მართვა გაურკვევლობის პირობებში. „გაურკვევლობის პირობებში მრავალდონიანი, ინტელექტუალური და ქსელის მართვის სისტემების ფუნქციონირების ანალიზი და ოპტიმიზაცია. ძირითადი მიზნები და ამოცანები.

ამ სიტუაციიდან გამოსავლის ერთ-ერთი გამოსავალია ინტელექტუალური კონტროლის მეთოდების გამოყენება, რაც გულისხმობს უარის თქმას:

• - ობიექტის ზუსტი მათემატიკური მოდელის მოპოვების აუცილებლობა;
• - ორიენტაცია "ხისტი" (როგორც წესი, წრფივი) ალგორითმების გამოყენებაზე საკონტროლო მოქმედებების ფორმირებისთვის;
• - ყველა ფასად ცდილობდეს გამოიყენოს დეველოპერისთვის ცნობილი სინთეზის მეთოდები, რომლებიც ადრე დადებითად ამტკიცებდნენ თავს სხვა, უფრო მარტივი კლასების ობიექტებისთვის.

სანამ ინტელექტუალურ კონტროლზე გადავიდოდეთ, არ შეიძლება არ აღვნიშნოთ ადგილობრივი სამეცნიერო სკოლების მიერ შემუშავებული მანქანების მართვის მსოფლიოში აღიარებული და კლასიკური ტენდენციები. ეს არის ბალაკშინ ბ. და ა.შ. კერძოდ, სამუშაოები ეძღვნება ჩარხების ადაპტური მართვის სისტემების შექმნას პროდუქციის წარმოების ხარისხის თვალსაზრისით. მოქნილი ავტომატური წარმოება (FAP), რომელიც შესაძლებელს ხდის შეამციროს ხარჯები, გაზარდოს საიმედოობა და მოქნილობა (ხელახალი კონფიგურაციის უნარი) ფუნქციონირება საკონტროლო პროგრამებში ხშირი ცვლილებებით, დეტალურად არის აღწერილი სამუშაოებში. განხილულია CNC პროგრამების შექმნა და მათი განხორციელების მახასიათებლები, როგორც ინტეგრირებული ავტომატური წარმოების ნაწილი.

ნაშრომში მოცემულია ტექნოლოგიური პროცესებისა და აღჭურვილობის კონტროლის თანამედროვე მეთოდების დეტალური ანალიზი, რომელიც აჩვენებს თანამედროვე კონტროლის თეორიის მიღწევებს, კერძოდ, რეგულატორების ანალიტიკური დიზაინის მეთოდების გამოყენებას (Letov AM და სხვები), მოდალური კონტროლი ( Pospelov GS და სხვები. ), დინამიკის ინვერსიული პრობლემები (Krutko P.D. და სხვ.), ინვარიანტული კონტროლი (Shchipanov G.V., Kulebakin V.S., Petrov B.N. et al.), ადაპტური კონტროლი (Tsipkin Ya.D. და სხვ.) და ა.შ. აღნიშნულია, რომ კონტროლის სისტემების სინთეზში წარმოდგენების მწვერვალი არის კონტროლერების ანალიტიკური დიზაინი. კონტროლის სისტემების აგების ფუნდამენტურად განსხვავებული გზა, რომელიც დაფუძნებულია სინერგიული კონტროლის თეორიაზე, აღწერილია. ნაშრომებში ჩამოყალიბებულია ევოლუციური გარდაქმნებისა და თვითორგანიზაციის პრინციპები სინერგიულ მიდგომაზე დაფუძნებული კონტროლის სისტემაში, რომლის სახელმწიფო კოორდინატები ურთიერთქმედებენ გარემოსთან. კონტროლის სისტემების სინთეზის ყველა აღნიშნულ მიდგომასა და პრინციპს აქვს თავისი დადებითი და უარყოფითი მხარეები, მაგრამ ყველა მათგანისთვის საერთო ის არის, რომ ისინი ემყარება ამა თუ იმ გზით მიღებულ საკონტროლო ობიექტის მათემატიკურ მოდელს და მათემატიკური მოდელი არის დიფერენციალური ან განსხვავებულ განტოლებათა სისტემა, რომელიც აღწერს პროცესების ან ობიექტების ფიზიკურ არსს. კონტროლის ფუნდამენტურად განსხვავებული მიდგომა არის კონტროლირებადი ობიექტის შესახებ ცოდნის მათემატიკური მოდელების გამოყენება, ე.ი. ინტელექტუალური კონტროლის მეთოდების გამოყენება. TO-სთან დაკავშირებით, კვლევის ეს სფერო წარმოდგენილია სამუშაოებში.

