладной анализ»

Булдакова Татьяна Ивановна

доктор технических наук, профессор, ФГБОУ ВПО «Московский государственный технический университет имени Н.Э. Баумана», профессор кафедры «Информационная безопасность»

Садомцев Юрий Васильевич

доктор технических наук, профессор, ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А.», профессор кафедры «Радиоэлектроника и телекоммуникации»

Ведущая организация: ФГБОУ ВПО «Казанский национальный

исследовательский технологический

университет»

Защита состоится 11 декабря 2015 г. в 14:00 на заседании диссертационного совета Д 307.001.06 на базе Астраханского государственного технического университета по адресу: 414056, г. Астрахань, ул. Татищева, 16, главный корпус, ауд. № 313.

Отзывы в количестве двух экземпляров, заверенные гербовой печатью организации, просим присылать по адресу: 414056, г. Астрахань, ул. Татищева 16, ученому секретарю диссертационного совета Д 307.001.06.

С диссертацией можно ознакомиться в научной библиотеке Астраханского государственного технического университета и на сайте http://astu.0rg/pages/sh0w/3128.

Автореферат разослан «-§Р» сентября 2015 г.

Ученый секретарь

диссертационного совета Ханова Анна Алексеевна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. В сложных технических системах (СТС) осуществляется взаимодействие на различных уровнях иерархии, присутствует не единственность математического описания, большое число взаимодействующих элементов, свойство эмерджентности. Отсутствие средств измерения или принципиальное незнание протекающих внутренних процессов приводят к тому, что модель системы является слабоформализуемой, а значит и СТС обладает свойством слабой формализуемости. Сложные системы функционируют в условиях неопределенности и неполноты информации о состоянии и поведении системы, наличии лица принимающего решение (ЛПР) как составляющей принятия решений.

Наличие (отсутствие) признаков рационального (псевдоинтеллеюуального) поведения, совместно с вопросами самоорганизации, когда элементы СТС объединяются в организационные структуры (компоненты) для достижения локальной цели постулируют свойство многокомпонентности. В процессе функционирования структура организации системы может перестраиваться и образовываться различными наборами компонент. При этом наличие плана рационального поведения и механизмов его реализации относит компоненту к активным, а их отсутствие к пассивным в поведенческом смысле. К пассивным компонентам относятся сложные производственно-технологические системы (ПТС) газопереработки, актуальность исследования которых определяется положениями «Генеральной схемы развития газовой отрасли России до 2030 г.». Робототехнические системы (РТС) являются активными компонентами. Согласно «Стратегии развития отрасли информационных технологий в РФ на 2014-2020 годы и на перспективу до 2025 года» робототехника включена в число нескольких приоритетных направлений технологического развития страны. В свете актуальной проблемы импортозамещения развитие отечественной робототехники становится крайне важным направлением.

Становится возможным выделить новый подкласс сложных систем -слабоформализуемые многокомпонентные системы (МС). Важная роль в принятии решения при управлении МС отводится ЛПР, поэтому актуальность также приобретает задача реализации эффективного человеко-машинного взаимодействия, особенно для РТС. В этой связи появляется необходимость формирования единого методологического базиса, который обеспечит анализ и синтез систем управления МС в условиях неопределенности. Для этого необходимо рассмотреть вопросы взаимодействия элементов внутри системы в условиях неопределенности. Поэтому появляется необходимость совершенствования механизмов анализа, моделирования и управления МС, основанных на эффективном решении задач взаимодействия компонент с использованием агентных технологий.

Наличие большого числа неопределенностей и учет опыта экспертов определяют необходимость применения теории нечетких множеств и нечеткого когнитивного моделирования. Этот аспект наряду с выделением компонент постулирует необходимость формирования единого концептуального подхода к управлению МС.

з

Степень разработанности темы. Формированию структур целей СТС посвящены работы Лукьяновой Л.М., Ломако Е.И., Новикова Д.А., Губко М.В., Edwin V.K., Jing Н., Huget, М., Scott A. DeLoach и др. В работах Новикова Д.А., Тихонова В.И., Волковой В.Н., Денисова А. А., Гаскарова Д.В., Люггера Дж., Павлова В.В., Советова Б.Я., Цапко Г.П. решаются задачи математического описания и моделирования СТС. Множественность математического описания сложных систем рассматривается в работах Мышкиса А.Д., Бусленко Н.П., Павловского В.Е., Максимова В.И., Boccara N., Fiona A.C., Horling В. Подходы к решению проблемы управления различными классами сложных систем представлены в работах Прангишвили И.В., Макарова И.М., Ускова A.A., Арнольда В.И., Неделько С.Н., Колесникова A.A., Jennings N. R., Zhang F., Karuna H., Chan S. Активно ведутся работы в области моделирования и управления ПТС и РТС.

Однако, несмотря на существенные успехи, достигнутые в области моделирования и управления СТС, отсутствует комплексный подход к управлению MC в условиях неопределенности на основе механизмов организации структуры систем.

Актуальность темы диссертационного исследования определяется необходимостью разработки комплексных методов управления ПТС и РТС, обусловленная недостаточной изученностью научной проблемы создания концепции системного анализа и методологии управления MC в условиях неопределенности с использованием агентных технологий в приложении к робототехническим и производственно-технологическим системам.

Основные разделы исследования выполнены в рамках государственного контракта с Фондом содействия развитию малых форм предприятий в научно-технической сфере по программе СТАРТ в 2012 г., а также госбюджетных научно-исследовательских работ ФГБОУ ВПО «АГТУ» «Управление техническими системами в условиях неопределенности» в 2009-2011 гг, «Системный анализ и моделирование слабоформализуемых технических систем» в 2012-2013 гг., «Модели и алгоритмы интеллектуального управления сложными слабоформализуемыми многокомпонентными системами» в 2014 г. Их содержание отвечает положениям «Генеральной схемы развития газовой отрасли России до 2030 г.», Стратегии развития отрасли информационных технологий в РФ на 2014-2020 годы и на перспективу до 2025 года.

Объект исследования — слабоформализуемые многокомпонентные системы.

Предмет исследования - модели, методы и алгоритмы управления слабоформализуемыми многокомпонентными системами (на примере производственно-технологических и робототехнических систем).

Цель диссертационной работы - повышение эффективности управления слабоформализуемыми многокомпонентными системами за счет совершенствования концепции системного анализа и методологии управления в условиях неопределенности на основе агентных технологий.

Для достижения поставленной цели требуется решить следующие задачи;

1. определить новый подкласс сложных систем - слабоформализуемые многокомпонентные системы на основе сформулированных

4

классификационных признаков;

2. для данного подкласса сформулировать концепцию системного анализа и управления в условиях неопределенности;

3. на основе сформированной концепции разработать методологию управления слабоформализуемыми многокомпонентными системами в условиях неопределенности;

4. реализовать методики и методы в виде алгоритмического и программного обеспечения;

5. реализовать приложение разработанных методик, методов и алгоритмов к решению задач управления робототехническими и производственно-технологическими системами, а также организации человеко-машинного взаимодействия в слабоформализуемых многокомпонентных системах;

6. провести исследование эффективности применения предложенных моделей, методов и алгоритмов на эффективность управления робототехническими и производственно-технологическими системами.

Научная новизна. Предложены концепция системного анализа и методология управления слабоформализуемыми многокомпонентными системами в условиях неопределенности с использованием агентных технологий, включающие в себя:

1. методику коррекции глобальной цели, отличающуюся использованием нечетких множеств второго рода для описания целевой ситуации, при которой требуется ее изменение на основе необходимых и достаточных условий;

2. методику математического описания, отличающуюся представлением в матричной форме связей между основными составляющими «глобальная цель, набор локальных целей, модель, управление», что совместно с применением Байесовского подхода обеспечивает выбор требуемой математической модели для целей управления на требуемом уровне абстракции;

3. методику снижения влияния неопределенности, позволяющую уменьшить степень ее воздействия на структуру, цели и данные, отличающуюся формированием компонент системы на основе расчета индекса целостности и показателя совместимости;

4. метод распределения локальных целей компонент, отличающийся использованием оригинального синтеза парето-оптимальных стратегий распределения взаимосвязанных локальных целей и обеспечивающий решение задач: прямой - назначение целей компонентам и обратной - формирование компонент, обеспечивающих достижение фиксированного набора целей;

5. метод группового управления компонентами, обеспечивающий комплексное решение проблемы управления МС при рассмотрении системы сверху вниз «глобальная цель системы, набор локальных целей компонент, набор задач элементов компонент», отличающийся использованием оригинальных алгоритмов на всех уровнях представления МС.

Теоретическая значимость работы:

1. определен новый подкласс сложных систем - слабоформалнзуемые многокомпонентные системы и сформулирован его классификационный признак;

5

2. разработаны концепция системного анализа и методология управления слабоформализуемыми многокомпонентными системами в условиях неопределенности на основе агентных технологий;

3. на основе разработанной методологии поставлены и решены задачи управления тремя взаимодействующими группами компонент: «активная компонента - активная компонента» (для группы РТС); «пассивная компонента

- пассивная компонента» (для группы ПТС); взаимодействие активной компоненты с ЛПР (для организации человеко-машинного взаимодействия в системе «РТС-ЛПР»),

Практическая значимость работы:

1. разработано алгоритмическое и программное обеспечение системы управления, реализующие следующее:

- методику коррекции глобальной цели слабоформализуемой многокомпонентной системы;

- метод группового управления компонентами для сложных производственно-технологических и робототехнических систем;

2. разработаны и зарегистрированы алгоритмы и программы, реализующие новые, оригинальные алгоритмы, методики и методы управления слабоформализуемыми многокомпонентными системами.

