Глава 1. Виды интеллектуальных вычислений и их взаимосвязь
Предисловие авторов
Технология мягких вычислений, разрабатываемая интенсивно последние 25 лет (с 90-х прошлого столетия), способна решать задачи управления слабо структурированными объектами управления, столь актуальные для общей теории и практики проектирования систем управления.
Инструментарий технологии мягких вычислений основан на нечетких системах (нечеткие множества, нечеткая логика, нечеткие регуляторы и др.), моделях нечетких нейронных сетей, на генетических алгоритмах (а также включая иммунные алгоритмы, алгоритмы оптимизации на основе поведенческих реакций групп животных, птиц, муравьёв, пчёл и т.п.).
Решение задач оптимизации на основе генетических алгоритмов, а также обучения и адаптации на основе нечетких нейронных сетей и нечетких систем управления, создало предпосылки для создания базиса инженерного инструментария проектирования робастных интеллектуальных систем управления. Такие системы обеспечивают достижение целей управления в условиях информационного риска, неполной исходной информации о целях управления и непредвиденных (нештатных) ситуациях.
Появление новых объектов управления (таких как микро-нано-роботы, сложные автоматизированные производства на основе безотходной технологии, самоорганизующиеся биотехнические системы с переменной структурой, социотехнические системы с неопределенным человеческим фактором), необходимость ликвидации последствий техногенных катастроф на АЭС, ГЭС и др. привело к необходимости повышать уровень интеллектуальности проектируемых и эксплуатируемых систем управления.
|
|
|
К сожалению, в отечественной и зарубежной литературе теоретические и практические вопросы проектирования интеллектуальных систем управления освещены частично, а учебные университетские программы обучения поверхностно освещают или совсем не включают перечисленные вопросы.
Данный факт объясняется отсутствием накопленного отечественного опыта проектирования и эксплуатации интеллектуальных систем управления, отсутствием принципиального решения задачи теории интеллектуальных систем: извлечение, обработка и формирование объективных знаний из динамического поведения объекта управления для проектирования соответствующих баз знаний.
В результате, на практике используется по существу инструментарий экспертных систем или технологии мягких вычислений без обеспечения необходимого уровня робастности систем управления.
Авторы предлагаемой читателю книги поставили своей целью изложить базовые вопросы проектирования интеллектуальных систем управления на основе технологий мягких вычислений, используя накопившийся практический опыт работы проектирования интеллектуальных систем управления для реальных объектов управления в проектах Yamaha Motor Co., Ltd. (1995 – 2007гг) и ST Microelectronics/SGS Thomson (1992 – 2007гг).
|
|
|
Под руководством академика Б.Н. Петрова (вице-президент АН СССР, председатель «ИнтерКосмос», академик-секретарь отделения «Механика и процессы управления» АН СССР) данная работа была начата в 1973 г.
Первые результаты были представлены в докладе на IFAC в 1978г., Хельсинки (Финляндия) с представлением доклада L. Zadeh. Первая книга, посвященная решению проблемы проектирования нечетких систем управления, была написана группой академика Б.Н. Петрова и опубликована в 1978г. в СССР в издательстве «Наука».
При написании данной книги использован также многолетний опыт чтения лекций в МИРЭА (1982 – 1992гг), University of Electro-Communications (Tokyo, Chofu, 1994 – 1997гг) и 
di Milano (Milano, Italy, 1997 – 2005гг), а также многочисленных выступлений на Международных конгрессах и семинарах по интеллектуальным вычислениям и интеллектуальным системам управлениям.
Предлагаемая читателю книга подводит итоги работы школы профессора С.В. Ульянова в области разработки технологии проектирования интеллектуальных систем управления на основе мягких вычислений.
|
|
|
При работе над книгой по возможности учтены предложения и замечания А.Н. Райкова, А.П. Рыжова, А.Н. Аверкина, А.В. Язенина, С.В. Сорокина, Р.А. Алиева, А.Н. Мелихова, L. Zadeh, M. Jamshidi, T. Fukuda, T. Hagiwara, K. Takahashi, G.G. Rizzotto, G. Degli Antoni, и мн. др.
Авторы считают своим приятным долгом поблагодарить своих оппонентов и коллег за полезные замечания. Замечания, по мнению авторов книги, несомненно, послужили улучшению качества изложения материалов. Естественно, что за качество материалов книги в целом несут ответственность авторы и научный редактор.
Материалы книги написаны совместно с О.Ю. Тятюшкиной (Главы 2, 3.2.1, 6, 7.5); и Е.В. Колбенко (Главы 1, 2, 3.2.2.1, 5.2.2.2, 6); глава 7 написана в соавторстве с М. В. Лобачевой и Г.А. Ефимовым.
Общее оформление книги осуществлено Е.В. Колбенко.
Авторы считают своим приятным долгом выразить благодарность своим коллегам за активное участие в подготовке книги к публикации, а также глубокую признательность Ю.С. Сахарову, Е.Н. Черемисиной, А.В. Мурадяну (ВНИИ Геосистем) и С.А. Пронину (PronetLabs) за научно-организационную и финансовую поддержку данной книги.
Введение
Применение современных интеллектуальных систем управления (ИСУ) осуществляется в различных практических областях: начиная от сложных макрообъектов управления типа космических летательных аппаратов (КЛА) и заканчивая квантово-механическими моделями нанотехнологий (на микро- и наноуровнях). Общим для таких объектов управления (ОУ) является функционирование в условиях информационного риска и непредвиденных (нештатных) ситуаций управления.
|
|
|
Подобные ОУ представляют собой сложные, слабо структурированные динамические системы с существенно-нелинейными связями, обладают локальной и глобальной неустойчивостью по части обобщенных координат. Математические модели таких ОУ представляют собой объективный источник извлечения знаний для формирования соответствующих баз знаний (БЗ) проектируемых ИСУ.