ინტელექტუალური კონტროლი ემყარება მაღალ ორგანიზებულ ACS-ის აგების იდეას, რომელიც დაფუძნებულია ცვლადი სირთულის და გაურკვევლობის მოდელების გამოყენებაზე, ისეთი ინტელექტუალური ფუნქციების შესრულებაზე, რომლებიც თან ახლავს ადამიანს, როგორიცაა გადაწყვეტილების მიღება, ქცევის დაგეგმვა, სწავლა და თვითსწავლება. ცვალებადი გარემო. სწავლა უნდა გვესმოდეს, როგორც სისტემის უნარი გააუმჯობესოს თავისი ქცევა მომავალში (TO-სთან მიმართებაში - გააუმჯობესოს დამუშავების ხარისხი), წარსულში მიღებული ექსპერიმენტული ინფორმაციის საფუძველზე, გავლენის ურთიერთქმედების შედეგების შესახებ. ფაქტორები. თვითსწავლება არის სწავლა გარე კორექტირების გარეშე, ანუ „მასწავლებლის“ - ოპერატორის ინსტრუქციების გარეშე.

ინტელექტუალური კონტროლის სისტემა (IMS) არის სისტემა, რომელშიც ცოდნა საკონტროლო ობიექტისა და გარემოს უცნობი მახასიათებლების შესახებ ყალიბდება სწავლისა და ადაპტაციის პროცესში და აქედან მიღებული ინფორმაცია გამოიყენება გადაწყვეტილების ავტომატური მიღების პროცესში, რათა კონტროლის ხარისხი უმჯობესდება.

IMS-ის აუცილებელი მახასიათებელია ცოდნის ბაზის არსებობა, რომელიც შეიცავს ინფორმაციას (ფაქტებს), მოდელებსა და წესებს, რომლებიც საშუალებას გაძლევთ განმარტოთ მენეჯმენტის ამოცანა და აირჩიოთ რაციონალური გზა მის გადასაჭრელად. ინტელექტუალურ სისტემებს ხშირად მოიხსენიებენ, როგორც ცოდნაზე დაფუძნებულ სისტემებს. განხორციელებული ინტელექტუალური ფუნქციების ბუნებიდან გამომდინარე, ანუ ინტელექტის დონეზე, განასხვავებენ IMS, ინტელექტუალურ "დიდში" და "პატარაში".

კონტროლის სისტემების მიხედვით, ინტელექტუალური "დიდში" არის სისტემები, რომლებიც ორგანიზებულია და ფუნქციონირებს შემდეგი ხუთი პრინციპის შესაბამისად (მთლიანობაში).

• 1. ურთიერთქმედება რეალურ გარე სამყაროსთან საინფორმაციო საკომუნიკაციო არხების გამოყენებით.
• 2. სისტემის ფუნდამენტური გახსნილობა ინტელექტის გაზრდისა და საკუთარი ქცევის გასაუმჯობესებლად.
• 3. გარე სამყაროში ცვლილებებისა და სისტემის საკუთარი ქცევის პროგნოზირების მექანიზმების არსებობა დინამიურად ცვალებად გარე სამყაროში.
• 4. მრავალდონიანი იერარქიული სტრუქტურის არსებობა, რომელიც აგებულია წესის შესაბამისად: ინტელექტის გაზრდა და მოდელის სიზუსტის მოთხოვნების შემცირება სისტემაში იერარქიის დონის მატებასთან ერთად (და პირიქით).
• 5. ფუნქციონირების მდგრადობა (შესაძლოა ხარისხის ან ეფექტურობის გარკვეული დაკარგვით, ე.ი. მისაღები დეგრადაციის შემთხვევაში), როდესაც კავშირები გატეხილია ან საკონტროლო მოქმედებები იკარგება საკონტროლო სტრუქტურის იერარქიის უფრო მაღალი დონეებიდან.