Результаты внедрены в ООО «АГТУ Роботикс» (г.Астрахань) при разработке человеко-машинного интерфейса для проекта «МоЫ1еВоЪ>. Программное обеспечение нечеткого когнитивного моделирования внедрено в ООО ПКФ «Бест Софт» (г. Астрахань) для повышения эффективности реализации крупномасштабных проектов энергетического профиля. Результаты внедрены в ООО «Наногальваника» (г. Тамбов) при разработке систем управления сложными слабоформализуемыми процессами нанесения наномодифицированных гальванических покрытий из электролитов с добавками углеродных нанотруболк «Таунит». Учебный вариант разработанного программного обеспечения используется в ФГБОУ ВПО «Астраханский государственный технический университет» и ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А .» (г. Саратов) для подготовки научных и инженерных кадров.

Методология и методы исследования: системный анализ и инженерия знаний, теория управления, агентные технологии, теория нечетких множеств, когнитивное и имитационное моделирование, теория принятия решений, методы распознавания образов, методы планирования экспериментов, теория вероятностей и математическая статистика.

Положения, выносимые на защиту:

1) выделены новые классификационные признаки, на основе которых определен новый подкласс сложных систем - слабоформализуемые многокомпонентные;

2) методики коррекции глобальной цели, математического описания и снижения влияния неопределенностей слабоформализуемых многокомпонентных систем;

3) метод распределения взаимосвязанных локальных целей компонент,

б

4) метод группового управления компонентами;

5) результаты, подтверждающие эффективность использования методологии управления слабоформализуемыми многокомпонентными системами.

Степень достоверности исследования обусловлена корректным применением методов исследования, подтверждается вычислительными и имитационными экспериментами, проверкой адекватности предложенных решений, полученных на основе экспериментальных данных, результативность и эффективность решений подтверждена соответствующими актами внедрения результатов работы в различных организациях и учреждениях.

Апробация научных результатов. Основные результаты работы докладывались и обсуждались на 3rd International Conference on Advanced Research in Scientific Areas, ARSA-2014 (Словакия, 2014), Международных научно-технических конференциях «Интеллектуальные системы, AIS и Интеллектуальные САПР, CAD» (Москва, 2006, 2009), XX-XXVII Международных научных конференциях «Математические методы в технике и технологиях» (Ярославль, 2007; Саратов, 2008, 2010; Волгоград, 2012; Нижний Новгород, 2013; Тамбов, 2014), VI Всероссийской научно-практической конференции (с международным участием) «Современные информационные технологии в науке, образовании и практике» (Оренбург, 2007), I Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Прогрессивные технологии и перспективы развития» (Тамбов, 2010), Международной научно-практической конференции, посвященной 80-летию Астраханского государственного технического университета (Астрахань, 2010), International Congress on Information Technologies, ICIT-2012 (Саратов, 2012), XIV Международной научно-практической конференции «Техника и технология: новые перспективы развития» (Москва, 2014), XIII Международной научно-практической конференции «Приоритетные научные направления: от теории к практике» (Новосибирск, 2014).

Основные теоретические и прикладные результаты диссертационной работы изложены в 1 монографии, 25 статьях в периодических и научно-технических журналах, рекомендуемых ВАК РФ, 2 статьях в журналах, индексируемых в SCOPUS, 21 статье в сборниках материалов всероссийских и международных научных конференций. Получено 5 свидетельств о государственной регистрации программ для ЭВМ. Без соавторства опубликовано 19 работ.

В работах, опубликованных в соавторстве, личное участие автора заключалось в определении проблемы исследования, постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследования.

Структура и объем диссертации. Диссертация содержит введение, б глав, заключение, библиографический список из 368 наименований, 10 приложений. Основная часть диссертации изложена на 337 страницах и содержит 101 рисунок и 49 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность проблемы, сформулированы цель и задачи исследования, научная новизна и практическая ценность работы.

В первой главе проанализированы существующие подходы к исследованию сложных систем, выявлено, что имеет место недостаточная изученность вопросов моделирования и управления МС. Показано, что существует принципиальная возможность синтеза комплексного подхода, обеспечивающего рассмотрение вопросов управления МС в условиях неопределенности с позиций единого методологического базиса. Для его реализации построена классификация неопределенностей МС. Введено понятие компоненты, показаны существенные отличия введенного термина, от существующего и использующегося термина подсистема. Для анализа системы синтезирована карта компоненты, позволяющая описывать входные, выходные и внутрикомпонентные переменные, связи элементов внутри компонент, механизмы их образования и их цели, а также типы неопределенности. Это позволило выявить существенные с точки зрения анализа, моделирования и управления свойства, признаки и характеристики компонент. МС рассматривается как отдельный подкласс сложных систем. Введен термин компонентная структура (КС), описывающая МС как совокупность компонент, сформированную под воздействием механизмов ее образования. Предложена обобщенная схема механизма формирования компонент. Показано как происходит образование компонент и КС в рассматриваемом подклассе сложных систем. Выявлено, что образование КС происходит на основе трех механизмов: самонастройка КС (пассивная адаптация КС); самоорганизация КС, предполагающая модификацию структуры компоненты, самоорганизация КС, предполагающая реорганизацию структуры компонент. Показано, что для обеспечения устойчивости КС и управляемости МС требуется обеспечение инвариантности по отношению к различным видам неопределенности, выявленных в ходе их анализа и классификации. Описаны два типа компонент -активная, обладающая признаками рационального поведения, планирования, реализации плана и пассивная, которая такими признаками не обладает.

Определен новый классификационный признак МС - по степени интеллектуальности, позволяющий выделить три типа систем (псевдо интеллектуальные, с ограниченным интеллектом и интеллектуальные) и определить место МС в классификации сложных систем.

На основании введенных определений сформулированы общие положения, позволяющие анализировать, моделировать и управлять МС. Это позволило с единых системных позиций проанализировать и описать робототехническую систему как активную компоненту и слабоформализуемую производственно-технологическую систему как пассивную компоненту.

Сделан вывод о целесообразности использования методов искусственного интеллекта и агентных технологий для управления МС. Сделан литературный обзор и проведен анализ использования методов для решения задач моделирования и управления МС, а также выделены основные направления их применения: постановка и распределение целей (глобальной и локальных); описание структуры системы; математическое моделирование совместно с вопросами не

8

единственности описания; управление в условиях неопределенности.

Проведен анализ достоинств и недостатков существующих методов по вышеуказанным направлениям, оценена возможность их использования для управления МС. Показано, что несмотря на определенные успехи в этой научной области, отсутствует комплексный методологический подход к интеграции методов интеллектуального управления и агентных технологий для управления выделенным подклассом сложных систем. Это обуславливает необходимость создания методологии управления МС в условиях неопределенности. На основе проведенных исследований сформулирована научная проблема и соответствующие ей задачи.

Во второй главе предложена концепция системного анализа и управления МС с учетом присущих им особенностей. В основу концепции положена полная система взаимосвязанных принципов, достаточная дня решения задач анализа и расширяющая область применения методов и алгоритмов управления и принятия решений для рассматриваемого подкласса сложных систем. Сформулированы принципы системного анализа и этапы, обеспечивающие их реализацию.

Принцип коррекции глобальной цели (П1). Постулируется возможность коррекции глобальной цели, которая является не единственной. Выделены три уровня представления: элементный, на котором располагается единичная компонента (элементы ее образующие), МС-А2; компонентный, на котором располагается текущая компонентная структура, образованная конечным множеством компонент, МС-А1; системный - уровень системы, в которую рассматриваемая МС входит в качестве компоненты, МС-АО. Система

характеризуется индексом целостности // = (к^ : / = 1.ш, Е, е [1;/} со-^ и показателем совместимости 1С = (К1 : г = 1 .т, : ] -1, п, т < п,

ех е [1;/] Ъ", Ь1ег^, где = \т - множество компонент МС; £ е [1;/] -

множество экспертов, привлекаемых для оценки правильности выделения МС; ю' -бальная оценка вхождения /-й компоненты в МС по мнению 1-го эксперта; ехе [1;/] - множество экспертов; Ъ" - бальная оценка вхождения 1-й компоненты в МС по мнению 1-го эксперта, АТе1гг: /',;"= /" - множество связей между

компонентами; б',.,. - бальная оценка наличия связи г-г" между компонентами в МС по мнению 1-го эксперта. Необходимое и достаточное условие целостности -//>8/,/с >8с, где Э/, 6С - значения, принятые в качестве пороговых,

превышение которых обеспечивает целостность МС. Новые интегративные свойства системы характеризуется коэффициентом эмерджентности Хартли.