Под термином БЗ понимается стандартное для теории нечетких систем управления определение БЗ [1] в виде конечного множества продукционных логических правил (look-up table) определенной модели нечеткого вывода с конкретными типами и параметрами функций принадлежности, формирующих законы управления ОУ. Параметры и тип функции принадлежности хранятся в базе данных (БД) нечеткого регулятора (НР).
Предлагаемая читателю книга состоит из двух частей.
Тематика книги посвящена решению трудного в теоретическом плане и актуального для практики вопроса проектирования объективных БЗ в самоорганизующихся ИСУ слабо структурированными ОУ, функционирующих в условиях непредвиденных (нештатных) ситуаций управления и информационного риска.
Процесс извлечения, обработки и формирования знаний, и проектирования БЗ основан на технологиях интеллектуальных вычислений: мягких вычислений (Часть 1) и квантовых вычислений (Часть 2).
В общем случае рассматриваемый процесс проектирования связан с решением многокритериальной задачи, т.е., с необходимостью учета в БЗ интеллектуального управления различных физических критериев (термодинамических, релятивистских и квантовых эффектов на основе неравновесной термодинамики диссипативных структур, общей теории относительности и квантовой механики соответственно).
Важную роль при формировании уровня интеллектуальности систем автоматического управления (САУ) играет выбор используемого инструментария технологии интеллектуальных вычислений[1] для проектирования соответствующей БЗ при заданной цели управления.
Данный подход составляет научную содержательную часть предлагаемого двухтомника. Теоретические основы и практическое применение такой технологии проектирования ИСУ составляет содержательную практическую часть учебного пособия.
Содержание и структура двухтомника имеет принципиальное отличие от ранее изданных работ по исследованию и разработке ИСУ [2 – 5], и представляет новое направление в области исследования, разработки и проектирования ИСУ.
Выделим некоторые важные особенности разработанного подхода к структурному проектированию моделей интеллектуального управления и его отличия от [1 – 5].
1. Одним из основных назначений и преимуществ эффективного применения ИСУ является возможность гарантированного достижения цели управления с максимальным качеством управления на верхнем уровне и минимальным расходом полезного ресурса системы «объект управления (ОУ) + регулятор» на нижнем (исполнительском) уровне иерархической системы автоматического управления [6]. На содержательном уровне данная возможность отражает назначение целенаправленной деятельности ИСУ: достижение цели управления в общем случае непредвиденных ситуаций управления. При этом эффективность применения ИСУ зависит от уровня интеллектуальности [7] разработанной системы (формы, вида и типа глубинного представления знаний [8]).
2. В задачах управления достижение цели управления в условиях информационного риска и непредвиденных (или нештатных) ситуаций управления достигается за счет поддержки свойства робастности функционирования сложного слабо структурированного ОУ с применением ИСУ и интеллектуальных вычислений. С алгоритмической точки зрения эффективное решение актуальной проблемы обеспечения устойчивого функционирования ОУ в условиях неопределенности и сохранения робастности ИСУ означает, что в используемом алгоритме достижения цели управления выполняются следующие необходимые и достаточные (в общем случае антагонистические) условия [9, 10]: 1) минимум исходной информации о внешней среде (или о возмущении, действующего на ОУ); 2) минимальный расход обобщенного полезного ресурса в ОУ и ИСУ. Следовательно, разработка корректного алгоритма проектирования робастности ИСУ является одной из актуальных задач современной теории и систем управления; одновременно данная проблема относится к сложной и слабо исследованной области разработки ИСУ, способных эффективно и надежно функционировать в условиях информационного риска и непредвиденных ситуаций управления [2 – 5].
3. Согласно [11], традиционный в теории управления пропорциональный-дифференциальный-интегральный (ПИД)-регулятор используется в более чем 85% САУ. Поэтому одной из важных конкретных (теоретических и практических) проблем в создании ИСУ является разработка методов и алгоритмов повышения надежности и качества управления исполнительского (нижнего) уровня САУ, основанного на традиционном ПИД-регуляторе. При этом, следуя [12, 13], выполняется принцип «неразрушения исполнительского уровня», что приводит к дополнительному эффективному использованию существующих технологических процессов и повышенному экономическому эффекту от их применения. Внедрение НР совместно с ПИД-регулятором привело к созданию гибридных нечетких ИСУ с различными уровнями интеллектуальности в зависимости от полноты и корректности спроектированной БЗ [7]. Структура нечеткого самоорганизующегося ПИД-регулятора с определенным уровнем интеллектуальности [7] была введена в [10] и используется в данной книге.
4. Системный анализ разработки и проектирования ИСУ тесно связан с необходимостью корректного учета существующих физических ограничений на модель ОУ. Ограничения на описание динамического поведения сложного физического ОУ (в частности, на предельную точность процессов измерений и управления; выбор модели пространства-времени и др.) накладываются известными физическими законами (исходя из таких дисциплин, как статистическая механика, теория относительности, термодинамика, теория информации и квантовая механика).