კონტროლის სისტემები, რომლებიც ინტელექტუალურია „მცირეებში“ არ აკმაყოფილებს ზემოთ ჩამოთვლილ პრინციპებს, მაგრამ იყენებს ცოდნას (მაგალითად, წესების სახით) მათი ფუნქციონირებისას, როგორც შეყვანის ინფორმაციის გაურკვევლობის დაძლევის საშუალებას. კონტროლირებადი ობიექტის ან მისი ქცევის აღწერა.

ყოველივე ზემოთქმულიდან გამომდინარე, შეიძლება შემდეგი დასკვნის გაკეთება. მრავალი ფაქტორით, რომლებიც გავლენას ახდენენ ლითონის საჭრელ ჩარხებზე დამუშავების ხარისხის მიღწევაზე, ამ ფაქტორების შესახებ „ბუნდოვანი“ ინფორმაცია, თავად ჭრის პროცესის სტოქასტური ბუნება, აგრეთვე მოცემული დამუშავების უზრუნველსაყოფად მრავალი მეთოდი. სიზუსტე, ინტელექტუალური კონტროლის სისტემები ჩარხების კვლევისა და განვითარების პერსპექტიული სფეროა.

ახლა ყველაზე ფართოდ გამოყენებული ინტელექტუალური კონტროლის მეთოდები დაკავშირებულია შემდეგ ოთხ კლასთან:

• - საექსპერტო სისტემები (ES);
• - ბუნდოვანი კონტროლერები (NR);
• - ნერვული ქსელები (NN);
• - გენეტიკური ალგორითმები (GA).

საექსპერტო სისტემები (ექსპერტი სისტემები) უმკლავდებიან ხელოვნური ინტელექტის ამოცანებს უმაღლეს დონეზე, მუშაობენ სიმბოლურ ინფორმაციასთან, რათა მიიღონ დასკვნები გარემოს შესახებ და ჩამოაყალიბონ მენეჯმენტის გადაწყვეტილებები მიმდინარე (ან პროგნოზირებული) სიტუაციის ბუნების გათვალისწინებით. საექსპერტო სისტემები აგროვებენ და მანიპულირებენ ევრისტიკული ცოდნით, რათა მიბაძონ ექსპერტის ქცევას.

სურათი 1.2 გვიჩვენებს ექსპერტი კონტროლერის აგების მაგალითს, რომელიც წარმოადგენს ES-ისა და ტრადიციული კონტროლერის (ან კონტროლერების სისტემის) ერთობლიობას TO-ს მართვასთან დაკავშირებით. უფრო რთული სტრუქტურა (ES-ის ცალკეული ბლოკების დეტალური სპეციფიკაციებით) შემოთავაზებულია ტექნოლოგიური სისტემის მოდელში, რომელიც ეფუძნება გადაწყვეტილების მიღების პრინციპს ნაწილების დამზადების პროცესში პროგნოზირებადი კორექტირების შესახებ. კონკრეტული სიტუაცია. საექსპერტო სისტემა, როგორც 1.2-ში და სურათზე, აყალიბებს მენეჯმენტის ზედა, ზედამხედველობის დონეს და მოიცავს მთელ რიგ ქვესისტემას.

იდენტიფიკაციისა და პროგნოზირების ქვესისტემა - უზრუნველყოფს საკონტროლო ობიექტის მათემატიკური მოდელის მოძიებას უშუალოდ მოქმედების პროცესში, მის შეყვან/გამომავალ ცვლადებზე დაკვირვების შედეგების საფუძველზე. ანუ ბლოკის ამოცანები მოიცავს გადაწყვეტილების მიღებისთვის საჭირო ინფორმაციის მოპოვებას. ეს ბლოკი ასრულებს სამუშაო ორგანოების მოძრაობის პროგრამულ რეგულირებას, ზომავს და განსაზღვრავს გარე გარემოს მდგომარეობის პარამეტრებს - F, საკონტროლო მოქმედებებს - U, შიდსის სისტემის შედეგებს - Y.

მონაცემთა ბაზა შეიცავს მუდმივად განახლებულ მონაცემებს (წინა, მიმდინარე, პროგნოზი) შიდსის სისტემის მახასიათებლებზე და გარემოზე, ასევე ინფორმაციას შესაბამისი პარამეტრების სასაზღვრო (კრიტიკული, მაქსიმალური დასაშვები) მნიშვნელობების შესახებ. ცოდნის ბაზა შეიცავს ცოდნას კონკრეტული TO-ს მუშაობის სპეციფიკის, მიზნების, სტრატეგიებისა და კონტროლის ალგორითმების შესახებ, შიდსის სისტემის მახასიათებლების იდენტიფიცირებისა და პროგნოზირების შედეგების შესახებ.