Принцип мультиструктурности (П2). Для достижения глобальной цели О может быть выделена (на этапе анализа и формирования системы упрощений и допущений, с учетом различающихся мнений экспертов предметной области) или образована в процессе функционирования не единственная компонентная структура. На основании расчета индекса целостности и показателя

совместимости ряд КС могут бьггь исключены. Если все компоненты МС относятся к пассивным, то множество КС может быть сведено к единственной КС с помощью итеративной процедуры последовательного исключения связей.

Принцип множественности описания (ПЗ). Использование нескольких моделей КС, которые определяются уровнем абстракции, типом решаемой задачи или поставленной глобальной цели, задаваемые множеством интеллектуальных и аналитических моделей для описания отдельных компонент и МС в целом (данный принцип вытекает из принципа мультиструктурности). Выбор способа математического описания единичной КС KSj е {aTS}„ зависит от локальной цели компоненты, изменение которой может повлечь за собой смену способа задания модели компонент. Для описания единичной КС используется матричный способ представления.

Принцип множественности целей (П4). Существует множество наборов локальных целей компонент, позволяющих достигать глобальную цель:

VKSj е KS 3 {/,}.->G*, где i = \,n,n - общее число КС; к = 1,1,1 - общее

л opt

число наборов локальных целей. Для любой KSi будет существовать множество наборов локальных целей {/, , один из которых будет

оптимальным и приведет к достижению глобальной цели. Выделение единственной глобальной цели и ее конкретизация зависит от ЛПР, а реализация данного принципа предполагает: ограничение множества глобальных целей и выбор из него единственной (генеральной или общей) цели G *; выявление КС системы; определение компонент, их типа и взаимосвязей; выделение множества наборов локальных целей компонент (построение иерархической структуры локальных целей); синтез и реализация алгоритмического обеспечения процесса выбора оптимального набора локальных целей, ведущих к достижению глобальной цели.

В реальных условиях определяющими становятся также три аспекта: все локальные цели известны и имеют рассчитанные коэффициенты веса wk =/(v*;<0> отражающие степень важности цели vk и ее достижимость dk\ все локальные цели известны, но веса получить не представляется возможным в силу ряда причин или неопределенностей; часть локальных целей не достижима.

Иерархическая структура целей представлена в виде несвязного ориентированного графа G, Наличие дуги (ljk,Ijk)<= ^показывает,

что существует переход из цели Ijk в цель l"jk. При переходе к представлению

иерархии целей в виде графа сами цели будут находиться на не пересекающихся уровнях, т.е. не существуют дуги, соединяющие вершины графа, находящиеся не на смежных уровнях.

Принцип снижения влияния неопределенности (П5). Существует принципиальная возможность снижения влияния неопределенностей на этапе проектирования и функционирования МС. Существует вектор компенсирующих воздействий, обеспечивающий снижение влияния неопределенностей различных видов.

ю

Неопределенность целей. Цели системы: / = (/,/,/), 1 = 1 и/и/, 7Г|7П/=0, где I - полное множество целей; 7 - множество известных достижимых целей; I - множество не достижимых целей; 7 - множество

плохо (слабо) определенных целей. Множество / должно быть исключено на этапе проектирования МС. На этапе функционирования возникают следующие типы целей: цель не достижима, в этом случае производится ее замена на цель из {/}; цель слабо определена, в этом случае производится коррекция КС, для которой сформулирована цель, т.о. чтобы цель стала достижимой; цель достижима, тогда производится формирование управляющего воздействия и его реализация.

Неопределенность структуры - следствие принципа мультиструктурности. Снижение влияния неопределенности структуры производится на этапе проектирования на основе расчета и анализа //, .

Неопределенность внешней среды характеризуется полным или частичным отсутствием информации о ее состоянии. Внешняя среда применительно к рассматриваемому классу систем может быть описана следующим образом:

Ет = ([кр,ир,рр)——ьКБ^, где Ет - внешняя среда по отношению к МС;

КР - множество известных воздействий внешней среды; 11Р - множество неизвестных воздействий внешней среды; РР - множество слабо формализованных воздействий внешней среды; - текущая КС; Я - тип

влияния внешней среды на МС, разделяющийся на постоянное Яс и переменное Яу. Тип воздействия внешней среды - характерный признак, указывающий на принципиальную возможность измерения и, как следствие, формализации неопределенности внешней среды МС. Тип влияния внешней среды - временной фактор, отражающий влияние внешней среды на МС (разделяется на постоянный, т.е. в течение всего жизненного цикла системы и переменный, возникающий на определенный временной интервал).

Существует шесть вариантов снижения влияния неопределенности внешней среды для кортежа «внешняя среда - МС»: (КР,ЯС) - компенсация постоянно действующего возмущающего фактора; (С/Р,^) - перестройка КС с целью исключения влияния внешней среды, которое не удается идентифицировать; (PF,i?c) - наличие слабо формализуемых воздействий, предполагает

применение специального математического аппарата; (КР,ЯУ) - наличие не постоянного влияния, а возникающего в некоторые моменты времени т, для этого требуется идентификация этого момента времени и применение управления сформулированного для условия (.КР,ЯС); {иР,Яу) -корректировка текущей КС для минимизации воздействий, возникших в момент времени т; (РР,ЯГ) - определение момента времени т и применение управления сформулированного для условия (РР,ЯС).

п

Принцип группового управления компонентами (П6). Управление компонентой K¡ с учетом согласования вырабатываемых управляющих

воздействий и, еU с целями других компонент /,.,/'= Г. Это является

необходимым условием достижения глобальной цели G*.

Принцип группового управления компонентами базируется на выделенном классификационном признаке. Т.е. имеет место пространственная структурная организация (все компоненты и связи не разнесены во времени) и сетевая структурная организация (компоненты и связи разнесены во времени). Элементы МС могут входить в более чем одну компоненту, которые не должны преследовать антагонистические цели. При управлении МС обеспечивается реализация: управления для достижения глобальной цели; управления группой компонент (координация, реализация согласованных действий) и управление элементами внутри компонент, увеличение числа функций управления, переданных на компонентный уровень при увеличении степени интеллектуальности компоненты. Компоненты могут иметь: децентрализованное управление внутри компоненты с выделенным центром управления компонентами; выделенный центр управления внутри компоненты и децентрализованное интеллектуальное управление системой в целом. Объединение элементов системы в компоненты, а также организация компонент происходит на основании единой цели.

Поставлены задачи группового управления компонентами в общем виде. Реализация группового управления неразрывно связана с принципом множественности целей и заключается в следующем: аналитическое разбиение G* на подцели сверху вниз; синтетическое объединение G* из локальных целей снизу вверх; итеративная аналитако-синтетическая коррекция локальных целей; перераспределение локальных целей внутри компоненты, образующей одну из КС.

Пусть имеется множество компонент К = {К^...,Кт}, образующих КС, тогда для достижения локальной цели I, требуется выполнить ряд частных задач (заданий) Zik ={Zn,...,Z¡k}, имеющих ценность Ра ={РП,...,РЯ}. Тогда задача группового управления компонентами в общем виде: требуется определить вектор управляющих воздействий U*gU для текущей KS¿, обеспечивающий решение частных задач Zik cz Z за требуемое время т, * {такт управления).

Принципы П1, ПЗ, П4 и П5 являются адаптированными принципами классического системного анализа, а принципы П2 и П6 предложены впервые и применены для МС.

Третья глава посвящена разработке методологии управления МС в условиях неопределенности в форме методов и методик, основанных на предложенных принципах системного анализа (рисунок 1). Практическое воплощение предложенной концепции - алгоритмическое и программное обеспечение систем управления для групп различных видов компонент.

Для реализации принципа П1 предложена методика коррекции глобальной цели (МК1). Для этого определены свойства множества глобальных целей: — множество глобальных целей не пустое, присутствует хотя бы одна глобальная цель; {g}*°o- множество глобальных целей конечно и

12

определяется на этапе проектирования МС; {g} = correct - множество глобальных целей образовано только достижимыми целями, на этапе проектирования не достижимые цели исключаются или заменяются на достижимые; каждая G'e {g} становится основной (в смысле единственности на некотором временном интервале) при определенном наборе факторов коррекции (XF), количественные оценки которых заданы ограничениями типа

неравенств вида А'< xf< А', где Л' - нижняя, а Д' - верхняя границы оценки; 5 = p.(G;G *) > 0 - мера близости достижения G на отрезке времени от принятия решения о необходимости ее коррекции до достижения ею требуемого

значения G*; Э{,Р}:G->G* - для достижения требуемого значения G*

могут применяться несколько методов (способов) {Р}.

2 ^^^Локальное управление элементами компонент

Рисунок 1 - Методология управления МС в условиях неопределенности КГЦиФКС - коррекция глобальной цели и формирование КС; ММ - модель МС; Ф - фреймы; ПП - продукционные правила; АМ - аналитическая модель; НКМ - нечеткая когнитивная модель; КМ - кибернетическая модель; РЛЦ -распределение локальных целей; КН - компенсация неопределенностей; УК - управление компонентами; ПН -процедура устранения неопределенности.