Например, на практике могут использоваться следующие ограничения: 1) термодинамические ограничения на физическую реализацию математических моделей ОУ; 2) релятивистские ограничения на передачу данных; 3) различные типы обобщенных информационных соотношений неопределенности Гейзенберга; 4) квантовые ограничения на пропускную способность передачи информации с учетом термодинамических флуктуаций; 5) квантовые оценки предельных возможностей точности измерений параметров ОУ и процессов управления в нанотехнологиях; и мн. др.
Поэтому физические ограничения должны быть учтены в технологии проектирования объективных БЗ в ИСУ.
5. В системном анализе и теории управления известно, что в общем виде математическая модель является приближением (с неизвестной, в общем случае, ошибкой аппроксимации) описания конечного физического ОУ, а физическая модель ОУ корректна (обладает свойством полноты) только в рамках действия применяемого физического закона. Менее известно, как оценить точность применяемого способа аппроксимации, и ещё меньше - как доказать корректность (например, по нескольким заданным и часто плохо определенным критериям) и полноту разработанной модели (в смысле информативности представления описания свойств заданного физического ОУ).
Сами ошибки аппроксимации могут иметь характер различной природы: 1) ошибки численного интегрирования дифференциального уравнения, описывающего движение нелинейного ОУ; 2) ошибки геометрического характера в виде некорректного выбора модели пространства-времени, например Евклидова пространства вместо пространства Римана, Лобачевского или Финслера; 3) ошибки физического характера в виде выбора модели описания ОУ, например, на макроуровне вместо рассмотрения модели ОУ на микроуровне; 4) ошибки логического характера в виде выбора модели интерпретации результатов физического (или мысленного) эксперимента в рамках Булевой логики, вместо применения методов нечеткой, вероятностной, квантовой или релятивистских логик, например, для интерпретации проявления нелокальности в свойствах квантовой системы или явления телепортации, или парадокса Эйнштейна-Подольского-Розена (ЭПР); и др.
В системном анализе и теории сложности алгоритмов поиск решения таких задач относится к алгоритмически неразрешимой массовой проблеме [14].
6. Вопросы робастной аппроксимации моделей нелинейных ОУ, нечувствительной к ошибке (неточности аппроксимации), обсуждаются в теории и систем управления, по существу, начиная с самого начала становления теории автоматического регулирования – ТАР. Этот факт связан с необходимостью анализа и синтеза нелинейных моделей исполнительных устройств типа сервомеханизмов, электромеханических и других систем. Требования оценки корректности и точности линеаризации нелинейных моделей, с одной стороны, и границ точности аппроксимации непрерывных моделей дискретными аналогами (типа моделей численного интегрирования дифференциальных уравнений методом Рунге-Кутта), с другой стороны, поставили вопрос о выборе, полноте и корректности модели ОУ [15, 16].
7. Формальное (корректное) описание модели ОУ служит источником извлечения и формирования объективных знаний из динамического поведения ОУ. Поэтому разработка логически непротиворечивых и адекватных (корректных) моделей ОУ с целью эффективной реализации ИСУ новыми видами современной техники является одной из актуальных проблем для современного этапа развития теории и систем управления. Структура ИСУ должна учитывать отмеченные особенности формирования моделей ОУ и проектирования соответствующих робастных БЗ, максимально нечувствительных к изменениям ситуаций управления. В результате реализуется новый принцип теории и систем управления: неполнота знаний в описании моделей объектов и процессов управления компенсируется применением робастных БЗ, спроектированных на основе соответствующих интеллектуальных вычислений.
8. Введенная (в 1973г., Заде) гипотеза аппроксимации модели ОУ логическими нечеткими отношениями «вход – выход» ОУ, рассматриваемого в виде черного ящика, на первом этапе была воспринята, как одно из эффективных инженерных решений для проектирования систем управления сложными, слабо структурированными ОУ. Например, японская фирма «Омрон» разработала класс коммерчески привлекательных нечетких регуляторов (НР) и реализовала их в промышленности в середине 90-х прошлого столетия с прибылью более 2 млр. дол. Однако сами НР имели максимум 2 входа и один выходной сигнал, что позволяло использовать экспертные знания для формирования БЗ. При количестве входных сигналов более трех и количестве выходных сигналов более двух построение корректных БЗ с помощью экспертных оценок представляет сложную задачу. В результате и сама фирма «Омрон» практически остановила дальнейшее развитие данного направления. Поэтому требуется новые разработки в области проектирования НР, что и было сделано в данной книге.
9. Повышение требований к точности описания моделей управления в нанотехнологиях с учетом квантовых эффектов (например, исполнительных устройств - квантовых электромеханических систем) приводит к логическому переходу в квантовую область процессов измерений и управления на атомно-молекулярном уровне. В свою очередь, происходит неизбежный пересмотр физических основ самой теории управления. Аналогичный результат получен при разработке основ квантовой теории информации и квантовых вычислений, приведших к пересмотру аксиоматики моделей физических вычислений и логическому обобщению тезиса Тьюринга-Черча. Многие из перечисленных проблем физической теории и систем управления рассматривались ранее в [6]. Были рассмотрены конкретные примеры и получены важные выводы о необходимости учета физической природы самого ОУ в структуре и предельных возможностей процессов управления.
Более подробно данные и смежные вопросы рассмотрены в Части 2 данной книги.
Роль корректной интерпретации физической и математической моделей эксперимента [17] , взаимосвязь с необходимым уровнем полноты знаний, извлекаемых при измерении, алгоритмическая сложность математических моделей ОУ и влияние перечисленных факторов на робастность формируемой БЗ в ИСУ (функционирующих в динамически изменяющихся непредвиденных ситуациях управления) в теории управления практически не исследовались.