ლოგიკური დასკვნის ქვესისტემა ირჩევს კონტროლერის რაციონალურ (ყველაზე მიზანშეწონილს გარკვეული ნაწილის დამუშავების დროს შენარჩუნებისთვის) სტრუქტურასა და პარამეტრებს, ასევე, შესაძლოა, იდენტიფიკაციისა და პროგნოზირების ალგორითმებს.

ინტერფეისის ქვესისტემა შექმნილია იმისთვის, რომ მოაწყოს ინტერაქტიული რეჟიმი ცოდნის ბაზის შევსებისთვის ექსპერტის მონაწილეობით (სწავლის რეჟიმი) და მომხმარებელ-ოპერატორთან (პროფესიონალ მუშაკთან) კომუნიკაციის უზრუნველსაყოფად, მათ შორის მენეჯმენტის გარკვეული გადაწყვეტილებების მიღების მექანიზმის განმარტებით. ოპერაციის რეჟიმი).

განსხვავება საექსპერტო სისტემის არქიტექტურას, რომელიც ნაჩვენებია სურათზე 1.2 და ჩვეულებრივი (სტატიკური) საექსპერტო სისტემების არქიტექტურას შორის არის ის, რომ ის უზრუნველყოფს შემდეგ მნიშვნელოვან ფუნქციებს:

• * ობიექტისა და მისი გარემოს დინამიური მოდელის აგება;
• * გარე სამყაროსთან კონტაქტის შენარჩუნება (სენსორები, DBMS, რეგულატორები, სხვა ES).

ეს გარემოება გვაძლევს საშუალებას მივმართოთ განხილული საექსპერტო სისტემა დინამიური („აქტიური“) ექსპერტული სისტემების კლასს, ან რეალურ დროში ექსპერტ სისტემას, რომელსაც შეუძლია პროფესიონალი მუშაკის დაკარგული წვლილი ანაზღაუროს თავისი გამოცდილებით, ცოდნით და უნარებით. დამუშავების ხარისხის მიღწევა.

ბუნდოვანი კონტროლერები. ბუნდოვანი ლოგიკის იდეებმა, რომლებიც პირველად 1964 წელს გამოთქვა ამერიკელმა ლ.ზადემ, სისტემური თეორიის დარგში ცნობილმა სპეციალისტმა, იპოვა თავისი პირველი გამოყენება ევროპაში რეალური ტექნიკური ობიექტების მართვის პრობლემებში. 1974 წელს ინგლისელი მეცნიერების ე.ხ. მამდანი და ს. ასილიანი, მიეძღვნენ ორთქლის გენერატორის ქარხნის რეგულირების პრობლემას სპეციალურად შემუშავებული ბუნდოვანი წესების (წარმოებების) დახმარებით.

IMS-ის ტიპიური სტრუქტურა HP-ით ნაჩვენებია სურათზე 1.3. სიმარტივისთვის, ჩვენ ვივარაუდებთ, რომ საკონტროლო ობიექტი (მაგალითად, კვების დრაივი დაფუძნებული DC ძრავზე (DC ძრავა)) არის ერთგანზომილებიანი, ანუ მას აქვს ერთი შეყვანა (საკონტროლო სიგნალი - u) და ერთი გამომავალი (ძრავის ლილვის ბრუნვა). სიჩქარე - y). საკონტროლო შეცდომა e, რომელიც არის განსხვავება დაყენების მოქმედებასა და ობიექტის (კონტროლირებული ცვლადი) y გამომავალს შორის, მიეწოდება ბუნდოვანი ბლოკის ერთ-ერთ შეყვანას. ამ ბლოკის სხვა შეყვანა იღებს წარმოებულ სიგნალს, რომელიც გამოითვლება დიფერენცირების მოწყობილობის (DU) გამოყენებით.