Как правило, глобальная цель Се {й} имеет качественное описание, а ее коррекция производится ЛПР или системой управления. Степень достижения МС Се {С} характеризуется критериями (целевыми функциями) Г, определяющими эффективность функционирования МС. Каждой глобальной цели ставится в соответствие единственная целевая функция, т.е. Се Г1.

Целевая функция Г - шкала 5, характеризующая меру близости р к глобальной цели С. Коррекция й происходит, когда при функционировании МС складывается ситуация 57/, характеризующаяся набором факторов (ДР).

Целевая ситуация БИ - набор факторов, описывающих состояние МС в некоторый момент времени, требующий коррекции С. Целевая ситуация

13

представляется нечеткой ситуацией: Sit = {xf, )/х£ )}, xft е XF, где

j ei, i е L; Tj - термы лингвистической

переменной xfr

Сформулированы необходимые и достаточные условия коррекции глобальной цели. Необходимое условие: ЗР'е (pj: р = |Г'-Г*|, где Р' - способ

достижения глобальной цели G*; р = |Г-Г'| - оценка близости до цели.

Достаточное условие: Vt > 0; В Sit' е {Sit}: Д'< xf< AVxf->Sit'. Необходимое

условие коррекции глобальной цели - принципиальное наличие способа, позволяющего достичь указанной G*, а достаточное условие - попадание факторов, характеризующих Sit в требуемые интервалы оценок.

Методика МК1 реализуется в виде алгоритмов: формирования множества глобальных целей (рисунок 2); коррекции глобальной цели (рисунок 3).

^ Начало ^

^^ Начало ^

4 Блок 1

/Баод / «ходных / множеств /

I

▼ Бпок 2 ПОЛу>гнЖ» полного ] набора факторов I. коррекции глобальной Р

1

^ Конец ^

Рисунок 2 - Алгоритм формирования множества глобальных целей

Замена глобальной цели

1 ' Блосб

Формирование локальных целей

' Бпо* 7

Выбор методов (способов} достижения целей

Реализация достижение глобальной цели

^ Конец J

Рисунок 3 - Алгоритм коррекции глобальной цели

Для реализации принципов мультиструктурности и множественности математического описания предложена методика математического описания (МК2). Для этих целей построено дерево выбора, отражающее взаимосвязь ключевых составляющих, учитываемых при решении проблемы управления МС в условиях неопределенности. Древовидная структура представлена в матричной форме. Взаимосвязь между глобальной целью и локальными целями

описывается матрицей Aj

м>

Л

|, где т' - число глобальных целей; к' - число

локальных целей; вес связи между т'-й глобальной и к'-й локальной

целями. Аналогичным образом описывается взаимосвязь между локальными целями и математическими моделями (ММ) Л2 а также между ММ и

N

методами управления Л3 = jw^.j, где Г - число ММ компонент; п'Д2, вес связи между к'-н локальной целью и /'-й ММ; h' - количество способов управления; w^j, - вес связи между / '-й ММ и h '-м методом управления. Выбор ММ в случае выбора конкретной глобальной цели при условии воздействия определенных видов неопределенности реализован на основании Байесовского подхода. Для исключения некорректного выбора (проблема «неоптимальной» классификации) используются веса wfy.

Для реализации принципа множественности целей предложен метод распределения локальных целей (М1). Для этого расширено теоретико-множественное представление МС S = (l,MH,CN,OS,M), где 1 = {G,IZ} -совокупность целей (глобальных G и локальных 1г); О S = {KS, OrgS, GoS} -совокупность структур (компонентных KS, организационных OrgS и целевых GoS), реализующих цели, образованные конечным набором элементов системы Е; МН - механизмы, реализующие систему; CN = {CNms,CN0UTS) - совокупность факторов (внутренних CN,NS и внешних CN oms ) существования системы.

Cipyiciypa целей представлена кортежем GoS, = (/,/?,?, ), где Rc: МН множество дуг графа, соответствующее имеющим место отношениям подчинения; t, - момент времени. Формальная логико-лингвистическая модель цели системы

I =(n¡,VeF,Crj,(г,w),(г;vv)j, где N, - конечное множество имен целей на

множестве целей; VeF - есгесгвенно-языковое представление цели, когда она задается ЛПР в вербальной форме; Сг, - конечное множество целевых критериев (в том числе частных), функций и функционалов, характеризующих достижение цели; г - цель вышестоящего уровня иерархии целей, которой подчинена текущая цель; w - мощность отношения подчинения; г - цель подчиненного уровня иерархии; w

- мощность отношения подчинения.

Критерии достижения целей в МС должны удовлетворять требованиям |Г1 : простота —> измеримость -> репрезентативность -> чувствительность\. А структура целей GoS требованиям |7'2 : структурированность согласованность —> непротиворечивост ь -» полнотег|.

Сформулированы прямая и обратная задачи распределения локальных целей. Прямая задача распределения локапьных целей:

Vx <= Т, {К,} с OrgS^ih } е / : h Kt (1)

В момент времени т е Т требуется распределить между компонентами {К ¡} a OrgS ^ (компоненты образуют в момент времени теГ организационную структуру OrgS^ ) некоторое множество целей {lk}e I, т.е. обеспечить соответствие Ik —Unc > Ki, когда каждой К, распределяется единственная цель Ik (с учетом воздействия неопределенности Une). При этом в общем случае справедливо соотношение k>i (в момент времени хеТможет существовать

несколько наборов локальных целей, позволяющих достигать глобальную цель).

Обратная задача распределения локальных целей:

6 Т, {1к} е В{К,} с Ог^ : К, 1к (2)

В момент времени теТ для некоторого множества целей {¡к}е I требуется сформировать набор компонент {К/}с1 О^Б^, который обеспечит достижение соответствующих локальных целей в условиях различных видов неопределенностей Шс, т.е. обеспечить соответствие К, —и"с > 1к.

Количественная мера оценки качества решения задач: ; 1'к ]| < е , где р -

мера близости достижения локальной целью 1к требуемого значения 1к, т.е. попадание значения р в интервал величиной 2е свидетельствует о достижении Iк. Интервал времени А/, в течение которого обеспечивается выполнение условия ]р(/* - интервал достижения цели.

Решение прямой задачи распределения локальных целей синтезируется для взаимосвязанных целей МС в условиях неопределенности. Пусть элемент сложной системы е, <е Е,1 = \,Ь (Ь - число элементов в системе 5) — программный агент, реализующий поведение реального элемента в некоторой среде, полностью имитирующей функционирование реальной системы. Тогда компонента -коалиция элементов, т.е. К с Е,К , а КС — коалиционная структура компонент, т.е. Т.е. \К1,К2,—»^[о^ I и выполнены условия:

V/ е {1,...,|Огя4 Ц!Г' ^ = Я, V; ,7 е {1,...,|Ог^|}: / * ], К, п = 0.

Глобальная цель — коалиция локальных целей, т.е. 1а с /,/я * 0, а |/0| = 2а—1, А - число локальных целей компонент (Л*А). Компонента -обучаемый программный агент, а локальная цель - программный агент не способный самостоятельно выполнять действия и влиять на внешнюю среду, но способный изменить собственные характеристики: 12 = (А,Ь,д,С,Р,Т) , где А -алгоритм достижения /2; Ь - расположение 12 в пространстве координат, состояние, т.е. вербальная фиксация процесса достижения цели; С - подчиненность (порядок достижения цели по отношению к другим целям, например, могут принимать значения «предок», «потомок»); Р- цена, т.е. количество условных единиц прибыли, которые может получить компонента в случае достижения 12 с требуемой точностью; Т- время достижения цели.

Так как количество целей превышает число компонент И > т, то для выбора 12 компоненты введен обобщенный показатель выбора цели характеризующий ее мощность. Стратегия Лг, е {йг} поведения компоненты - последовательность локальных целей, которые достигнуты за время работы Т]. Комплексный критерий

(критерий оптимальности по глобальной цели Сга, ) характеризует эффективность и является векгорным критерием.

16

Задача распределения локальных целей для компоненты Kj сводится к формированию некоторого множества стратегий {Sir} и выбору из него наиболее эффективной Sir], Управление распределением локальных целей - обеспечение максимальной ценности группой компонент Q при достижении максимального выигрыша каждой из компонент: g=/({-£}, ;{/z}J->max.

При такой постановке может быть достигнута цель с высокой ценностью, но низкой эффективностью, поэтому дополнительно вводится вспомогательный критерий поиска Паретго-оптимального распределения Е = (its)), где

у/'* - функция эффективности «компонента - локальная цель», характеризующая требуемые для достижения цели ресурсы Rs; '{'г " Функция эффективности «компонента - локальная цель - система», характеризующая КС, т.е. возможности по использованию ресурсов каждой компонентой.

Критерий оптимальности - функция W на промежутке времени равном /р. В

общем случае W = а в частном случае W = J.W,. Основное

ограничение - время Т, в течение которого система не изменит свою КС.

