Нечеткие системы для описания интеллектуальных стратегий управления присущих человеку

Глава 2. Элементы теории мягких вычислений и проблемы интеллектуального управления

Введение

Методы управления в прикладных задачах управления сложными динамическими системами сталкиваются с множеством проблем. Сложные динамические системы характеризуются неполнотой модели, высокой степенью нелинейности, неустойчивостью, распределенными сенсорными системами с высоким уровнем шумов, резкими изменениями в динамике, старением и т.п. В результате, надежность (робастность) систем управления уменьшается. Степень успеха, с которой система управления справляется с перечисленными выше трудностями, зависит от уровня «интеллектуальности» системы управления.

Во многих практических задачах управления важная информация поступает от человека-эксперта. Обычно такая информация является неточной и представляется в виде лингвистических переменных в стратегиях управления типа «малый», «большой», «средний» и т.п. Существует множество причин, по которым экспертные знания представляются в такой лингвистической форме: при отсутствии более точных численных представлений, или для удобства и простоты коммуникации. Более того, во многих моделях принятия решений такой способ наиболее близок человеческому восприятию, чем точная цифровая информация.

Нечеткие системы возникли именно благодаря стремлению описывать стратегии управления (принятия решений) сложными системами на качественном, лингвистическом уровне. Они основаны на теории нечетких множеств, введенных математиком Лотфи Заде. В 1965 году Л. Заде опубликовал свою первую статью о новом способе описания неопределенностей не вероятностного типа с помощью так называемых «нечетких множеств» (“ fuzzy sets ”). Сегодня теория нечетких множеств развилась в ряд дисциплин. Для наших целей мы будем рассматривать теорию нечетких систем, в которой было доказано, что нечеткие системы могут рассматриваться в качестве универсальных аппроксиматоров систем с неопределенной динамикой и структурой. Именно поэтому нечеткие системы стали столь привлекательными в прикладных инженерных задачах управления.

В качестве ядра интеллектуальной системы управления динамической системой будем рассматривать нечеткую систему с заданной базой знаний (БЗ). Это может быть нечеткий регулятор (НР) с базой знаний, описывающей законы изменения управляющей силы, или нечеткий ПИД регулятор с базой знаний, описывающей законы изменения переменных коэффициентов усиления ПИД регулятора.

НР позволяет в простой лингвистической форме, близкой человеку, описывать стратегии управления и является надежной и эффективной альтернативой классическому управлению.

Нечеткие системы базируются также на нечеткой логике, которая дает возможность использовать качественные знания о стратегиях управления в системе принятия решений, способной осуществлять нечеткие рассуждения и интерполяцию. Так возникли технологии экспертных систем, в которых генерация функций принадлежности лингвистических переменных (membership functions) и нечетких правил (fuzzy rules) является прерогативой человека-эксперта. Он также решает задачи настройки и обновления БЗ.

Это означает, что системы управления, основанные только на нечеткой логике, не обладают свойствами самообучения и адаптации. В рамках данного подхода нет возможностей автоматической настройки и адаптации базы знаний, а именно функций принадлежности лингвистических переменных и нечетких правил. Такие возможности реализуются в подходах, основанных на мягких вычислениях (soft computing technology).

Технология мягких вычислений для проектирования интеллектуальных систем управления состоит из комбинации следующих подходов:

· Нечеткие системы, используемые для задач нечеткого вывода и управления;

· Генетические алгоритмы – для задач глобальной оптимизации законов управления;

· Нечеткие нейронные сети – для физической реализации законов оптимального управления, а также для реализации обучения и адаптации БЗ.

Основной проблемой проектирования ИСУ является разработка оптимальной и робастной БЗ, которая гарантирует высокое качество управления при наличии перечисленных выше трудностей управления, характерных для сложных динамических систем.

Исследование и разработка технологий и программного инструментария проектирования робастных БЗ в ИСУ на основе новых видов вычислений (мягкие, дробные, квантовые) является передовым рубежом современной науки управления. А реализация таких технологий управления в инженерной практике позволит продвинуть САУ на все более и более высокий уровень интеллектуальности.

В данной главе мы рассмотрим основные понятия и методы технологии мягких вычислений.

Нечеткие системы для описания интеллектуальных стратегий управления присущих человеку

Как мы уже говорили, нечеткие системы возникли благодаря желанию описывать стратегии управления сложными системами на качественном, лингвистическом уровне.

Рассмотрим следующий пример рассуждений человека характерных для стратегии управления. Возьмем ситуацию управления автомобилем, где автомобиль движется по прямой полосе дороги, и водитель следит за автомобилем, едущим впереди (рис. 2.1).

Примечание. Представленные на рис. 2.1 английские слова, имеют следующий перевод:

Car under control – управляемый автомобиль;

Car in front of – автомобиль, едущий впереди;

Direction of motion – направление движения;

a distance between cars – расстояние между автомобилями;

a speed of the car – скорость автомобиля.

 

Рис. 2.1. Эскиз ситуации управления автомобилем на дороге

 

Оценивая расстояние между автомобилями и скорость движения впереди едущей машины (информация от сенсоров), водитель реализует некоторую стратегию управления автомобилем. Эта стратегия может быть сформулирована обычными словами, например, так: «если расстояние между машинами короткое и машина впереди едет с медленной скоростью, то быстро тормози».

Стратегии управления, присущие человеку, обычно описываются в лингвистической форме. Управление автомобилем может быть, например, описано в виде следующих правил управления (упрощенные варианты).

Правило 1. ЕСЛИ расстояние между машинами небольшое и машина впереди едет с малой скоростью, ТО быстро тормози (ускорение движения - отрицательное большое).

Правило 2. ЕСЛИ расстояни е между машинами большое и машина впереди едет со средней скоростью, то не меняй скорость движения (ускорение движения - очень маленькое).

Правило 3. ЕСЛИ расстояние между машинами большое и машина впереди едет с большой скоростью, ТО ускоряйся (ускорение движения - положительно большое).

Для того, чтобы формализовать эти стратегии, нам понадобится математический аппарат, разработанный Заде и развитый далее в теории нечетких систем.

Теория нечетких систем (Fuzzy systems theory)основывается на двух математических аппаратах: теории нечетких множеств (fuzzy sets theory) и нечеткой логике (fuzzy logic). Рассмотрим основные понятия и обсудим особенности двух указанных дисциплин.