10. Принципиальное значение при формировании объективных знаний имеет глобальная оценка функциональной реализуемости аппроксимации моделей при наличии логико-информационных границ и физических (термодинамических, квантово-релятивистских) ограничений на описание реальных нелинейных ОУ. На основе достоверности извлекаемого количества информации определяется информационная оценка приращения риска (статистической корректности) формируемого описания модели ОУ, и границ её применимости. Исходного количества информации и интуитивного представления в виде информированности исследователя может оказаться недостаточным для формирования корректной модели ОУ; кроме того, сформированная модель может содержать структурные элементы неопределенности.
Оценка корректности модели в виде приращения риска из-за редукции данных измерения при мешающих параметрах в процессах измерения носит нелинейный характер зависимости от информационной дивергенции – расхождения (меры информированности исследователя) оценок качества модели ОУ.
Следовательно, интуитивный инженерный подход к разработке приближенных (расчетных) моделей ОУ, носящий зачастую вид линейной зависимости от количества извлекаемой информации о параметрах структуры ОУ, может привести к существенному расхождению в точности и с необходимым качеством формирования корректного описания ОУ. Данный вывод усиливается при исследовании моделей квантовых и релятивистских ОУ. Такие модели требуют для корректной интерпретации привлечения нестандартных (квантовой и релятивистской) логик, обладающих многими «парадоксами» логического вывода и суждений. Разрешение таких «парадоксов» связано с решением т.н. проблемы Вундгейлера [18, 19] корректного описания моделей. На необходимость использования таких видов нестандартных нечетких логик при исследовании вопроса корректности и физической реализуемости математических моделей ОУ было указано в работе [20].
Приведенный пример показывает, что помимо физических ограничений, на корректность описания и достоверность извлеченных знаний из модели ОУ существенное влияние оказывают также и информационные границы на применимость разработанной модели. В теории и систем управления одним из эффективных подходов снижения риска принятия решения (от неполноты описания модели ОУ) является разработка робастных структур ИСУ.
Особенности физических ограничений и информационных границ рассматриваются с новой позиции в теории интеллектуального управления: возможности формирования БЗ с требуемым уровнем робастности в процессе проектирования ИСУ путем извлечения знаний и ценной информации из динамического поведения модели самого физического ОУ.
Корректное описание модели ОУ существенно влияет на качество формируемой БЗ и, таким образом, на эффективность применения разрабатываемых структур ИСУ. В частности, в книге дана информационная оценка (нижних и верхних) границ риска, возникающего из-за необходимости учета ограниченных возможностей информированности исследователя о свойствах ОУ и влияющего на качество разработки математической модели исследуемой системы.
В первой части книги описаны теоретические основы, программный инструментарий и его применение для извлечения, обработки знаний и формирования БЗ в ИСУ, основанный на технологиях мягких вычислений и стохастического моделирования. Основные результаты были получены на основе проектирования оптимальной структуры нечёткой нейронной сети (ННС) с использованием генетического алгоритма (ГА) и различных физических и информационных критериев, а также процессов обучения ННС и ее дальнейшей оптимизации на основе ГА.
Инструментарий мягких вычислений включает в себя, в частности, методы стохастического моделирования ОУ с использованием нового физического критерия качества управления. Введенный критерий базируется на принципах термодинамики необратимых процессов в виде минимума скорости производства энтропии как в ОУ, так и в самой системе управления (минимум потерь полезной обобщенной работы), включая также и критерий «минимума ошибки управления».
Введены термодинамические условия на интерпретацию физической реализуемости (инвариантных к возмущениям) динамических систем управления, на точность аппроксимации модели ОУ и полноту формирования робастных БЗ в ИСУ с глубинным представлением знаний. Применение такого критерия обосновано необходимостью минимизировать расход полезного ресурса как в ОУ, так и в интеллектуальном регуляторе.
С помощью стохастического моделирования создается ансамбль выборочных траекторий «рандомизированного» поведения ОУ, а с помощью принципов нечеткого моделирования на основе мягких вычислений осуществляется качественный анализ и извлечение знаний из выборочной траектории с целью формирования БЗ нечеткого регулятора (НР) в соответствии с заданным функционалом качества (функции пригодности ГА).
Таким образом, робастность законов управления достигается за счет введения векторного критерия в виде функции пригодности генетического алгоритма (ГА, содержащего в качестве одной из компонент физический принцип минимума производства энтропии, как в ОУ, так и в интеллектуальном регуляторе. Эффективность разработанного подхода демонстрируется на типовых примерах существенно-нелинейных, динамических осцилляторов, представляющих самостоятельный интерес и описывающих нетривиальные особенности исследуемых классов ОУ (например, маятник с переменной длиной (стробоскопический манипулятор) или термомеханический осциллятор Нозе-Ховера (вибрационный элемент молекулярной цепочки с переменной внутренней температурой)).
В книге проведен структурный анализ ИСУ и описаны взаимосвязи с традиционными задачами теории систем управления. На основе анализа результатов моделирования типовых структур ИСУ показано, что применение ННС не гарантирует (в общем случае) достижение требуемой точности аппроксимации обучающего сигнала (ОС), полученного от ГА и расположенного в контуре интеллектуальной глобальной обратной связи (ИГОС) структуры ИСУ.
В результате, при существенном изменении внешних условий повышается уровень чувствительности ОУ, что приводит в целом к снижению робастности ИСУ и, как следствие, к потере надёжности (точности) достижения поставленной цели управления.