В случае распределения целей {/,*} компонентам {К} когда промежуток времени не определен, решением будет компромисс, при котором выполняется условие Wj ->max,FF ->тах, то есть задача многокритериальной оптимизации:

тахагеЛйг W{Str) = WiStr *), где DStr - множество допустимых значений вектора варьируемых стратегий. На множестве DS:r введено отношение предпочтения Str)>-Str], которое означает, что стратегия у-ой компоненты Strj предпочтительнее стратегии Strj, если выполняется условие w{strlj)>w{strf), при этом можно выделить такую стратегию Strj, для которой нет более предпочтительных стратегий. В этом случае Strj - Паретго-оптимальное множество локальных целей. Ограничением является время достижения локальных целей Г, являющееся функцией доступных ресурсов Т = f(Rs). Нахождение Strj

требует построения эстетвного дерева решений, в котором вершина - локальная цель, а ветвь - связь между целями. До начала его построения необходимо выбрать первую локальную цель 1'У для каждой Кj при условии, что Wj = max.

Время стратегии характеризует глубину эстетивного дерева, а значение TSlrJ должно быть меньше времени, в течение которого существует неизменная

компонентная структура системы: TS!rJ <Т. Поиск паретго-

;=i

оптимального множества Str* производится модифицированным методом справедливых компромиссов. Справедливым является такой компромисс, при котором относительный уровень повышения суммарной мощности стратегии для

17

Kj не превосходит относительного уровня понижения суммарной мощности стратегий для других компонент. Мера относительного изменения мощности стратегий для KJ при переходе от Strv к стратегии Strb:

A^j(Strv,Strb) = --где .

абсолютное изменение значений суммарной мощности стратегий фДй7) при переходе от Strv к Strb. Стратегии Strv эффективнее Strb если выполнено условие:

Strb -» Strv, если |Дфшах (Strv, Strb )| > |дфга1п (Strv, Strb }. Алгоритм решения прямой

задачи распределения локальных целей представлен на рисунке 4.

^ Начало ^

L

Ввод локальных целей и начальных

1 f Блок 2

Построение

структуры целей 4

7

Выбор первой локальной цели для каждой компоненты

Построение эстет* вногс дерева для компонент

Формирование комплексного критерия W(Str)

L

Получение оптимальной стратегии Str*

1 ' Блок 10

•1

4 г Блок 11

Назначение компоненте Ki локальной цели И

Г Блок 12

М+1

Рисунок 4 - Алгоритм решения прямой зааачи формирования целей

Процесс решения обратной задачи формирования целей представлен в виде двух этапов — анализ и синтез. Анализ состоит из трех подпроцессов: ограничение множества локальных целей (ПП1.1), выбор критериев достижения целей (ПП1.2) и анализ компонент (111113). Синтез - процесс формирования компонентной структуры МС (ПП2.1). Подпроцесс П1.2 предполагает назначение каждой локальной цели /2, ,< = 1,п0 некоторого критерия Сгп е {Сг1}, который является измеримым и позволяет оценить степень достижения локальной цели на основе меры р. В рамках подпроцесса П1.3 осуществляется анализ возможностей формирования компоненты К1 для достижения локальной цели /й, что позволяет сформировать КС KomSj (П2.1), которая обеспечит решение обратной задачи

формирования локальных целей. Предполагается, что при анализе компоненты, обеспечивающие достижение соответствующей локальной цели будут выделены, в противном случае процесс П13 потребует нескольких итераций.

В соответствии с постановкой задачи момент времени г,- е Т - момент времени ввода ЛПР в систему управления структуры целей Наряду со связями

подчиненности и ценностями локальных целей требуется дополнить указанную структуру атрибутом механизм реализации цели. Механизм реализации цели М1г -совокупность состояний и процессов, обеспечивающих достижение локальной цели: Мь=(1г-\Сг,\-.Ах(Сгг.12)-Аг<Р\Сг,)-.р]Г Д). где ^(Сг7;/г) -алгоритм выбора наиболее подходящего критерия Сг, для цели Л2(р;Сг,) -алгоритм выбор наиболее подходящей метрики доя р; [ЛГ], - компоненты, наличие которых требуется для реализации Мь. Алгоритм решения обратной задачи представлен на рисунке 5.

Рисунок 5 - Алгоритм решения обратной задачи формирования целей

Ценность цели обуславливает первоначальный выбор, т.е. цель с максимальной ценностью будет иметь приоритет реализации механизма. Элемент, уже включенный в состав компоненты, выбывает из множества доступных элементов построения КС, т.е. имеет место соотношение ЗЯЬ а 5: Яь <£ К. Время

формирования компоненты для локальной цели - (д, ограничено: 1М < .

На реализацию механизма М¡г также оказывает влияние «удаленность» компонент друг от друга и от цели Удаленность рм (х) - количественная мера,

характеризующая близость в пространстве существенных для системы параметров. Формирование компоненты происходит при наличии следующих условий:

с 5 : Яь е К

•3 M!z:Rь->KJ (3)

/ </тах п <птах

}м -'М 'Рм -Рм

Для реализации принципа П5 предложена методика снижения влияния неопределенности (МКЗ), состоящая из трех этапов: Этап I. Снижение влияния неопределенности структуры МС; Этап 2. Снижение влияния неопределенности целей; Этап 3. Снижение влияния неопределенности данных.

Неопределенность структуры является следствием принципа мультиструктурности. Снижение влияния неопределенности структуры, возникающее в процессе проектирования и функционирования МС, производится в соответствии с подходом, основанном на учете пороговых значений I, и 1с:

¡1 Е1*/ Н \Н, /с = ^ф^ /у. Полученное на этапе проектирования

'А/ ) у

множество допустимых КС используется на этапе функционирования. Снижение влияния неопределенности целей производится на основе анализа их

принадлежности к 1,1,1.

Для реализации принципа П6 разработан метод группового управления компонентами (М2). Формализованная постановка задачи группового управления компонентами формулируется следующим образом.

Пусть существует некоторая система, состоящая из п элементов, функционирующих в среде Q и множество локальных целей {/¿},£ = 1,/и, объединяющее т целей (в общем случае т> п). Тогда набор достижимых локальных целей {/} с {/}, позволяющий группе достигать единую глобальную цель б - стратегия достижения С. Каждая локальная цель имеет вес ык,к = \,т, характеризующий условную стоимость ее достижения. Достижение 1к элементом предполагает выполнение последовательности операций = ^, г2 ^,..., к} |, где V - общее число операций. Каждая из операций требует затрат ресурса, т.е. имеет место ограничение < ЙЗ™3*, к) = ЯЗ] • Р, где Р - стоимость единицы

ресурса. Суммарная стоимость стратегии {/}* достижения С -РГ^ = ^ и^ .

' )

Тогда для МС необходимо выбрать такую стратегию {/} достижения С, что

Ж, —>тах, т.е. {/} с{/}:УУ, -»шах, при условии, что каждая компонента

осуществляет достижение локальной цели с максимальным значением \чк/. С

учетом этого задача группового управления компонентами в общем виде описывается следующим образом:

{/}' <= {/}: , -> тах^ —>тах, (4)

Время распределения локальных целей внутри группы совместно с процессом их достижения не должно превышал, установленного значения Дт, называемого тактом управления (время, в течение которого состояние МС не изменится): Тг < Дт < Тшах, где Ттгх - максимальное время функционирования МС.

Достижение глобальной цели МС 3 обеспечивается достижением целей Gh каждой из компонент (обозначим достигнутые цели 3 и Gh, т.о. 3 = 5|(7л =Ga,A = var). Тогда для компонентного уровня МС задача группового управления компонентами будет формализована как:: 3 = ^GA =Gh,h = \ ar

■ 3Gh: Э{/}* cz {/} : W. maxjw^ —max,w# =Rsj-P (5)

RSj < Rs™3*, T. <Ax

Основа метода - формирование компонент с децентрализованным управлением, когда отсутствует выделенный центр управления.

Состояние элемента МС в конкретный момент времени характеризуется вектором r(t), а действия определяются последовательностью \z^k],z2tj,...,zvkj\. Локальная система управления элементом синтезирует управляющее воздействие u(t), обеспечивающее выполнение операций и достижение Ij.

Достижение 3 обеспечивается последовательным выполнением следующих этапов (рисунок 6). Глобальную цель системы задает ЛПР, поэтому необходимо обеспечить ее проверку, т.к. наличие не достижимой и слабо определенной цели приведет к невозможности реализации метода. При этом существует возможность коррекции глобальной цели МС (алгоритм Y-0) системой управления.

Цели компонент распределяются исходя из даух аспектов: если на этапе проектирования МС для каждой возможной 3 найден соответствующий набор

21

достижимых Ск, то для 3 формируется требуемая КС и компонентам распределяются заранее известные цели (алгоритм У-1); если на этапе проектирования МС для каждой возможной 3 не найден соответствующий набор достижимых £7а или возникает ранее не рассматривавшаяся 3, то формирование КС и распределение целей компонентам осуществляется на основе алгоритма распределения целей компонент (алгоритм У-2).

Следующий этап реализации метода заключается в поиске целей {/}*, обеспечивающих достижение целей каждой из компонент (алгоритм У-З). При этом цели множества {/}* могут быть взаимосвязаны. Важным этапом является выбор первой операции, которую необходимо выполнить с учетом возможной взаимосвязи целей {/} (алгоритм У-4). После этого формируется последовательность операций, которую должен выполнить каждый элемент, входящий в каждую компоненту (алгоритм У-5).

