Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности

Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности

Автор: Юсеф Яхья Абдулла Хольба

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2002

Место защиты: Москва

Количество страниц: 121 с. ил

Артикул: 2326525

Автор: Юсеф Яхья Абдулла Хольба

Стоимость: 250 руб.

Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности  Комбинированная процедура многокритериальной оптимизации параметров алгоритмов нейроуправления динамическими системами в условиях неопределенности 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.
1. ПОСТАНОВКА ЗАДАЧИ ВЫБОРА ПАРАМЕТРОВ
АЛГОРИТМОВ НЕЙРОУПРАВЛЕНИЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ НА ОСНОВЕ МНОГОКРИТЕРИАЛЬНОГО ПОДХОДА.
1.1. Анализ функциональных особенностей и
возможностей искусственных нейронных сетей
1.2. Схемы нейронного управления
1.3. Формализация задачи выбора параметров
алгоритмов адаптивного нейроуправления в виде
конечномерной задачи многокритериальной оптимизации в условиях неопределенности
1.4. Анализ подходов к решению задач
многокритериальной оптимизации.
1.5. Выводы.
2. КОМБИНИРОВАННАЯ ВЫЧИСЛИТЕЛЬНАЯ
ПРОЦЕДУРА МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ ПАРАМЕТРОВ
МНОГОСЛОЙНЫХ ИНС.
2.1. Структура комбинированной вычислительной
процедуры многокритериальной оптимизации
2.2. Генетический алгоритм многокритериальной оптимизации с изменяющейся
функцией пригодности.
2.3. Выбор начального приближения.
2.4. Алгоритм локальной многокритериальной
оптимизации по конусу доминирования.
2.4.1. Выбор возможного направления спуска
внутри конуса доминирования.
2.4.2. Вычисление шаговой длины в выбранном
направлении.
2.5. Выводы.
3. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ
МНОГОКРИТЕРИАЛЬНОГО АДАПТИВНОГО НЕЙРОУПРАВЛЕНИЯ ПРОМЫШЛЕННЫМ РОБОТОМ.
3.1. Математическая модель адаптивной системы
нейроуправления приводом поворота манипулятора промышленного робота
3.2. Схема адаптивного управления
с ПИДконтроллером
3.3 Схема адаптивного нейроуправления
3.4. Выводы
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Делается вывод о необходимости развития алгоритмической базы многокритериальной оптимизации в направлении построения комбинирован«! ИНС на основе конструкции векторного минимакса. Особое внимание уделяется практическим аспектам создания вычислительной технологии, сочетающей в себе достоинства алгоритмов глобальной и локальной многокритериальной оптимизации и обеспечивающей возможность их комбинирования. ИНС на основе многокритериальной модификации алгоритма возможных награвлений Топкиса-Вейнотта с использованием понятий конуса доминирования и оптимальности по конусу. Разрабатываются алгоритмические средства управления процессом обучения ИНС, повышающие его гибкость и эффективность. Третья глава посвящена применению разработанной методики для решения задачи многокритериального синтеза параметров алгоритмов нейроуправления в условиях неопределенности в адаптивной СУ приводом поворота манипулятора промышленного робота (ПР) типа «Универсал-5». Формируется математическая модель адаптивной СУ приводом поворота манипулятора промышленного робота и векторный показате^ эффективности, характеризующий способность СУ шрабатывать входные воздействия различной амплитуды без перерегулирования, обеспечивая при этом заданную точность позиционирования схвата. НК) на базе ИНС с топологией многослойного перцепгрона, объединенной с ПИД-контроллером и осуществляющей подстройки коэффициентов ПИД-контроллера в процессе эксплуатации СУ. В рамках второго варианта проведено исследование эффективности алгоритмов нейроуправления в зависимости от степени сложности ИНС и формы многокритериального компромисса, определяющего значение вектора весов синапт ических связей ИНС на множестве недоминируемых решений. Показано, что применение НК существенно повышает качество переходных процессов в СУ по сравнению со схемой на основе ПИД-контро;шера: исключается перерегулирование и обеспечивается точность позиционирования по двум критериям на всем диапазоне изменения массо-инерционных характеристик ПР. При этом увеличение числа слоев и нейронов в ИНС: повышает степень стабильности показателей динамического качества СУ в исследуемом диапазоне параметрических возмущений ОУ, а также расширяет диапазон возможных параметрических возмущений ОУ, в котором обеспечивается требуемый уровень эффективности управления. Моделирующий комплекс для разработки и исследования интегрированных процессов управления в производственных системах в условиях конфликта и неопределенности» (грант МАТИ-РГТУ им К. Э.Циолковского но фундаментальным исследованиям в области технологических проблем производства авиакосмической техники, приказ министерства Общего и профессионального образования РФ№ от г. В заключении сформулированы основные научные и практические результаты диссертационной работы. Цель настоящей главы - сформулировать постановку задачи выбора параметров алгоригмов нейроуправления в условиях неопределенности, для которой учет свойств, присущих достаточно широком)' классу нелинейных задач управления, обусловливает необходимость применения многокритериального подхода. В параграфе I рассматриваются фундаменгальные особенности функционирования ИНС, их классификация и категории решаемых задач. В параграфе 2 обосновывается возможность и целессобразность нейросетевой реализации алгоритмов управления в условиях нсопределешюсти на основе одного класса ИНС - многослойных перцептронов. Дается сравнительный анализ различных схем нейрошюго управления динамическими системами. В параграфе 3 исследуются особенности постановки задачи обучения ИНС, включенной в контур СУ. Постановка задачи обучения ИНС формулируется как задача многокритериальной оптимизации в условиях неопределенности, для решения которой предлагается использовать принцип векторного минимакса. В параграфе 4 производится анализ основных подходов к решению задач многокритериальной оптимизации. Показываемся, что для решения поставленной задачи обучения многослойной ИНС целесообразно применять комбинированную технологию, сочетающую в себе достой иста методов локальной и глобальной многокритериальной оптимизации.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.437, запросов: 244