Для устранения отмеченного недостатка ННС используется оптимизатор БЗ (ОБЗ) на мягких вычислениях, позволяющий устранить отмеченные недостатки. Использование ОБЗ приводит к повышению уровня робастности структуры ИСУ. Рассматривается структура новой версии ОБЗ, даётся описание основных особенностей функциональной работы, этапы процессов технологии проектирования робастных БЗ НР.
Приводятся рекомендации по развитию и эффективному применению ОБЗ в процессах проектирования робастных БЗ, позволяющие повысить эффективность функционирования ИСУ в условиях неопределённости изменения ситуации управления.
Основное внимание в данной части книги сконцентрировано на описании конкретных результатов проектирования БЗ и моделирования ИСУ сложными, существенно-нелинейными ОУ со случайно изменяющейся структурой и изменяющимися задающими сигналами (целями управления).
Рассмотрен также новый класс ОУ в виде социо-технических систем, содержащий новые виды факторов риска и непредвиденных ситуаций управления, определяемых человеческим фактором и др. Решение задач управления такими системами основывается на принципе самоорганизации знаний.
Алгоритмическая оценка уровня корректности моделей и процессов извлечения объективных знаний, и сложности процессов проектирования на их основе БЗ является неотъемлемой частью технологии проектирования гарантированного качества правил логического вывода и принятия решений в таких системах.
Основной целью части 1 данной книги является описание уровней робастности процессов управления, поддерживающих требуемый уровень надёжности и точности процессов управления в условиях неопределённости информации в процессах принятия решений [13, 21] в заданных ситуациях управления.
Возможности повышения робастности ИСУ в условиях непредвиденных (нештатных) ситуаций и информационного риска за счет квантовых интеллектуальных вычислений [22] рассмотрены в Части 2 данной книги.
При проектировании систем управления в этом случае приходится учитывать не только известные ограничения, но и новые физические явления и эффекты. Так процесс формирования требуемых параметров наноструктур типа квантовых кораллов или точечных (игольчатых) структур осуществляется квантовым управлением самоорганизации за счет корреляционных взаимодействий и переноса информации на микро (нано) уровнях.
Поэтому для практической реализации квантового подхода в процессе проектирования эффективных алгоритмов принятия решений и систем управления в условиях ограничений на количество доступной информации также требуется повышение соответствующего уровня интеллектуальности, позволяющее включить в формируемые законы управления новые квантовые эффекты и явления. Так, например, при разработке ИСУ для нанотехнологий используются новые принципы информационных технологий интеллектуальных вычислений и систем искусственного интеллекта с учетом квантовых и релятивистских эффектов и ограничений. В частности, технология классических мягких вычислений на основе ГА и адаптивных алгоритмов обучения нашла эффективное применение в задачах оптимального управления квантовыми ОУ.
Такой подход особенно эффективен, например, при решении задач квантового управления квантовыми мобильными роботами на основе робастных ИСУ с использованием прорывных инновационных технологий интеллектуальных вычислений (подобности см. на Web странице сайта http://www.qcoptimizer.com) и квантовых стратегий принятия решений в условиях риска и непредвиденных (нештатных) ситуаций управления.
Основу такого подхода составляет информационный синергетический эффект самоорганизации знаний за счет применения квантовой корреляции, скрытой в классических состояниях ОУ.
Положительный эффект повышения уровня робастности достигается, в частности, за счет метода извлечения дополнительной квантовой информации, скрытой (и только частично доступной) в корреляционных классических состояниях законов управления, и спроектированных только на основе классических методов технологии мягких вычислений.
Данная работа выполнена в рамках разработки прорывных технологий для инновационных образовательных и исследовательских программ Института Системного Анализа и Управлений [ИСАУ] Международного университета природы, общества и человека «Дубна» с целью подготовки аспирантов, магистров и бакалавров в области разработки наукоёмких квантовых интеллектуальных информационных технологий (под общим руководством академика РАЕН, д.т.н., профессора Е.Н. Черемисиной) и Центра Управления Знаниями ИСАУ (руководитель профессор В.Н. Добрынин).
В основу книги положены курсы лекций С.В. Ульянова и Л.В. Литвинцевой, прочитанных в течение последних 15 лет в Университете Передачи Информации (University of Electro-Communications,Chofu, Tokyo, Japan), в Миланском университете ( di Milano, Milan, Italy) и Международном Университете Природы, Общества и Человека «Дубна».
Изложенные результаты являются базисом кандидатских диссертаций О.Ю. Тятюшкиной, Е.В. Колбенко и М.В. Лобачевой, а также докторской диссертации А.А. Мишина, выполняемых на кафедре Системный Анализ и Управление Международного Университета «Природы, Общества и Человека «Дубна».
Изложенный в книге программный инструментарий ОБЗ на мягких вычислениях апробирован в реальных проектах с Yamaha Motor Co., Ltd и ST Microelectronics, и является коммерчески привлекательным промышленным продуктом, разработанным в 2011г. в PronetLabs. Авторские права защищены патентами на территории США, Японии и стран ЕС [10, 23 – 27].
Материал книги предоставляет магистрам, аспирантам и специалистам-разработчикам широкого профиля (в области системного анализа, прикладной информатики, систем управления, социотехнических систем и нанотехнологий) доступное и информативное описание физических эффектов и функциональных критериев, влияющих на корректность разработки и физическую реализуемость математических моделей ОУ. Выявленные характерные особенности разработки моделей учитываются при моделировании динамического поведения исследуемого ОУ и используются в алгоритме управления процессом извлечения, обработки и формирования объективных знаний без использования экспертных оценок.