При изменении условий внешней осуществляется перехода к этапу выбора {/}*. Последним этапом является проверка достижения всех локальных целей. Существует четыре уровня целей: уровень глобальной цели, уровень локальных целей компонент, уровень локальных целей элементов и уровень операций.

Алгоритм коррекции глобальной цели (алгоритм У-0) основан на предположении о том, что она корректируется ЛПР или интерпретатором в момент появления факторов коррекции. Т.к. 3 имеет качественное описание, то целевая ситуация описывается с нечеткими множествами второго рода. Для алгоритмов У-1 и У-2 исходными данными являются два множества — множество локальных целей и множество компонент. Критерии достижения целей должны удовлетворять требованиям в форме Т1, а иерархическая структура целей Т2. Реализация алгоритмов У-З и У-4 сводится к формированию множества {/*} и выбору из него наиболее эффективной ]'ь. Распределение целей элементов сводится к обеспечению максимального выигрыша компонентой при достижении максимального выигрыша каждым из элементов.

В четвертой главе решена задача группового управления активными компонентами на примере РТС. Задача управления ставится в форме (5), основной ресурс — расход батареи робота е„ ^, энергозатраты на достижение 1к роботом :

Ец = Л ц • у ). Присутствует ограничение вида Ек] + Е^ < Е}, где Е^ - заряд

V

батареи, требуемый для возврата к месту зарядки, общий заряд батареи. Тогда wkj={Ej -Е/у)-Р, где Р - стоимость единицы энергозатрат. Информация об

агенте-акторе представлена фреймом.

В качестве примера решена задача патрулирования мобильными роботами некоторого пространства внутри здания. Исходные данные: число роботов Kj,j = \,5\ число локальных целей (точек обхода) /¿,А = 1,30; площадь

патрулирования 4 х 12 в условных единицах. Глобальная цель сформулирована ЛПР в вербальной форме «Обеспечить обход всех требуемых точек в зоне

22

патрулирования имеющимися

роботами», структура целей уровневая, имеют место отношения «предок/потомок», мощности отношений одинаковы и равны единице.

Критерии достижения целей -совпадение координат робота в плоскости патрулирования с координатами точки обхода, критерии измеримы и имеют ясный физический смысл, противоречивые цели отсутствуют в силу особенностей синтезированной методики распределения при решении прямой задачи.

Множество локальных целей сгенерировано случайным образом, а его основные параметры: координаты местоположения в рисунок 7 . иллюстрация решения прямой задачи пространстве, время достижения распределения целей

цели, цена достижения цели и

взаимосвязи типа «предок/потомок» (число взаимосвязей генерируется случайным образом, но не более пята). Рассматриваемая задача может быть представлена графом, в вершинах которого помещаются цели, а ребра отражают взаимосвязи между целями. Пусть на первом шаге случайным образом сформирована структура,

показанная на рисунок 7а.

Затем рассчитывается обобщенный показатель выбора цели, на основании которого определяется первый шаг (рисунок 76), т. е. выбор роботом наиболее эффективной цели в смысле ее достижения и близости к роботу. Если два робота выбирают одну локальную цель, то ее достижение обеспечит робот, для которого значение обобщенного показателя будет наибольшим.

Следующий шаг - построение дерева взаимосвязей локальных целей и формирование множества возможных стратегий для 1-го робота (глубина этого дерева удовлетворяет условию времени существования группы роботов без изменения состава). Производится итерационный поиск Парето-оптимального

множества стратегий Бщ с максимальной мощностью. Результат - набор стратегий, выполнение которых имеет наибольшую суммарную ценность. После ранжирования получаем стратегию Бщ (рисунок 7в). Проведем сравнительную оценку синтезированного метода с решением прямой задачи распределения целей методом ускоренного улучшения плана (рисунок 8). Критерий сравнения - время распределения целей, т. е. время построения плана достижения целей.

Полученные данные свидетельствуют о повышении эффективности распределения локальных целей при решении прямой задачи с помощью

23

а - сформированное множество взаимосвязанных локальных целей;

6 Ч ^ !

* \Л ООО

«

'.А).

6 - определение первого шага

• 1

: 4 -£- - " •

Я'Я

* "сос

в - оптимальная стратегия для четвертого робота.

синтезированного метода, применение которого эффективно в диапазоне отношения «робот/цель» 1/35 - 1/13.

ь

§•>5

150 200 250

Число распределяемых лелей

■--11' " >..__ , -.

"....'....' ' ' Г'Г.

■ • • л ,Ц....._ 1 . »

.....* '1 г-~ Ч ~ * "

10 15

Число роботов

Рисунок 8 - Оценка эффективности управления - зависимость времени распределения целей от числа целей; 6 - зависимость времени распределения целей от числа роботов; 1 - синтезированная методика; 2 - метод ускоренного улучшения плана

Пятая глава посвящена реализации методологии управления для группы пассивных компонент на примере слабоформализуемых ПТС. Для каждого из трех уровней поставлены взаимосвязанные задачи. В соответствии с методикой описания ММ ПТС (МС) представляет собой совокупность моделей, образующих

к

ее процессов (пассивных компонент): Мхтс = ¡^1 ,р , где Мхгс - ММ группы

/=1

пассивных компонент, М,р - ММ г -ой пассивной компоненты. Каждая М,р в свою очередь - это система уравнений и соотношений, описывающая процессы, происходящие в компоненте:

м,Р = и м% и м]Р и М% и м'Р )п С,Р, (6)

где М% - модель гидродинамики, - модель массопередачи, М[Р -

модель теплопередачи, — модель уравнений кинетики химических

реакций, М\Р — интеллектуальная модель качественных параметров, С)7> — координирующие соотношения ММ.

В зависимости от целей моделирования и управления, а также уровня абстрагирования при построении ММ, составляющие (6) могут отсутствовать, что порождает множественность математического описания МС, представленной

I

набором пассивных компонент, т.е. имеет место соотношение: М!Р = |,

}=1

где м\р -I -я модель компоненты, I - число возможных ММ компоненты.

Компоненты взаимодействуют между собой (происходит последовательное перемещение потоков от одной компоненты к другой):

1

мхтс =

и ¿4> >1

где

- модель взаимодеиствия компонент.

г'

Наличие интеллектуальной ММ М;Р в структуре модели ПТС приводит к

необходимости привлечения экспертов для ее построения. Неопределенность структуры ММ вызвана наличием отличающихся мнений экспертов (в предельном случае) и требует устранения влияния данного типа неопределенности (рисунок 9).

¡Слабоформализуемая | ^

(MC) II

Слабоформализуемый| ТП (пассивная I » компонента)

I Технологический

аппарат 1 (процесс компоненты) I

Модель MC

Модель процесса внутри компоненты

Нечеткая когнитивная карта -ММ компоненты со

структурной неопределенностью

Рисунок 9 - Устранение неопределенности структуры модели

На уровне МС-А2 решена задача синтеза нечеткого локального регулятора для стабилизационной колонны процесса каталитического риформинга. Получено снижение времени переходного процесса и перерегулирования, а также существенное снижение степени затухания. Для уровня МС-А1 поставлена и решена задача оптимального управления компонентой (на примере каталитического процесса): минимизировать целевой функционал , при наложенных связях в виде гибридной модели компоненты /(*,,...,я^Ч',н)= 0 и

■с

ограничениях в виде неравенств 0,т.е. A = ^F(t)dt -> min, где F{t) -

о

целевой функционал, т - период квазистационарности; и - управляющее воздействие, xt е X - вектор входных координат; У - вектор состояния. Задача решается для нечетко заданной цели управления при наличии нечетких ограничений с применением схемы Беллмана-Заде и метода последовательного оценивания с применением квадратичной аппроксимации. В качестве ММ компоненты используется нечеткая когнитивная карта.

Для оценки эффективности методом полного перебора определяется глобальный минимум - FA/FG= 4.51, соотношение, рассчитанное по предложенному алгоритму составляет 4,51. Найденное значение соответствует минимальному значению суммы концентраций вредных соединений в выбросах в атмосферу 0,99 (% об.). Для найденного значения оптимального управляющего значения рассчитано значение величины ас, которое равно 1790 сут., что меньше необходимого всего на 0,6%. Решение поставленной задачи обеспечивает достижение минимума выбросов серосодержащих соединений при сохранении необходимой активности катализатора на межремонтный интервал.

На уровне MC-АО поставлена задача принятия решения и скоординированного управления группой пассивных компонент и предложены пути ее решения. Пусть

Н - множество неопределенностей задачи управления группой пассивных компонент, тогда he Н - конкретный тип неопределенности. Обозначим через U множество управляющих воздействий, тогда U' - подмножество допустимых управляющих воздействий. В этом случае X - множество возможных решений. Построим выходную Л (определяет структуру и содержание задачи принятия оптимальных решений), оценочную Н (отображает принимаемые решения на множество оценок Е) функции и функцию толерантности D: A:Y х Н xU —> X, Z:YxHxUxX D:YxH->E.

