Нейроагентная система адаптивной настройки технологических процессов

Нейроагентная система адаптивной настройки технологических процессов

Автор: Аюев, Вадим Валерьевич

Шифр специальности: 05.13.17

Научная степень: Кандидатская

Год защиты: 2007

Место защиты: Москва

Количество страниц: 262 с. ил.

Артикул: 3345063

Автор: Аюев, Вадим Валерьевич

Стоимость: 250 руб.

Нейроагентная система адаптивной настройки технологических процессов  Нейроагентная система адаптивной настройки технологических процессов 

ОГЛАВЛЕНИЕ
СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.
ВВЕДЕНИЕ
1. ОБЗОР СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСПОЛЬЗОВАНИЯ МУЛЬТИАГАНТНЫХ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ ЗАДАЧ НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
1.1. Обзор МАС в контексте решения задач настройки технологических процессов.
1.1.1. Архитектуры интеллектуальных агентов.
1.1.1.1. Абстрактная архитектура ИА.
1.1.1.2. Классификация конкретных архитектур ИА.
1.1.2. Классификация механизмов взаимодействия ИА.
1.1.2.1. Договорные сети
1.1.2.2. Системы на базе досок объявления.
1.1.2.3. Рыночные механизмы.
1.2. Проблемы разработки современных МАС интеллектуальной настройки технологических процессов.
1.3. Выводы.
2. РАЗРАБОТКА МОДЕЛИ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ
НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.
2.1. Разработка МАС, удовлетворяющих современным требованиям,
предъявляемым к системам настройки реального времени с
входными данными высокой размерности
2.1.1. Разработка иерархической модели МАС
2.1.1.1. Общая характеристика МАС СИН.
2.1.1.2. Дифференциация ИА по функциональным
особенностям в иерархической архитектуре МАС.
2.1.1.3. Формальная модель мультиагентной иерархии
2.1.2. Реализация архитектур ИА
2.1.2.1. Управляющие архитектуры
2.1.2.2. Архитектуры подрядчиков
2.1.3. Организация механизмов взаимодействия АМ и АП в
рамках иерархической МАС
2.1.3.1. Методы расчта ошибки дообучения.
2.1.3.2. Степени доверия АМ к АП
2.1.3.3. Интервальный алгоритм определения победившего АП
2.1.3.4. Пересчт областей эффективного применения АП.
2.1.3.5. Реализация обучения в МАС
2.1.3.6. Анализ сложности разработанных алгоритмов
2.2. Технические особенности реализации модели МАС.
2.2.1. Реализация протоколов межагентного взаимодействия.
2.2.2. Реализация реактивных архитектур ИА.
2.3. Выводы
3. МОДЕЛИРОВАНИЕ АГЕНТОВПОДРЯДЧИКОВ МАС НАСТРОЙКИ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В НЕЙРОСЕТЕВОМ
ЛОГИЧЕСКОМ БАЗИСЕ
3.1. Применение модифицированных самоорганизующихся карт
Кохонена в ИНС ХехтНильсона.
3.1.1. Сети Кохонена на основе принципов самоорганизации.
3.1.1.1. Общая характеристика сетей Кохонена
3.1.1.2. Самоорганизующиеся карты Кохонена
3.1.1.3. Алгоритм нейронного газа
3.1.2. Модификация самоорганизующихся карт Кохонена.
3.1.2.1. Структура многомерной карты Кохонена и е обучение.
3.1.2.2. Сходимость процесса обучения
3.1.2.3. Методы группировки нейронов в матрицу.
3.1.2.4. Виды областей притяжения
3.1.2.5. Меры близости между нейронами и их влияние на гауссову функцию притяжения
3.1.2.6. Анализ сложности разработанных алгоритмов.
3.1.3. Модификация ИНС ХехтНильсона
3.1.3.1. Алгоритм обучения МСХН
3.1.3.2. Перекластеризация в МСХН при дообучении.
3.2. Методы обучения нейросетевых АП
3.3. Выводы.
4. НАСТРОЙКА ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
ПРОИЗВОДСТВА ХЛЕБОБУЛОЧНОЙ
ПРОДУКЦИИ.
4.1. Постановка задач управления производственным циклом
4.1.1. Основные стадии производства.
4.1.2. Автоматизация выпечки хлебобулочной продукции
4.2. Применение иерархической МАС для настройки процесса выпечки хлебобулочной продукции.
4.2.1. Конкретизация нейросетевой модели
4.2.2. Конкретизация мультиагентной модели
4.2.3. Исследование свойств при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.
4.2.3.1. Методы расчта ошибки дообучения.
4.2.3.2. Операции со степенями доверия
4.2.3.3. Алгоритмы пересчта ОЭО
4.2.4. Исследование внедрнных в модифицированных ИНС ХехтНильсона при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.
4.2.4.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС ХехтНильсона
4.2.4.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС ХехтНильсона
4.2.4.3. Анализ эффективности применения алгоритмов утомления в модифицированных ИНС ХехтНильсона
4.2.4.4. Сравнительный анализ эффективности обучения модифицированных ИНС ХехтНильсона с сетями РБФ и многослойными персептронами.
4.2.5. Исследование роли внедрнных в модифицированных ИНС ХехтНильсона посредством частотного анализа применения агентов
4.3. Выводы.
НАСТРОЙКА РАСПРЕДЕЛЕНИЯ ТРАФИКА В ЗАКРЫТОЙ ИНФОРМАЦИОННОЙ СИСТЕМЕ
5.1. Постановка задачи распределения ресурсов
5.2. Применение иерархической для настройки распределения ресурсов.
5.2.1. Конкретизация модели
5.2.2. Исследование свойств при настройке распределения
ресурсов
5.2.2.1. Методы расчта ошибки дообучения.
5.2.2.2. Операции со степенями доверия
5.2.2.3. Алгоритмы пересчта ОЭО
5.2.3. Исследование внедрнных в модифицированных
ИНС ХехтНильсона при организации распределения ресурсов
5.2.3.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС ХехтНильсона
5.2.3.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС ХехтНильсона
5.2.3.3. Анализ эффективности применения алгоритмов утомления в модифицированных ИНС ХехтНильсона
5.2.3.4. Сравнительный анализ эффективности обучения модифицированных ИНС ХехтНильсона с сетями РБФ и многослойными персептронами.
5.2.4. Исследование роли внедрнных в МАС модифицированных ИНС ХехтНильсона посредством частотного анализа применения нейросетевых агентов при обработке исключительных ситуаций.
5.3. Выводы
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ


Различают открытые архитектуры МАС, применяемые в поисковых системах и некоммерческих исследовательских проектах, и закрытые архитектуры МАС, областями применения которых являются промышленные приложения и системы управления объектами и процессами ,. По характеру реализуемого управления различают МАС с централизованным и децентрализованным частично или полностью распределнным управлением ,. Будучи изначально разработанными для решения задач удовлетворения заданным ограничениям, в частности, задач планирования , МАС обладали свойствами свободной социализации межагентного взаимодействия, однако с началом их применения для решения проблем управления в реальном масштабе времени возникла необходимость сокращения межагентных переговоров, что было достигнуто сначала группировкой агентов в слои, а затем введением иерархий . Особенности разрабатываемых МАС зависят также от сред исполнения, которые различают по доступности, детерменированности, эпизодичности, статичности и дискретности . Рассмотрим основополагающие подходы к формальной реализации ИА, как базовой функциональной единицы любой МАС. Состояние среды ИА в МАС описывается как множество 5 . Иоп3 А, 1. Опыт ИА представляется как последовательность состояний среды, с которыми агент до сих пор столкнулся. Рис. А отображаются на множество состояний среды v, а, которое являются результатом выполнения действия а в состоянии . Абстрактную модель ИА можно разбить на подсистемы см. Пусть Р непустое множество восприятий. Тогда это функция
, 1. II. А 1. Введнное уточнение структуры, вопервых, позволяет осуществить более адекватную с точки зрения формальной настройки интерпретацию работы ИА, а вовторых, выделить классы ИА по способам реализации. Открытые архитектуры ИА можно классифицировать следующим образом 3 основанные на логике реактивные с архитектурой веражеланиенамсрение ВЖН и с многоуровневой архитектурой. Рассмотрим их с точки зрения применимости в СУ. В этом подходе символические представления являются логическими формулами, синтаксическое манипулирование соответствует логической дедукции или доказательству теорем. В ИА, реализованных в рамках этого подхода, внутреннее состояние рассматривается как база данных формул классической логики предикатов первого порядка . Пусть множество предложений логики первого порядка, множество баз данных множество множеств 1формул. Внутреннее состояние агента А элемент множества . Процесс принятия решений агента реализуется через набор правил вывода р. А, используя только правила вывода р. Функция восприятия агентов не изменяется 1. А, 1. Реализация ИА такова, что если формула может быть доказана, где а термин, обозначающий действие, то а самое лучшее действие, которое можно выполнить. Таким образом, в первой части функции ИА берт каждое из возможных действий а по очереди и пытается доказать формулу из базы данных, используя правила вывода р. Если ИА успешно доказывает , то возвращает а как действие, которое нужно выполнить. Если ИА будет не в состоянии доказывать для всех действий аеЛ, то он пытается найти действие, которое является совместимым с правилами и базой данных, т. Если, однако, ИА будет не в состоянии найти действие, которое является, по крайней мере, непротиворечивым, то он вернт специальное действие , указывающее на то, что никакое действие не было выбрано. Предположим, что разработано множество правил агента р такое, что для любой базы данных Д, если возможно доказать , а является оптимальным действием. Во время ИА генерирует некоторую базу данных А и начинает применять е правила р, чтобы определить, какое действие выполнить. Но если среда изменилась между и 2, то не имеется никакой гарантии, что а будет все еще оставаться оптимальным. Если 2 малая величина, т. Однако известно, что рассуждения ИА, основанного на логике, будут вносить существенные задержки более того, если ИА использует классическую логику предикатов первого порядка для представления среды и е правила полны, то не имеется никакой гарантии, что процедура принятия решений вообще завершится . Имеются и другие проблемы, связанные с логическим подходом к ИА. Например, с функцией ИА, отображающей его среду на восприятие.

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: 0.201, запросов: 244