ბუნდოვანი ბლოკის მიზანია შეცდომის სიგნალების e და მისი წარმოებულის მნიშვნელობების გარდაქმნა წევრობის ფუნქციებით განსაზღვრულ ენობრივ ცვლადებად. აქ A i და B j, შესაბამისად, არის ენობრივი ცვლადების "კონტროლის შეცდომა" და "შეცდომის წარმოებული" მიღებული მნიშვნელობები (ტერმინები). წევრობის ფუნქციების აგების მაგალითი და ნაჩვენებია სურათზე 1.3, სადაც გამოყენებულია შემდეგი აღნიშვნა:

Z - "ნულთან ახლოს" (zego);

MR - "შუა დადებითი" (შუა დადებითი);

LP - "დიდი დადებითი" (დიდი დადებითი);

MN - "საშუალო უარყოფითი" (საშუალო უარყოფითი);

LN - "დიდი უარყოფითი" (დიდი უარყოფითი).

ცოდნის ბაზა ინახავს ცოდნას წესების სახით, რომელთა მარცხენა ნაწილები შეიცავს პირობებს ლინგვისტური ცვლადების ზემოაღნიშნული მნიშვნელობების შესახებ "Control Error" და "Error Derivative", ხოლო მარჯვენა ნაწილები შეიცავს განცხადებებს მნიშვნელობებთან დაკავშირებით. ენობრივი ცვლადი „Control Increment“ (ინდექსი k აქ ნიშნავს tk დროის k-მე მომენტს). ამ წესებს შეიძლება ჰქონდეს შემდეგი ფორმა:

• 1) IF (Control error = Close to zero) AND (Error Derivative = Close to zero), THEN (Control increment = Close to zero);
• 2) IF (Control Error = Positive Average) AND (Error Derivative = Large Negative), THEN (Control Increment = Positive Average) და ა.შ.

ვარაუდობენ, რომ ამ წესების განხორციელება უზრუნველყოფს სისტემისთვის გარკვეული მოთხოვნების შესრულებას, რომელიც დაკავშირებულია მისი გარდამავალი ფუნქციის სასურველი ტიპის უზრუნველყოფასთან (სიჩქარის, ერთფეროვნების, გარდამავალი პროცესის სუსტი რხევის გათვალისწინებით, მაგალითად, კონტროლის თვალსაზრისით. და შემაშფოთებელი ზემოქმედება ლითონის საჭრელი მანქანის სერვოძრავაზე). წევრობის ფუნქციების დაყენების შესაძლო ვარიანტი, რომელიც განსაზღვრავს ენობრივი ცვლადის "საკონტროლო მოქმედების ზრდა" ძირითად მნიშვნელობებს ერთპუნქტიანი ბუნდოვანი კომპლექტების (სინგლეტონების) სახით ნაჩვენებია სურათზე 1.4.

დასკვნის ძრავის მუშაობა ეფუძნება მაქსიმალურ-მინიმალურ მეთოდს ან მაქსიმალურ პროდუქტის მეთოდს. ამ მეთოდების გამოყენება შესაძლებელს ხდის ენობრივი ცვლადის „საკონტროლო მოქმედების ზრდა“ (სურათი 1.4) წევრობის ფუნქციის მიღებას, ek და სიგნალების სპეციფიკური (ანუ გაზომილი tk მომენტში) მნიშვნელობების გათვალისწინებით. - ბუნდოვანი კონტროლერის შეყვანა.

და ბოლოს, მიღებული ბუნდოვანი სიმრავლიდან, რომელიც აღწერილია წევრობის ფუნქციით, გამომავალი ცვლადის ერთ (მკაფიო) მნიშვნელობაზე გადასვლა ხორციელდება დეფუზიფიკაციის ბლოკში სიმძიმის ცენტრის მეთოდის გამოყენებით.

სურათი 1.4-ზე განხილული შემთხვევისთვის ეს მნიშვნელობა გამოითვლება როგორც

სადაც - წევრობის ფუნქციის მნიშვნელობები წერტილებში -c 1 , -c 2 , 0, -c 1 , -c 2 , უწოდებენ შესაბამისი წესების აქტივობის დონეებს და გამოითვლება დასკვნის მექანიზმის გამოყენებით.

ბუნდოვანი კონტროლერის გამომავალი u k გვხვდება ფორმულით

სადაც u k-1 - საკონტროლო მოქმედების წინა მნიშვნელობა u; - მატება გამოითვლება კონტროლერის k-ე ციკლზე.