Сформулирована в общем виде постановка задачи принятия оптимальных решений. Пусть даны элементы / е У и подмножество Необходимо

определить такое управление м* е U' и соответствующий ему элемент х*еХ, при которых для всех he Н и для всех и е Uf {и Фи*) будет выполняться неравенство н(у°,u*,h,x*)<E(y°,u,h,x): D= inf н(у0,«,А,л).

В случае если существует возможность пренебречь Н, тогда задача вырождается в детерминированную задачу принятия оптимальных решений.

В шестой главе предложены подходы к организации человеко-машинного взаимодействия при управлении слабоформализуемыми многокомпонентными системами (для взаимодействия ЛПР - активная компонента).

С использованием комбинации алгоритма поиска ближайших соседей и K-d дерева, а также извлечения дескрипторов изображений заранее известной коллекции образов с применением библиотеки FLANN м алгоритма SURF решена задача распознавания множества объектов в ближней зоне автономного робототехнического комплекса. Полученные

результаты (таблица 1) свидетельствуют о

достижении системой

технического зрения и сенсорного очувствления требуемых значений скорости и точности распознавания нескольких объектов

одновременно.

Разработана

двухуровневая архитектура многоагентнои системы планирования движения робота в частично детерминированной среде с динамическими препятствиями на основе искусственных силовых полей (ИСП) (рисунок 10).

Агенты (А1-А7) обмениваются информационными сообщениями с распределенной подсистемой (содержащей массивы данных и методы работы с ними), а также между собой. Генерирующие агенты (AI-A2) находятся на первом уровне архитектуры. Они создают последовательность действий (генерируют траекторию) для обеспечения перемещения робота и контролируют текущее отклонение от заданной траектории. Реактивные агенты (АЗ-А7), расположенные

26

Таблица I - Скорость и точность распознавания

№ Кол-во объектов коллекции Кол-во входных изображе ний Ошибка Точность (%) Среднее время на обнаружение объекта (мс)

1 4 52 3 94,23 409,133

2 8 52 4 92,30 411,911

3 12 52 6 88,46 414,311

4 13 52 6 88,46 411,755

5 14 52 7 86,53 424,067

6 16 52 9 82,69 424,4

среднее значение 88,78 415,92

на втором уровне обеспечивают движение робота по сгенерированной траектории и действия по обеспечению безопасности перемещения.

Агент построитель окружающего пространства (А1) строит модель окружающей среды (карту движения), представленную графом. Карта строится на основе геометрического отображения множества точек и представляет собой набор сегментов пространства. Препятствия представляют собой ограниченные многоугольники, свободное пространство также ограничено.

Получение информации о топологии свободного пространства основано на методе построения диаграммы Вороного. Агент планировщик пути (А2) предназначен для выбора траектории движения, позволяет роботу планировать и выполнять высокоуровневые задачи, такие как: «Направляйся к отделу А», «Вызывай лифт» или «Перемести груз». Для него реализован алгоритм вычисления кратчайшего пути, обеспечивающий требуемую гладкость траектории. Агенты построитель локальной карты (АЗ), агент построитель силового поля (А4) и агент безопасный навигатор (А5) - это реактивные агенты, которые генерируют команды для объезда препятствий. Агенты АЗ и А4 на основании поступающих данных от сенсоров обновляют изображение, согласованное с реальным состоянием окружающей среды. Агент А5 через равные интервалы времени (такт управления) выполняет виртуальную навигацию в ИСП в реальном времени, тем самым определяя безопасный сегмент траектории, которая позволяет роботу успешно избегать столкновения с препятствиями, продолжая движение к целевой точке. Агент А6 вычисляет плавную траекторию движения до целевой точки. Агент предотвращения столкновения (А7) исключает любой контакт с элементами окружающего пространства и подвижными препятствиями. В ситуациях предшествующих столкновению происходит отключение механизма плавной навигации и замедление, либо останов двигателей.

Реализовано голосовое управление и интерпретирование голосовых команд в системе «робот - ЛПР». Составлен синтаксис голосовых команд (команды и запросы). Грамматика команд представлена с помощью РБНФ: <команда>::= <слово-команда> [<стоп-слово>]{<аргумент>}, <аргумент>::= <число>\ <ключевое слово>. Слово-команда определяет действие, которое должен выполнить робот. Аргументы уточняют действие команды. Запросы представляют собой аналог вопросительных предложений и имеют следующую грамматику: <запрос>::~ (<вопрос><объект> {<аргумент>}) \ (<вопрос> {<аргумент>}). Вопрос - это вопросительное местоимение (как, когда, где и другие). Объект - это сущность, о которой необходимо узнать информацию. Аргументы - это свойства объекта («скорость», «задержка») либо предикаты («включен»). Ответом на запрос может являться числовое либо строковое значение, а также логическое выражение.

27

Уровень реактивных агентов (УРОВЕНЬ 2)

| иаа*.да«ны» I [" Пхупщ» чвп, | [здант гаросги |-'"¡¡¡¡¡¡^¡¿¡й «

Г7Н „I к-р"

I I " Д.«»»».

>

Уровень генерирующих агентов (УРОВЕНЬ 1)

Рисунок 10 - Архитектура многоагентной системы планиювания движения

Разработана виртуальная машина (ВМ) с собственной системой команд. В системе используются словари. Из 55 слов сервер выдал 13 точных совпадений, система не смогла правильно обработать

Агент «Анализатор»

Добавлен и* индекса -

Изи*н«ни«/удал*ии» > Агент «Анализатор»

1 «Хранитель» |

Е

Коллекция документов

Рисунок 11 - Схема взаимодействия базовых агентов

сообщение в 12 случаях, сообщение обработано правильно в 30 случаях. Большая часть сообщений обработана верно. Для интерпретирования команд выбрана концепция программирования, управляемого данными и сопоставления с образцом.

Для обеспечения информационного поиска реализована многоагентная система, обеспечивающая поиск роботом требуемого документа, необходимо для ЛГТР (рисунок 11). Агент «хранитель знаний» обеспечивает эффективные механизмы операций для коллекции документов по конкретному ключевому термину (добавление, удаление, поиск с семантическим весом и пр.). Для решения этой задачи используется структура данных фибоначчиева куча. Проведен эксперимент для 2 агентов «анализаторов», 1 агента «хранитель знаний» и 8 агентов «обработчиков индексов». В результате работы агенты обрабатывали заданное количество документов, получая индексы по 1024 терминам. Каждый документ содержит не более 200 терминов. Проведен анализ временных затрат на обработку фиксированного количества запросов по заранее сформированным словарям с применением алгоритма Ахо-Корасик. Словари хранились в двух формах: с помощью таблиц базы данных, описанных в первом методе; в виде структуры данных бор. В ходе эксперимента создана база из N терминов, и сформирован список из N запросов, в который входит 50% тех терминов, которые присутствовали в словаре (рисунок 12). Как видно из рисунка 12 алгоритм Ахо-Корасика превосходит СУБД, использующие В-дерево и его модификации.

Количество '»оросов

--Бор -Полиномиальна» (501.) -Линейная (Бор)

Рисунок 12- Временные затраты на обработку фиксированного количества запросов

Полученные результаты подтверждают практическую значимость и целесообразность внедрения результатов данного научного исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ Общим результатом работы является научно обоснованное решение проблемы создания теоретических основ управления и моделирования слабоформализуемыми многокомпонентными системами в условиях неопределенности. При решении данной проблемы получены следующие

основные результаты:

1. Определен новый подкласс сложных систем на основе сформулированных классификационных признаков. Выделено три класса задач управления, для решения которых целесообразно применение методов интеллектуального управления и агентных технологий: управление группой активных компонент; управление группой пассивных компонент; поддержка принятия управленческих решений в системе «активная компонента - ЛПР».

2. Для данного подкласса сложных систем сформулирована концепция системного анализа и управления в условиях неопределенности, которая включает в себя совокупность взаимосвязанных принципов, достаточных для математического описания, моделирования и управления слабоформализуемыми многокомпонентными системами.

3. Разработана методология управления слабоформализуемыми многокомпонентными системами на основе агентных технологий и искусственного интеллекта, включающая в себя методики коррекции глобальной цели, математического описания, снижения влияния неопределенностей, а также методы распределения локальных целей и группового управления компонентами;

4. Разработаны алгоритмы и программное обеспечение, реализующие методологию, получено 5 свидетельств на оригинальные программы для ЭВМ.

5. В результате исследования эффективности предложенной методологии для решения выделенных в работе классов задач управления получены следующие результаты: для РТС обеспечивается повышение эффективности распределения целей на 50% в диапазоне отношения «робот/цель» 1/35 - 1/13; для ПТС положительный эффект получен на каждом из трех уровней рассмотрения, а именно на МС-А2 для регулирования параметров, на MC-AI для оптимального управления при нечетких целях и ограничениях, а также на уровне MC-АО при скоординированном управлении ПТС; для системы «активная компонента - ЛПР» при решении задачи распознавания объектов обеспечивается повышение точности на 8% и снижение времени распознавания на 10%, распознавание голосовых команд обеспечивается с требуемой точностью, а синтезированные алгоритмы информационного поиска обеспечивает увеличение скорости в 5 раз.

