Когнитивные агенты и системы распределенной обработки информации и управления объектами в динамически изменяющихся условиях

• Автор: Цзя Лу
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Санкт-Петербург
• Количество страниц: 181 с. : ил.

Содержание
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ПОСТАНОВКА ЗАДАЧ И ПОДХОДЫ К ИССЛЕДОВАНИЮ И РЕШЕНИЮ
1.1. Общая постановка задач
1.2. Управление комплексами технологических установок
1.2.1. Агентно-ориентированный подход
1.2.2. Пример распределенной ИИУС на основе агентов
1.3. Интеллектуальные агенты и многоагентные системы
1.3.1. Интеллектуальные агенты
1.3.2. Интеллектуальные многоагентные системы
1.4. Когнитивные агенты и системы
1.4.1. Когнитивные агенты на биологически инспирированных принципах
1.4.2. Когнитивные агенты на психологически инспирированных принципах.
1.4.3. Когнитивные многоагентные системы
1.5. Формализованные постановки теоретических задач
1.6. Выводы по главе
ГЛАВА 2. МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ИНФОРМАЦИИ НА ИММУННЫХ ПРИНЦИПАХ
2.1. Концепции и свойства систем на иммунных принципах
2.2. Модели систем на иммунных принципах
2.2.1. Динамические модели и их реализации
2.2.2. Многоагентная сетевая модель с саморганизацисй
2.2.3. Многоагентная модель ira клонально-селекционной теории
2.3. Разработка искусственных иммунных систем
2.3.1. Сенсорные сети
2.3.2. Автономные распределенные системы
2.3.3. Поведенческие системы
2.4. Разработка иммунно-генетического алгоритма и иммунологической сети
2.4.1. Иммунный алгоритм
2.4.2. Иммунно-генетический алгоритм
2.4.3. Иммунологическая сеть
2.5. Выводы по главе
ГЛАВА 3. РАЗРАБОТКА КОГНИТИВНОГО АГЕНТА
3.1. Когнитивный агент для обработки информации и управления
3.2. ПИД-контроллер для регулирования технологических процессов
3.2.1. Традиционные ПИД-контроллеры
3.2.2. Адаптивные н нечеткие ПИД-контроллеры
3.3. Модель формирования поведения когнитивного агента
3.4. Выводы по главе

ГЛАВА 4. РАЗРАБОТКА КОГНИТИВНОЙ МНОГОАГЕНТНОЙ СИСТЕМЫ

4.1. Модель коллективной работы когнитивных агентов
4.2. Агентно-ориентированные методологии проектирования
4.2.1 Обзор методологий проектирования систем на агентах
4.2.2. Сравнительная оценка агентно-ориентированных методологий
4.3. Выбор средств разработки и моделирования MAC
4.4. Среда проектирования MASDK (Multi-agent System Development Kit)
4.5. Методология разработки систем в MASDK
4.6. P2P Агентская Платфогма
4.6.1. Краткое описание P2P Агентской Платформы
4.6.2. Подвижные агенты и проект P2P Агентской Плафтормы
4.6.3. P2P Агентская Платформа и провайдер P2P
4.7. Реализация MAC с когнитивной архитектурой
4.8. Выводы но главе
ГЛАВА 5. РАЗРАБОТКА ПРИКЛАДНЫХ КОГНИТИВНЫХ РАСПРЕДЕЛЕННЫХ ИИУС
5.1. Когнитивная многоагентная система управления станциями фильтрации воды
5.1.1. Поведение агентов системы
5.1.2. Разработка когнитивной MAC управления резервуаром в среде MASDK
5.1.3. Иммунологическая сеть для селекции поведения
5.1.4. Реализация поведения агентов на P2P Агентской платформе
5.1.5. Моделирование поведения агентов-контроллеров
5.2. Когнитивная многоагентная система управления бойлер-турбинными
установками
5.2.1. Бойлер-турбинный комплекс тепловой электростанции
5.2.2. Система управления давлением в главной паровой магистрали
5.2.3. Конструирование когнитивной MAC управления паровой магистралью
5.2.4. Разработка когнитивной MAC управления бойлер-турбинным комплексом в среде MAS DK
5.2.5. Иммунологическая сеть, определяющая поведение агента
5.2.6. Реализация поведения агентов на P2P Агентской Платформе
5.2.7. Моделирование поведения агентов
5.3. Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
Введение
Актуальность темы диссертации.
Диссертация посвящена проблеме повышения эффективности информационно-измерительных и управляющих систем (ИИУС) комплексов технологических установок в изменяющихся условиях функционирования. Современные ИИУС технологических комплексов в промышленности и сфере услуг состоят из многих параллельно работающих подсистем. Полностью централизованный принцип координации подсистем в таких распределенных ИИУС признан непрактичным не только вследствие недостатков централизованного сбора информации, ее обработки и принятия решений, но также из-за недостаточной гибкости при координации компонент обработки информации и управления с учетом динамически изменяющихся условий. Полностью децентрализованная схема распределенных ИИУС также не обеспечивает оптимальное функционирование, поскольку при координации локально распределенных подсистем могут возникать серьезные проблемы из-за некорректной децентрализации.
Один из путей решения проблемы - использование многоагентного подхода при построении ИИУС, который позволяет успешно справляться с проблемой сложности и распределенности подсистем обработки информации и управления комплексами установок. Каждый агент такой системы способен автономно решать выделенные ему задачи в рамках отдельной установки. Агенты могут работать во взаимодействии, что позволяет системе в целом решать задачи, которые лежат за пределами возможностей индивидуального агента.
Когнитивные агенты, способные к автоматическому накоплению и использованию знаний в процессе работы, представляют следующий шаг в развитии распределенных ИИУС. Такие агенты обладают адаптивными

CCk[2] = C or N or LN; k=l,...,K ;
PN/1] = С and N and LN;
Здесь использованы обозначения: CCSs - КСУ-струкгура; CN - перекрывающаяся сеть; СС - когнитивный центр; С - клетка; N - ядро; LN - локальная есть; PN -проекционная сеть; or, and - связки ИЛИ, И; верхние индексы обозначают соответствующие уровни вложенности.
Основным элементом всех уровней структуры является клетка (неформальный нейрон). Клетка рассматривается, как минимальный элемент, способный самостоятельно обрабатывать информацию. Информационная модель клетки может быть представлена набором множеств:
Мс = {X W, Нх, S, Ну, BF, у} ; где X, у - множество входных и единичный выходной параметры клетки; W -множество регулируемых весов; IIх, Ну - множества скрытых входных и выходных параметров, соответствующих информационным гранулам на входах и выходах активатора клетки; S - множество связей элементов активатора клетки, сила которых регулируется весами; BF - множество базисных функций активаторных элементов.
Такая информационная модель поддерживается функциональной моделью клетки в виде:
С = (IG, А(аь..., а№ S, W), DG, Тс) , где IG - информационный гранулятор, формирующий множество Нх; А( ) -активатор, состоящий из множества активаторных элементов a, (i=l....,iV), выполняющих преобразования информационных гранул и формирование множества Ну в соответствии со связями S и весами W; DG - дегранулятор, формирующий выходной параметр у; Тс - настройщик, формирующий множество связей S и весов W при настройке клетки на правильное отображение информации Х->у.