ბუნდოვანი კონტროლერის კიდევ ერთი ტიპი არის Sugeno ტიპის კონტროლერი. ამ შემთხვევაში წესების (პირობების) მხოლოდ მარცხენა ნაწილები შეიცავს ენობრივ ცვლადებს; ამ წესების მარჯვენა მხარე (გამომავალი) არის კონტროლერის შეყვანის ცვლადების წრფივი კომბინაციები, პლუს მუდმივი კომპონენტი (ოფსეტი). მაგალითად, ბუნდოვანი წესები შეიძლება ასე გამოიყურებოდეს:

1) IF (კონტროლის შეცდომა = ნულთან ახლოს) და (შეცდომის წარმოებული = ნულთან ახლოს), მაშინ

2) IF (კონტროლის შეცდომა = საშუალო დადებითი) AND (შეცდომის წარმოებული = დიდი უარყოფითი), მაშინ

აქ - მოცემულია (ექსპერტის მიერ არჩეული) რიცხვითი კოეფიციენტები; არის შეცდომის სიგნალის და მისი წარმოებულის მნიშვნელობები, რომლებიც იზომება k-ე ციკლში. შედეგად მიღებული გამომავალი არის თითოეული წესის გამომავალი საშუალო შეწონილი (1.3)

სად არის i-ე წესის აქტივობის დონე; N არის ასეთი წესების რაოდენობა; - ზრდა გამოითვლება i-th წესის გამოყენებით კონკრეტული მნიშვნელობებისთვის.

სარემონტო მენეჯმენტში ბუნდოვანი კონტროლერების გამოყენების მთავარი უპირატესობა არის რთული დინამიური ობიექტების ეფექტური კონტროლის უნარი, რომლებიც შედიან შიდსის სისტემის მახასიათებლებში გაურკვევლობის პირობებში, ცოდნის დამუშავების მექანიზმის მოდელირებით, ცოდნის დამუშავების მექანიზმის მოდელირებით ძლიერ ქცევასთან ანალოგიით. კვალიფიციური მუშაკი (ოპერატორი).

Ნეირონული ქსელები. ხელოვნური ნერვული ქსელების ისტორია იწყება ამერიკელი მეცნიერების W. McCulloch, W. Pitts (1943 - ფორმალური ნეირონის მოდელი) და F. Rosenblatt (1958 - ერთშრიანი ნერვული ქსელი, რომელსაც მან უწოდა) ნაშრომით. პერცეტრონი). დღეს, ნერვული ქსელები (NN) ეხება პარალელურ გამოთვლით სტრუქტურებს, რომლებიც აყალიბებენ ბიოლოგიურ პროცესებს, რომლებიც ჩვეულებრივ ასოცირდება ადამიანის ტვინთან. NN-ებს აქვთ უნარი შეიძინონ დომენის ცოდნა მაგალითებიდან სწავლით და მათი წონის კორექტირებით მათთვის წარმოდგენილი მრავალგანზომილებიანი მონაცემების ინტერპრეტაციისთვის.

სურათი 1.5 გვიჩვენებს პირდაპირი გავრცელების NS - მრავალშრიანი პერცეტრონის ბლოკ-სქემას. წრეები (ვერტიკები) მიუთითებენ ელემენტარული ინფორმაციის გადამყვანებს - ნეირონებს, და ისრებს (რკალებს) - მათ შორის კავშირებს, რომლებსაც აქვთ განსხვავებული "სიძლიერე" (სინაფსური კავშირების წონა). როგორც ნახაზი 1.5-დან ჩანს, განხილული პერცეტრონი შედგება ნეირონების რამდენიმე ფენისგან:

• * შეყვანის ფენა, რომელზეც გამოიყენება შეყვანის სიგნალების ნაკრები;
• * ერთი ან მეტი „ფარული“ (შუალედური) ფენა;
• * ნეირონების გამომავალი ფენა.

NN სწავლის პროცესის არსი შემდეგი მრავალსაფეხურიანი პროცედურის შესრულებაა.

ნაბიჯი 1. სავარჯიშო ნაკრები („დავალებების წიგნი“) დაყენებულია

რომლის ელემენტებია სავარჯიშო წყვილები. ამ შემთხვევაში, ნერვულ ქსელში წარმოდგენილი 1-ლი შეყვანის ვექტორი (ან 1-ლი შეყვანის სურათი); - NS-ის მითითების (საჭირო) რეაქციების ვექტორი 1-ლი შეყვანის ვექტორის საპასუხოდ; L არის სხვადასხვა სავარჯიშო წყვილების რაოდენობა.