Технологии интеллектуальных вычислений являются платформой реализации указанного выше процесса и разработки инструментария квантового алгоритма управления самоорганизацией знаний ИСУ. Рассматриваемые в книге подходы используются в проектировании ИСУ сложными техническими ОУ, социотехническими системами, в нанотехнологиях, разработки интеллектуальных материалов, спинтронике, атомтронике, одноэлектронике, квантовом компьютере и др.
Авторы
Список литературы к Введению
1. Kaynak O., Zadeh L.A., Turksen B., Rudas I.J. (Eds), Computational intelligence: Soft computing and fuzzy-neuro integration with applications. – Berlin: Springer-Verlag (NATO ASI Series, Series F). – Vol. 162. – 1998.
2. Васильев С.Н., Жерлов А.К., Федосов Е.А. и др. Интеллектное управление динамическими системами. – М.: Физматгиз. – 2000.
3. Макаров И. М., Лохин В. М., Манько С. В. и др. Искусственный интеллект и интеллектуальные системы управления. – М.: Наука. – 2006.
4. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика. – М.: Радиотехника. – 2009.
5. Ponce-Cruz P., Ramirez-Figueroa F.D. Intelligent control systems with Lab VIEW™. –Berlin: Springer Verlag. – 2010.
6. Петров Б.Н., Уланов Г.М., Гольденблат И.И., Ульянов С.В. Теория моделей в процессах управления: Информационный и термодинамический аспекты. – М.: Наука. – 1978.
7. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. II. Эволюция и принципы проектирования // Изв. АН СССР. Техн. кибернетика. – 1993. – № 4. – С. 189 – 205.
8. Лупина Н.В., Слепченко А.Н., Ульянов С.В. и др. Гибридная экспертная система с глубинным представлением знаний для проектирования и диагностики биотехнических изделий // Изв. АН СССР. Техн. кибернетика. – 1991. – № 5. – С. 152–175.
9. Литвинцева Л.В., Ульянов С.В. Интеллектуальные системы управления. I. Квантовые вычисления и алгоритм самоорганизации // Изв. РАН. ТиСУ. – 2009. – № 6. – С. 69 – 97.
10. Ulyanov S.V. Self-organized control system // US patent № 6, 411, 944 B1. – 2002.
11. Li Y., Ang K.H., Chong G.C.Y. Patents, software and hardware for PID control: an overview and analysis of the current art // IEEE Control System Magazine. – 2006. – V. 26. – № 1. – P. 42 – 54.
12. Ульянов С.В. Нечеткие модели интеллектуальных систем управления: Теоретические и прикладные аспекты // Изв. АН СССР. Техн. кибернетика. – 1991. – № 3. – С. 3 – 29.
13. Литвинцева Л.В., Ульянов С.В., Ульянов С.С. Построение робастных баз знаний нечетких регуляторов для интеллектуального управления существенно-нелинейными динамическими системами. II. Оптимизатор баз знаний на мягких вычислениях и робастность ИСУ // Изв. РАН. ТиСУ. – 2006. - № 5. – С. 69 – 97.
14. Петров Б.Н., Уланов Г.М., Ульянов С.В., Сложность конечных объектов и информационная теория управления // Итоги Н и Т. Сер. Техн. Кибернетика. – М.: ВИНИТИ АН СССР. – 1979. – Т. 11. – С. 77 – 147.
15. Pearson P.K. Selecting nonlinear model structures for computer control // J. of Process Control. – 2003. – V. 13. – №1. – P. 1 – 26.
16. Ульянов С.В. Корректность представления извлеченных знаний. Ч 1: Физическая робастность и точность аппроксимации математической формализации объектов управления // Системный Анализ в Науке и Образовании. – 2011. - № 3.
17. Пытьев Ю. П. Математические методы интерпретации эксперимента. – М: Высшая школа. – 1989.
18. Петров Б.Н., Гольденблат И.И., Уланов Г.М., Ульянов С.В. Проблемы управления квантовыми и релятивистскими динамическими системами. – М.: Наука. – 1982.
19. Гольденблат И.И., Ульянов С.В. Введение в теорию относительности и её применение в новой техники. – М.: Физматгиз. – 1979.
20. Ульянов С.В. Модели квантово-релятивистских нечетких логик в интеллектуальных системах // Труды 2ой Всесоюзной конференции по искусственному интеллекту. – М.: ВЦ АН СССР, 1990. – Т.2. – С. 170 – 173.
21. Ульянов С.В., Добрынин В.Н., Мишин А.А. и др. Информационная технология проектирования робастных баз знаний нечетких регуляторов. Ч.1,2 // Системный анализ в науке и образовании. – 2010. – №3.
22. Литвинцева Л.В., Ульянов И.С., Ульянов С.В., Ульянов С.С. Квантовый нечеткий вывод для создания баз знаний в робастных интеллектуальных регуляторах // Изв. РАН. ТиСУ. – 2007. - № 6. – С. 71 – 126.
23. Ulyanov S.V. System for intelligent control based on soft computing // US patent № 6,415,272 B1. – 1998.
24. Ulyanov S.V. System and method for nonlinear dynamic control based on soft computing with discrete constraints // US Patent № 6,950,712, B2. – 2002.
25. Ulyanov S.V. Fuzzy controller with a reduced number of sensors // US patent Application № 20040153227, A1. – 2004.
26. Ulyanov S.V. System for soft computing simulation // US patent № 2006/0218108 A1. – 2006.
27. Ulyanov S.V., Litvintseva L.V., Takahashi K. Soft computing optimizer of intelligent control system structures // US patent № 7,219,087 B2. – 2007.