6. Результаты работы апробированы и внедрены в различные организации и предприятия, получены соответствующие подтверждающие акты. Учебные варианты программного обеспечения используются в учебном процессе Астраханского и Саратовского технических университетов при

подготовке инженерных и научных кадров.

Содержание работы отражено в следующих основных публикациях автора:

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ:

Монографии:

1. Щербатов, И.А. Управление сложными слабоформализуемыми многокомпонентными системами: монография / И. А. Щербатов. Ростов н/Д : Изд-во ЮНЦ РАН, 2015.-268 с.

Статьи в журналах, периодических изданиях, включенных в список ВАК РФ:

2. Щербатов, И.А. Распределение локальных целей в компонентных структурах сложных слабоформализуемых систем / И. А. Щербатов // Проблемы управления. - 2015. - № 1. - С. 19-29.

3.Нгуен, Туан Зунг Совместное распознавание подвижных и неподвижных объектов в системе технического зрения робота / Нгуен Туан Зунг, И.А. Щербатов // Мехатроника, автоматизация, управление. - 2015. -Т.16. - № 7. - С. 464-470.

4. Степанов, П.В. Многоагентная система планирования движения мобильного робота на основе искусственных силовых полей / П.В. Степанов, И.А. Щербатов // Мехатроника, автоматизация, управление. - 2015. - Т.16. -№5. -С. 307-313.

5. Щербатов, И.А. Управление группой роботов: компонентный подход / И.А. Щербатов, И.О. Проталинский, О.М. Проталинский // Информатика и системы управления. - 2015. - № 1(43). - С. 93-104.

6. Щербатов, И.А. Коррекция глобальной цели в интеллектуальных системах управления сложными слабо-формализуемыми системами / И. А. Щербатов // Автоматизация. Современные технологии. - 2014. - № 6. - С. 34-40.

7. Щербатов, И.А. Математическое моделирование сложных многокомпонентных систем / И.А. Щербатов, И.О. Проталинский // Вестник Тамбовского государственного технического университета. - 2014. Т. 20. - № 1. -С. 17-26.

8. Щербатов, И.А. Система интерпретирования голосовых команд для управления мобильным роботом / И.А. Щербатов, И.О. Проталинский, В.А. Бородин // Мехатроника, автоматизация, управление. -2014. - № 6. - С. 14-18.

9. Джамбеков, A.M. Разработка нечеткой системы управления процессом вторичной переработки бензина / A.M. Джамбеков, И.А. Щербатов // Геология, география и глобальная энергия. - 2014. - № 3 (54). - С. 89-93.

10. Джамбеков, A.M. Управление процессом каталитического риформинга на основе экспертной информации / A.M. Джамбеков, И.А. Щербатов // Системы. Методы. Технологии. - 2014. - № 4 (24). - С. 103-111.

11. Щербатов, И.А. Математические модели сложных слабоформализуемых систем: компонентный подход / И.А. Щербатов // Системы. Методы. Технологии. - 2014. - № 2 (22). - С. 70-78.

12. Нгуен, Туан Зунг Распознавание объектов в системе технического зрения мобильного робота: использование библиотеки FLANN и алгоритма SURF / Нгуен Туан Зунг, И.А. Щербатов // Прикаспийский журнал: управление и высокие технологии. - 2014. - № 4 (28). - С. 65-76.

13. Щербатов, И.А. Неопределенность в задачах моделирования и управления сложными слабоформализуемыми системами / И.А. Щербатов // Вестник НГУЭУ. - 2014. - № 3. - С. 306-321.

14. Щербатов, И.А. Сложные слабоформализуемые многокомпонентные технические системы / И.А. Щербатов, О.М. Проталинский И Управление большими системами: сборник трудов. - 2013. - № 45. - С. 30-46.

15. Щербатов, И.А. Концепция системного анализа сложных

30

слабоформализуемых многокомпонентных систем в условиях неопределенности / И.А. Щербатов // Современные технологии. Системный анализ. Моделирование. - 2013. - № 2. - С. 28-35.

16. Щербатов, И.А. Классификация неопределенностей в задачах моделирования и управления сложными слабоформализуемыми системами / И.А. Щербатов // Вестник Саратовского государственного технического университета. -2013. - №1(69). - С.175-179.

17. Карихманова, А.С. Функционирование слабоформализуемой многокомпонентной системы в условиях неопределенности / А.С. Карихманова, И.А. Щербатов // Современные проблемы науки и образования. -2013. - № 2; URL: http://www.science-education.ru/108-8935 (дата обращения: 04.03.2015).

18. Щербатов, И.А. Classification of pure formalized complex multicomponent technical systeras under conditions of uncertainty / И.А. Щербатов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2012. - № 2. - С. 9-13.

19. Проталинский, И.О. Координация работы промышленных манипуляторов на основе сенсорной информации / И.О. Проталинский, И.А. Щербатов // Датчики и системы - 2010. - № 8. - С. 28-32.

20. Голубкин, И.А. Универсальная сенсорная подсистема мобильного колесного робота / И.А. Голубкин, И.А. Щербатов // Датчики и системы - 2010. -№ 8.-С. 32-35.

21. Проталинский, И.О. Исследование эффективности группового управления роботами методом имитационного моделирования / И.О. Проталинский, И.А. Щербатов // Вестник Саратовского государственного технического университета. -2010. - №4(50). - С.34-37.

22. Щербатов, И.А. Интеллектуальное управление робототехническими системами в условиях неопределенности / И.А. Щербатов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика.-2010. -№ 1.-С. 73-77.

23. Проталинский, О. М. Система поддержки принятия решений для операторов слабоформализуемых ТП / О.М. Проталинский, И.А. Щербатов // Автоматизация в промышленности. - 2009. - №7.- С. 41-45.

24. Щербатов, И.А. Снижение объемов промышленных выбросов крупнотоннажных установок с использование экспертной информации / И.А. Щербатов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. -2009. - № 1 (48). - С. 121-125.

25. Щербатов, И.А. Формализация процедуры принятия решений оператором в моноэргатической системе / И.А. Щербатов, И.О. Проталинский // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2009. - № 1 (48). - С. 126-129.

26. Проталинский, И.О. Архитектура системы взаимодействия промышленных манипуляторов / И.О. Проталинский, И.А. Щербатов // Вестник

31

Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика.-2009.-№ 2 (49).-С. 76-82.

Статьи в зарубежных изданиях, индексируемых в БД SCOPUS:

27. Shcherbatov, I.A. Analysis and Modelling of Complex Engineering Systems Based on the Component Approach / I.A. Shcherbatov, O.M. Protalinskii, V.N. Esaulenko // World Applied Sciences Journal (Information Technologies in Modern Industry, Education & Society). - 2013. № 24. - P. 276-283.

28. Protalinskii, I.O. Optimal Strategy Synthesis for a Group of Mobile Robots with Variable Structure / I.O. Protalinskii, I.A. Shcherbatov, N.D. Shishkin // World Applied Sciences Journal (Information Technologies in Modem Industry, Education & Society). - 2013. № 24. - P. 268-275.

Свидетельства об официальной регистрации программ для ЭВМ:

1. Мультиробот 1.0. [Электронный ресурс] / О.М. Проталинский, И.А. Щербатов, И.О. Проталинский, И.А. Голубкин. - Электрон, прогр. - Астрахань, 2010. - Свидетельство ГР прогр. для ЭВМ № 2010614538; заявка № 2010612821 от 24.05.2012; зарегистр. в Реестре программ для ЭВМ 09.07.2010.

2. Агент-хранитель знаний [Электронный ресурс] / О.М. Проталинский, И.А. Щербатов, И.О. Беляев. - Электрон, прогр. - Астрахань, 2012. - Свидетельство ГР прогр. для ЭВМ № 2012614511; заявка № 2012612021 от 20.03.2012; зарегистр. в Реестре программ для ЭВМ 18.05.2012.

3. Агент-анализатор контента [Электронный ресурс] / О.М. Проталинский, И.А. Щербатов, И.О. Беляев. - Электрон, прогр. - Астрахань, 2012. - Свидетельство ГР прогр. для ЭВМ № 2012614512; заявка№ 2012612022 от 20.03.2012; зарегистр. в Реестре программ для ЭВМ 18.05.2012.

4. Обнаружение препятствий в системе технического зрения робота v 1.00 [Электронный ресурс] / И.А. Щербатов, Нгуен Туан Зунг. - Электрон, прогр. -Астрахань, 2015. - Свидетельство ГР прогр. для ЭВМ № 2015614802; заявка № 2015611667 от 12.03.2015; зарегистр. в Реестре программ для ЭВМ 28.042015.

5. Система управления мобильным колесным роботом для внутритрубной диагностики газопроводов [Электронный ресурс] / И.А. Щербатов, И.А. Голубкин. - Электрон, прогр. - Астрахань, 2015. - Свидетельство ГР проф. для ЭВМ № 2015616568; заявка № 2015613446 от 27.04.2015; зарегистр. в Реестре программ для ЭВМ 15.062015.

Подписано в печать 07.09.2015 г. Тираж 100 экз. Заказ № 314 Типография ФГБОУ ВПО «АГТУ», тел. (8512) 61-45-23. Г. Астрахань, ул. Татищева, 16 ж

32