Методы и программный комплекс моделирования алгоритмов управления нелинейными динамическими системами на основе мягких вычислений

• Автор: Панфилов, Сергей Александрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Тверь
• Количество страниц: 165 с.

Глава 1. История развития интеллектуального нечеткого управления и обоснование направлений его развития

1.1. Краткая история развития методов теории управления

1.2. Системы интеллектуального управления, основанные на мягких

вычислениях

Выводы по Главе

Глава 2. Классификация данных

2.1. Введение

2.1. Лингвистическое описание обучающих сигналов

2.2. Информационные оценки лингвистических описаний обучающих сигналов

2.3. Формирование баз нечетких решающих правил

2.4. Оптимизация параметров БЗ градиентными методами

Выводы по Главе
Глава 3. Программный комплекс поддержки математического моделирования и оптимизации баз знаний
3.1. Архитектура системы
3.2. Банк моделей нечеткого вывода
3.3. Реализация программного комплекса на основе объектно-ориентированного подхода
3.4. Технологах работы пользователя с программным комплексом
3.5. Выводы по Главе
Глава 4. Результаты математического моделирования
4.1. Решение задач нечеткой аппроксимации гармонического сигнала
4.2. Моделирование процессов управления нелинейными осцилляторами
4.3. Моделирование интеллектуального управления полуактивной подвеской автомобиля
4.4. Выводы по главе
Заключение
Литература
Приложение 1. Структура генетического алгоритма, примененного в
диссертационной работе
Приложение 2. Моделирование стохастических возмущений с заданными
характеристиками
Приложение 3: Физические критерии качества управления
Приложение 4: Интерфейс модулей расширения программного комплекса
Актуальность темы. Теория систем автоматического регулирования с момента своего появления постоянно претерпевает эволюционные изменения, направленные на повышение качества регулирования и управления в соответствии с современными требованиями. В последнее время наибольшее развитие получают самоорганизующиеся системы автоматического регулирования, основанные на моделировании и мягких вычислениях (Теория нечетких множеств + нечеткие нейронные сети + генетические алгоритмы). Основное отличие упомянутого подхода от классического состоит в возможности построения регуляторов, способных обрабатывать при реализации управления качественную информацию, получаемую от экспертов, в виде лингвистического описания. В настоящее время в промышленности успешно применяется ряд систем автоматического регулирования, использующих нечеткую логику для генерации сигналов управления, или для изменения параметров регулирования. Однако применение систем, основанных только на нечеткой логике, сталкивается с некоторыми принципиальными трудностями, неразрешимыми при использовании лишь одних нечетких регуляторов. К таким трудностям, прежде всего, можно отнести необходимость извлечения
и использования знаний эксперта при создании баз знаний (БЗ) нечеткого регулятора. При этом, несмотря на то, что параметры системы управления меняются нечетким регулятором, сама БЗ нечеткого регулятора остается неизменной. Это может привести к неадекватному управлению вследствие изменения параметров объекта управления, вызванных, например, старением или изменением параметров окружающей среды. Поэтому робастность и адаптация управления трудно достижимы. Все это говорит о том, что необходимо развивать методы динамического обновления БЗ в автоматическом режиме.
Одним из перспективных подходов к повышению эффективности нечетких регуляторов являются технологии, основанные на мягких вычислениях и математическом моделировании. Они используют методы адаптации и оптимизации БЗ нечетких регуляторов. Основным инструментарием при оптимизации БЗ, поддерживающих нечеткий вывод, являются нечеткие нейронные сети (ННС) и генетические алгоритмы (ГА). Данные методы, наряду с математическим моделированием, являются основой современной технологии создания БЗ для различных систем управления. Создаваемые на основе этой технологии БЗ позволяют значительно улучшить качество управления.
В обычной практике построения классических систем управления применяются линеаризованные модели объектов управления. Однако
Рис 2.3. Иллюстрация работы алгоритма формирования частичной

базы нечетких решающих правил Данный алгоритм также позволяет получать решающие правила динамически, в процессе поступления новых обучающих выборок, и с небольшой модификацией позволяет строить динамические нечеткие системы, подстраивающие свою структуру под текущие условия работы. Динамически-генерируемые нечеткие системы могут быть применены в нечетких предсказывающих устройствах и ^ интеллектуальных сенсорах.
Появление в базе знаний правил с нулевым значением может
косвенно означать избыточность лингвистического описания. Однако в случаях нечетких регуляторов, формируемых на основе обучающих сигналов, база знаний привязывается к текущей обучающей выборке. Таким образом полное число решающих правил значительно сокращается, увеличивая производительность всей системы управления в целом, сокращая аппаратные требования к системе нечеткого вывода.
Разработанный алгоритм позволяет формировать оптимальные предикаты базы нечетких правил до оптимизации консеквентна правил, а также позволяет создавать базы знаний с заданным числом правил. Для достижения требуемого числа правил, необходимо либо последовательно увеличивать значения коэффициентов у , либо