Глава 1. Виды интеллектуальных вычислений и их взаимосвязь
Термин «интеллектуальные вычисления» впервые был введен в середине 90-х прошлого столетия. Сами виды и типы интеллектуальных вычислений (алгоритмы и программные инструментарии) стали рассматриваться как объекты интеллектуальной собственности только в конце 20-го столетия, что позволило малому и среднему бизнесу интенсивно развивать коммерциализацию разработанного интеллектуального продукта.
В общем виде к таким вычислениям относятся следующие типы: (1) мягкие вычисления; (2) эволюционное программирование; (3) генетические алгоритмы (ГА) и алгоритмы оптимизации типа иммунных алгоритмов; (4) алгоритмы оптимизации на основе поведенческих реакций и обмена информацией активных агентов (самоорганизация целенаправленного и оптимального поведения в условиях «толпы»); (5) квантовые генетические алгоритмы для глобальной оптимизации; (6) квантовые нейронные сети обучения и мн. др.
Рассмотрим некоторые особенности технологии интеллектуальных вычислений. Мы остановимся, в частности, на наиболее проработанных для практики методах мягких вычислений и перспективных квантовых вычислениях, симбиоз которых породил новое направление – квантовые мягкие вычисления. Такой подход позволяет эффективно решать классические алгоритмически неразрешимые задачи и, в частности, задачи проектирования робастных интеллектуальных систем управления (ИСУ) в непредвиденных ситуациях управления.
1. 1 Роль и принципы технологий интеллектуальных вычислений
В традиционных исчислениях по количественному результату численного алгоритма осуществляется соответствующая оценка качественного свойства исследуемого объекта. Логическая оценка качества в общем случае может быть осуществлена только в конце количественных вычислений. Для алгоритмически неразрешимых численных задач часто искомая оценка проблемы (сложность алгоритма по Колмогорову) может быть не достигнута. Основой интеллектуальных вычислений являются не только числовые шкалы (как в традиционных вычислениях), но и качественные характеристики исследуемого объекта. Целью и новой возможностью интеллектуальных вычислений является непосредственное определение качественных характеристик объекта, алгоритмически оперируя последними также как на числовых шкалах. Количественные оценки объекта можно получить из качественных оценок обратным отображением шкал (в общем случае неоднозначно).
Мягкие и квантовые вычисления являются примерами таких исчислений.
Нечеткие множества, введенные Л. Заде в 1965г., позволяют расширить (многовековое) определение самого числа и ввести множество новых шкал качественных характеристик, которые невозможно определить методами классических исчислений. Такие исчисления открыли новые возможности для теории и проектирования ИСУ. Нестандартные логики, используемые в основе интеллектуальных вычислений и выводы, полученные с их применением в задачах принятия решений и управления, часто приводят к мнимым «парадоксам» и противоречию с интуитивными представлениями инженера-исследователя об ожидаемом результате.
Отметим, однако, что сам термин «нестандартная» логика уже включает такую ситуацию, а его введение обосновано стремлением решать задачи, не решаемые существующими технологиями вычислений. К таким технологиям интеллектуальных вычислений относятся мягкие и квантовые вычисления, используемые, например, для проектирования робастных баз знаний (БЗ) в условиях непредвиденных ситуаций управления.
Используя квантовые вычисления, могут быть решены алгоритмически неразрешимые задачи, а многие классические задачи могут быть решены с экспоненциальным ускорением. Так, например, для определения качественной характеристики функции (постоянная или балансирующая для четырех аргументов) в традиционном подходе требуется четыре шага численных операций, в тоже время квантовый алгоритм Дейча (опубликованный в 1985г.) определяет данное качество исследуемой функции за один шаг. Алгоритм Шора (1994г.) решает задачу факторизации заданного числа с экспоненциальной скоростью по отношению к лучшему известному алгоритму, а при увеличении длины решает алгоритмически неразрешимую задачу с полиномиальной сложностью. Алгоритм Гровера (1996г.) осуществляет поиск решения в неструктурированных данных с квадратичной скоростью.
Применение новых технологий в инженерной практике теории и систем управления часто сталкивается с проблемами преодоления инерции «прагматической» интуиции и инженерной философии. Так происходило в середине 70-х прошлого столетия при внедрении в инженерную практику идей мягких вычислений на основе теории нечетких множеств и нечетких систем управления.
1.2 Влияние вида интеллектуальных вычислений на эффективность наукоемких информационных технологий
Решение фундаментальных и прикладных проблем технологии мягких и квантовых вычислений существенно влияет на эффективность разработки и применения наукоемких информационных технологий (ИТ). Так, например, одним из важных элементов наукоёмкой ИТ проектирования ИСУ является разработка методологии и соответствующей программно-аппаратной поддержки процессов проверки и оценки уровней робастности спроектированной структуры ИСУ (как меры чувствительности к различным внешним и внутренним, случайным возмущениям как на объект управления (ОУ), так и в каналах измерений или контурах управления). Актуальность решения данной проблемы многократно диктовалась практическими задачами теории и систем управления и отмечалась неоднократно многими исследователями. Рис. 1.1 показывает влияние и роль интеллектуальных вычислений на разработку наукоемких ИТ.
Рис 1.1. Роль интеллектуальных вычислений в разработке наукоемких ИТ
Увеличение сложности структур ОУ и трудности прогнозирования непредвиденных (внештатных) ситуаций управления только усиливают актуальность данной проблемы и внимание к поиску её решения.
