|
Также в данном разделе содержатся следующие документы supremum'a:
Метод направленной эволюции Проект интеллектуальной системы управления
1 Задача
Необходимо осуществлять дискретное управление процессом. Процесс описывается в терминах событий и состояний (возможно нечетких). Управление осуществляется путем последовательного и параллельного выполнения дискретных операций. Набор доступных операций, наблюдаемых событий и состояний велик настолько, что можно считать его неограниченным. Управление многоцелевое. Целями управления могут быть задачи приведение/удержание процесса в целевых состояниях, генерации целевых событий. Дополнительной информации о процессе, кроме критичных ограничений на управление, отсутствует.
2 Применяемые технологии
Применяются технологии генетического программирования, искусственных нейронных сетей и нечеткой темпоральной логики.
2.1 Логика
Для управления процессом необходимы знания о закономерностях этого процесса. Широко распространен и хорошо зарекомендован способ представления знаний в виде причинно следственных закономерностей. Язык представления знаний должен оперировать семантикой времени и иметь возможность представлять нечеткие знания. В отличие от традиционных интеллектуальных систем, работающих с правилами, наша система должна самостоятельно заполнять и изменять базу знаний об управляемом процессе. То есть система должна уметь обучатся, извлекать знания (правила) из результатов наблюдений (факты). Это требование накладывает ограничения на синтаксис языка правил. Синтаксис языка правил должен давать возможность автоматически конструировать правила методами случайного поиска.
Запись правила имеет следующий синтаксис:
X1 & X2 & ... & Xn & !Xn+1 & !Xn+2 & ... & !Xm - > Y (P, T)
Где X1,..., Xn,..., Xm, Y - нечеткие логические переменные; P - коэффициент нечеткости, характеризующий степень надежности причинно-следственной связи; T - задержка времени между причиной и следствием (может быть отрицательной).
2.2 Система понятий
Для конструирования причинно-следственных правил эффективно описывающих управляемый процесс необходим развитый понятийный аппарат. Очевидно, что одних первичных понятий, непосредственно характеризующих управляемый процесс, недостаточно. Требуется введение вторичных понятий. Система понятий должна формироваться автоматически. Вторичное понятие является образом, распознаваемым в потоке первичной информации об управляемом процессе. Понятие образа следует отличать от понятия изображения. Изображение является моментальным снимком потока первичной информации. Образ является некоторым множеством изображений, классом изображений. Распознать образ, значит, определить степень принадлежности изображения заданному множеству, определяющему образ. Необходим язык, позволяющий осуществлять автоматическое конструирование программ распознавания образа методами случайного поиска на основе истории наблюдений за управляемым процессом. Этим требованиям удовлетворяет язык искусственных нейронных сетей многослойной архитектуры. Доказано, что сети этой архитектуры способны сколь угодно точно аппроксимировать любую кусочно-непрерывную функцию. Эксперименты показали, что в генетическое программирование в связке с традиционными методами параметрической оптимизации позволяют автоматически строить программы анализа изображений на языке нейронных сетей.
2.3 Генетическое программирование
Задачи построения системы понятий, системы правил, построение плана управления являются переборными задачами класса NP. Для решения задач этого класса широко применяются метод генетического программирования (ГП). Однако, практика показывает два существенных недостатка этого метода:
Под вырождением популяции понимается ситуация, когда все экземпляры в популяции являются копиями друг друга с несущественными модификациями. При этом экземпляры не могут быть улучшены в результате операций ГП и значение критерия оптимальности экземпляров ниже приемлемого уровня. Для кардинального решения этой проблемы предлагается пересмотреть основы метода ГП. Как известно в ГП экземпляры, имеющие более высокое значение критерия оптимальности, имеют и более высокие шансы оставить потомство. Автором предлагается принципиально иной подход. Экземпляры, имеющие более высокое значение критерия оптимальности, имеют более высокий шанс на долговременное хранение, но размножаются преимущественно экземпляры принадлежащие эволюционной ветви с более высоким текущим темпом развития. Автором утверждается постулат о невозможности нахождения, в общем случае, точного или приближенного решения комбинаторной задачи класса NP. Вместо поиска точного или приближенного решения задачи должна ставится цель нахождения решения, превосходящего по критерию оптимальности имеющееся решение. При такой постановке вопрос о времени поиска решения теряет смысл. Поиск и улучшение решений ведется непрерывно, на всем протяжении существования системы. 1 О построение плана управления путем логического вывода речи быть не может. Количество правил в базе знаний будет огромным. Ни какие ухищрения не спасут от комбинаторного взрыва. К тому же набор правил не обязан быть непротиворечивым |