Интеллектуальная система планирования космической съемки на основе самообучения

• Автор: Галютин, Виктор Борисович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 117 с. : ил

1.1.Описание функционирования системы космического наблюдения при съемке наземных объектов с помощью орбитального КА

1.2. Анализ известных методов планирования маршрута.

1.2.1. Постановка задачи.

1.2.2. Метод полного перебора,.

1.2.3. Обучение нейронной сети с помощью метода ветвей и границ для решения задачи коммивояжера

1.2.4. Использование генегического алгоритма.

1.2.5. Метод локального поиска.

1.2.6. Эвристический поиск маршрута

1.2.7. Выбор эвристического метода.

1.2.8. Приближенное решение задачи коммивояжера большой размерности

1.3. Общий подход к решению задачи выбора критерия маршрутизации в процессе самообучения.
1.4. Общая постановка задачи.
1.5. Выводы по главе 1.
ГЛАВА 2. ФОРМИРОВАНИЕ ПРОЦЕДУРЫ ПОЛУЧЕНИЯ ПЕРВОНАЧАЛЬНЫХ АНАЛИТИЧЕСКИХ ЗНАНИЙ НА ОСНОВЕ САМООБУЧЕНИЯ
2.1. Формирование функции риска для выбора альтернативного направления полета в случае исходного критерия минимума длины маршрута.
2.2. Исследование зависимости коэффициентов функции риска принятйя решений от сложности обучающих примеров
2.3. Выводы по главе
ГЛАВА 3. ВОССОЗДАНИЕ ВАРИАНТОВ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ИНТЕГРАЛЬНОГО ФУНКЦИОНАЛА КАЧЕСТВА МАРШРУТИЗАЦИИ С ПОМОЩЬЮ РЕШЕНИЯ ОБРАТНОЙ ЗАДАЧИ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ
3.1. Исходные условия решаемой задачи.
3.2. Подход к решению задачи альтернативного выбора, основанного на методе рабочей точки.
3.3. Формирование простейшей математической модели критерия приоритетного обслуживания пунктов назначения, расположенных в задней полусфере.
3.4. Формирование других простейших моделей критерия оптимальности поведения при других функциях предпочтения в выборе маршрута съемки.
3.5. Выводы по главе
ГЛАВА 4. ФОРМИРОВАНИЕ ПРАВИЛА ОПТИМАЛЬНОГО ПОВЕДЕНИЯ ПРИ
ПЛАНИРОВАНИИ КОСМИЧЕСКОЙ СЪЕМКИ С УЧЕТОМ РЕАЛЬНЫХ ДИНАМИЧЕСКИХ СВОЙСТВ КОСМИЧЕСКОГО АППАРАТА
4.1. Постановка прямой задачи динамического программирования и особенности ее решения
4.2. Расчет оптимального правила выбора очередного наземного объекта для съемки в случае приоритетного обслуживания в задней полусфере.
4.3. Расчет оптимального правила выбора очередного объекта для съемки в случае приоритетного обслуживания в передней полусфере.
4.4. Выводы по главе
ГЛАВА 5. МОДЕЛИРОВАНИЕ СИСТЕМЫ ПЛАНИРОВАНИЯ МАРШРУТА
5.1 .Исходные данные для процесса моделирования.
5.2.Моделирование системы планирования в случае приоритетного обслуживания объектов, расположенных в задней полусфере
5.3.Моделирование системы планирования в случае приоритетного обслуживания объектов, расположенных в передней полусфере
5.4.0ценка возможности реализации процесса самообучения с помощью нейроподобных структур
5.5.Выводы по главе 5.
ЗАКЛЮЧЕНИЕ СПИСОК ЛИТЕРАТУРЫ
ВВЕДЕНИЕ


Проблема оперативного планирования космической съемки и управления космической системой наблюдения КСН относится к тем сложным задачам, когда наряду со строгими методами оптимизации необходимо творческое участие человека, использование его интеллектуальных возможностей. Однако, с дефицитом времени на принятие решений это участие невозможно, и поэтому целесообразно применить методы искусственного интеллекта ИИ и интеллектуальные системы управления. В практике управления сложными техническими объектами ОУ, такими, как космический аппарат КА, существуют задачи, когда в меняющихся условиях полета нужно использовать различные критерии оптимальности поведения, чтобы добиться в целом максимальной эффекгивности. Как принято в структуре системы интеллектуального управления 1,2,7,8, процесс формирования цели управления, относится к стратегическому уровню принятия решений. Традиционный подход к решению задачи управления объектом предполагает известным заданный в формализованном аналитическом виде критерий качества поведения и динамические свойства объекта, а вследствие этого искомым является закон управления. При этом рассматривается так называемая прямая задача оптимального управления заданы минимизируемый функционал потерь, система дифференциальных уравнений, описывающих поведение объекта, требуется найти оптимальное управление как функцию текущего состояния объекта. Однако в сложных реальных условиях в задачах управления существуют случаи, когда в меняющейся динамической обстановке возникает необходимость изменять критерии поведения всей системы. В том числе существуют задачи управления, эффективность которых достигается по мере накопления опыта при совершенствовании способа управления, хотя формализованный критерий оптимальности остается заранее неизвестным. В результате накопления опыта в процессе самообучения можно уточнять формализованные модели критерия оптимальности. Таких критериев может быть несколько в зависимости от динамической обстановки. Поиск и выбор критериев является одной из важнейших, интеллектуальных процедур принятия решений 3,4,5. На рис. На нижнем уровне показана традиционная система автоматического регулирования с сигнатами рассогласования, управления и и состояния объекта х. На верхнем стратегическом уровне имеется классификатор ситуации, а также блок выбора кри териев, математические модели которых надо сформировать. Рис. Структура системы интеллектуального управления полетом. Таким образом, возникает необходимость решения обратной задачи по наблюдениям за объектом с известными свойствами становится известным в результате самообучения рациональное правило управления им, заданы также новые свойства другого объекта. Требуется восстановить вначале применяемый критерий при известном объекте, а затем присоединить новые свойства другого объекта и при решении прямой задачи найти новое правило управления 6. Такой подход открывает путь эффективного распространения имеющегося опыта на новые сферы применения. Например, известен способ управления тяжелым слабоманевренным самолетом, и нужно найти закон управления легким маневренным беспилотным самолетомроботом, или есть опыт поведения человека в игровых задачах, а ею надо перенести на группу подвижных роботов с другими свойствами. Наконец, основной пример известен эффективный способ управления функционирующим на орбите КА, осуществляющим космическую съемку, а нужно найти закон управления новым перспективным КА с новыми динамическими свойствами, чтобы добиться при различной плотности скопления наземных объектов на траверсе наибольшего числа снимков. Принципиальное отличие рассмагриваемого подхода состоит также в том, что обычно внешняя среда рассматривалась как возмущение на объект, а регулятор был функцией вектора координат его состояния. Теперь же изменения внешней среды непосредственно влияют на показатели критериальной части системы, оцениваемые при решении обратной задачи динамическою программирования, а уже потом закон управления перестраивается под новые условия 9,,. В частности этот подход может быть использован в задаче космической съемки наземных объектов с орбитального комплекса на заданной орбите с ограниченной угловой скоростью вращения телескопа.