Такого рода задачи относятся к т.н. проблеме “System of Systems Engineering”, изучающей в общем виде сложные структуры САУ с различными уровнями и шкалами интеграции и/или приоритетным обменом информации между подсистемами с целью установления глобальных (необходимых и достаточных) условий надёжного автономного функционирования ОУ во внешней среде.
1.3 Виды интеллектуальных вычислений и их взаимосвязь с задачами управления
Рассмотрим кратко методологические особенности применения технологий мягких и квантовых вычислений.
Технология мягких вычислений
Технология мягких вычислений базируется на двух основных идеях: (1) введении обобщения понятия числа, что привело к созданию нечетких множеств, и (2) введении понятия нечеткого вывода, что привело к созданию нечеткой логики.
Обобщение понятия числа происходит за счет введения субъективной качественной шкалы и отображения в нее с помощью лингвистической аппроксимации его количественной характеристики. Для того чтобы иметь дело с приближенным высказыванием нечеткая логика использует понятие нечеткого высказывания (fuzzy proposition), значение истинности которого описывается с помощью нечетких множеств.
В нечеткой логике не используется закон исключения третьего. Это приводит к нестандартному выводу о возможности одновременного рассмотрения, например, числа 10 на шкале [0, 100] как лингвистической переменной «большой» или «маленький» с различными значениями функции принадлежности на заданной качественной лингвистической шкале. Однако этот на первый взгляд парадоксальный факт на практике в условиях существенной неопределенности исходной информации привел к хорошим результатам. Нечеткие модели логического вывода на фазовом пространстве лингвистических переменных позволили разработать нечеткие ИСУ, эффективно решающие задачи управления в условиях существенной неопределенности исходной информации, слабой формализации описания ОУ, нечеткости целей управления, и т.п.
Обобщение понятия числа за счет введения субъективной качественной шкалы привело к 30-летней дискуссии в первую очередь с представителями научной школы теории вероятностей. В теории вероятностей понятие функции распределения вероятностей имело четкое и строгое определение, а аксиоматика позволяла ввести физическую интерпретацию случайных процессов. Поскольку в теории случайных процессов по динамическим характеристикам объекта управления и функции распределения вероятностей входного сигнала с помощью уравнения Колмогорова можно определить функцию распределения вероятностей выходного сигнала, то аналогичные операции в теории нечетких систем вызывали определенные логические трудности. К таким трудностям относится, например, корректное определение понятий функции принадлежности, логические взаимоотношения «нечеткая/случайная величина» и др.
Примечание. В определенном смысле теория нечётких множеств может быть сведена по аналогии к теории случайных множеств и тем самым к теории вероятностей. Основная идея состоит в том, что значение функции принадлежности 
можно рассматривать как вероятность накрытия элемента 
некоторым случайным множеством 
. Однако при практическом применении аппарат теории нечётких множеств обычно используется самостоятельно, выступая конкурентом к аппарату теории вероятностей и прикладной статистики.
Одной из основных проблем эффективного применения технологии мягких вычислений в задачах управления являлось решение следующих задач:
· объективное определение вида функции принадлежности и ее параметров в продукционных правилах в базе знаний (БЗ);
· определение оптимальной структуры нечетких нейронных сетей (ННС) в задачах обучения (аппроксимация обучающего сигнала с требуемой ошибкой и с минимальным количеством продукционных правил в БЗ);
· применение генетического алгоритма (ГА) в задачах многокритериального управления при наличии дискретных ограничений на параметры объекта управления.
Перечисленные проблемы были решены и апробированы на основе Оптимизатора Баз Знаний (ОБЗ) с применением технологии мягких вычислений. Разработанный интеллектуальный инструментарий позволил проектировать робастные БЗ на основе решения одной из алгоритмически трудно решаемых задач теории искусственного интеллекта – извлечения, обработки и формирования объективных знаний без использования экспертных оценок. В данном оптимизаторе используются три ГА, которые позволяют спроектировать оптимальную структуру нечеткого контроллера (вид и число функций принадлежности, их параметры, а также число самих правил нечеткого вывода), аппроксимирующей обучающий сигнал с требуемой ошибкой.
Объединение методологий стохастического и нечеткого моделирования ИСУ в инструментарии ОБЗ позволило повысить уровень робастности проектируемых БЗ и решать сложные задачи формирования объективных знаний. Однако, при существенном изменении или непредвиденных ситуациях управления, спроектированные законы управления, не всегда удовлетворяют условиям робастности.
Данный эффект определяется функциональной структурой ГА, в которой (по определению) пространство поиска решений фиксировано и задается экспертом, а также выбором функции пригодности, которая рассматривается как критерий оптимального управления.
Таким образом, найденное технологией мягких вычислений (на основе ГА) оптимальное решение соответствует заданной ситуации управления, содержит (в неявном виде) субъективность исходной информации, а при неправильном определении пространства поиска найденное решение может неадекватно соответствовать ситуации управления. Для такого рода ситуаций управления требуется привлечение новых технологий интеллектуальных вычислений, например, технологии интеллектуальных квантовых вычислений.
До настоящего времени применение квантовых вычислений для эффективного решения классических алгоритмически неразрешимых задач теории и систем управления сталкивалось с утверждением Ю. Манина и Р. Фейнмана (введенного в начале 80-х прошлого столетия) о необходимости применения квантовых вычислений к решению квантовых задач. Однако следует отметить, что технология мягких вычислений уже эффективно применяется в задачах управления квантовыми ОУ.
Дата добавления: 2018-05-02; просмотров: 1249; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!