Введение в интеллектуальные системы управления

Лекция №1

Лекция 3

Пример с уровнем воды в баке

Мы теперь постараемся приблизиться к представлению о правилах нечеткого управления. В предпосылке

Если уровень воды в баке является низким,

ясно, что низкий является нечеткой переменной, другими словами, значением лингвистической переменной уровень. Терм низкий может быть представленв компьютере как вектор с названием низкий. Этот вектор определяется на универсуме, который включает весь диапазон ожидаемых значений уровня, т.е. включает интервал наполнения бака [0,100] в процентах. Само измерение уровень является скаляром, а высказывание (утверждение) уровень в баке является низким ищет значение функции принадлежности низкий(i). При этом измерение уровень округляется до ближайшего элемента в универсуме, чтобы найти соответствующий индекс i. Результатом всех этих операций

Рис. 1.4

является число, степень принадлежности , показывающее, насколько хорошо выполняется предпосылка. Если, например, =0,7, то элемент на 70% принадлежит к нечеткому множеству. Рис. 1.4 демонстрирует возможное определение терм-множества {низкий, высокий} для задачи с уровнем воды в баке. Если дискретный универсум представлен значениями

u = [ 0 20 40 60 80 100 ],

то измерение уровень, например 44 %, округляется до ближайшего элемента в универсуме, т.е. до 40 %. При этом, нумеруя по порядку элементы универсума, для данного измерения получаем i=2.

В последние десятилетия во всем мире разработкам технологии интеллектуального управления уделяется большое внимание. Это обстоятельство обусловлено главным образом тем, что традиционные технологии не могут обеспечить требуемого высокого качества управления сложными многомерными и нелинейными объектами в условиях, когда модель процесса является в большой степени неопределенной, представляет собой «серый» или даже «черный» ящик. В подобных случаях весьма важной проблемой является возможность системной обработки знаний о процессе, другими словами, важен человеческий фактор, а именно знания экспертов, операторов объектов управления, диалог с пользователями (например, с потребителями продукции).

Интеллектуальность систем управления как раз подразумевает их способность моделировать творческие возможности человека, обрабатывать и использовать его знания для управления трудно формулируемыми процессами.

В настоящее время выделяют триаду технологий, мотивированную интеллектом человека: нечеткие системы (представляет знания человека, его способность логически мыслить), искусственные нейронные сети (адаптация, обучение) и генетические алгоритмы (оптимизация). Эту триаду часто называют вычислительным интеллектом (computational intelligence) или мягкими вычислениями (soft computing).

Когда следует применять интеллектуальное управление? Для управления сложными неопределенными ОУ с жесткими требованиями к качеству. Какими свойствами обладают интеллектуальные системы?

1) Способностью к обучению: способностью модифицировать свои свойства при изменении внешних и внутренних условий работы;

2) Способностью к адаптации: способность работать (оперировать) в условиях неопределенности путем непрерывной оценки неизвестной заранее информации об объекте управления и внешних воздействиях;

3) Способностью иметь дело со сложными ОУ, которые характеризуются нелинейной динамикой и многочисленными разнообразными режимами работы;

4) Автономией: способностью работать в условиях неопределенности длительное время самостоятельно без вмешательства человека.

Неопределенности включают:

а) неопределенности в модели объекта как сигнальные (возмущения, шум измерения), так и модельные (ошибки моделирования),

б) заранее непредсказуемые изменения окружающей среды,

в) неполную, противоречивую и ненадежную информацию от датчика,

г) неисправности исполнительного устройства.