ნაბიჯი 2. ნერვული ქსელის საწყისი მდგომარეობა იქმნება მის ყველა წონაზე რამდენიმე შემთხვევითი (პატარა) მნიშვნელობის მინიჭებით. არის კავშირის წონა, რომელიც აკავშირებს k-ე ფენის i-ე ნეირონის გამოსავალს (k + 1)-th ფენის j-th ნეირონის შეყვანასთან.

ნაბიჯი 3. შეყვანის ვექტორი მიეწოდება ქსელის შეყვანას; გამომავალი ფენის ნეირონების პასუხები განისაზღვრება.

ნაბიჯი 4. გამოთვალეთ სხვაობა სასურველ ქსელის პასუხსა და მის რეალურ გამომავალს შორის, ანუ, ისევე როგორც მთლიანი კვადრატული შეცდომა

ნაბიჯი 5. ნერვული ქსელის წონა შესწორებულია ისე, რომ შემცირდეს შეცდომა.

ნაბიჯი 6. საფეხურები 3-5 მეორდება თითოეული წყვილი სასწავლო კომპლექტისთვის, სანამ შეცდომა მთელ კომპლექტში არ მიაღწევს მცირე, წინასწარ განსაზღვრულ მნიშვნელობას E*.

ვარჯიშის შედეგია სინაფსური კავშირების წონების ისეთი რეგულირება, რომლის დროსაც ქსელი აკავშირებს საჭირო (ან მასთან ახლოს) გამომავალს თითოეულ შეყვანის ვექტორთან.

ერთ-ერთი პირველი ალგორითმი, რომელმაც წარმატებით დაამტკიცა თავი მრავალშრიანი NN-ის ტრენინგში, იყო 1986 წელს შემოთავაზებული რუმელჰარტი (აშშ) და მისი კოლეგები (Bask-ProgationAlgorithm) უკან გავრცელების ალგორითმი, რომელმაც შემდგომში განიცადა მრავალი ცვლილება და გაუმჯობესება.

დღეისათვის ცნობილია NS-ის 200-ზე მეტი სახეობა. ზემოთ ნახსენები მრავალშრიანი პერცეპტრონების გარდა, ესენია:

• * დინამიური (განმეორებადი) NS;
• * რადიალური ბაზის ფუნქციებზე დაფუძნებული ქსელები;
• * ჰოპფილდის ქსელები;
• * Kohonen ქსელები;
• * ნეოკოგნიტრონები და ა.შ.

სურათი 1.6 გვიჩვენებს NS-ის გამოყენების მაგალითს რთული დინამიური ობიექტის მართვის პრობლემის გადასაჭრელად (როგორც ბუნდოვანი კონტროლერის მაგალითში, გათვალისწინებულია DPT დისკისთვის მოცემული სიჩქარის შენარჩუნება). NN ამ შემთხვევაში მოქმედებს როგორც არაწრფივი კონტროლერი, რომელიც სასწავლო პროცესის დასრულების შემდეგ უზრუნველყოფს მინიმალურ შეუსაბამობას საცნობარო მოდელის (EM) და მთლიანად ACS TO-ს შორის.

TO კონტროლერებად მრავალშრიანი NS-ის გამოყენების უპირატესობები აიხსნება მათი თვისებების სიმრავლით: 1) სიგნალები ისეთ NS-ში, როგორც ავტომატური მართვის სისტემებში, ვრცელდება ერთი, წინა მიმართულებით; 2) აუცილებელი არაწრფივი მართვის ალგორითმების ფორმირებაში მთავარ როლს ასრულებს ამ ქსელების უნივერსალური მიახლოების თვისებები; 3) მრავალშრიანი NN-ის სწავლის უნარი იძლევა ადაპტაციურ თვისებებს; 4) ნერვული ქსელების უნარი პარალელური დამუშავების ორივე ანალოგური და დისკრეტული სიგნალების ბუნებრივია მათი გამოყენება მრავალგანზომილებიანი ობიექტების გასაკონტროლებლად. გაწვრთნილ ნერვულ ქსელებზე დაფუძნებული ნეიროკონტროლერების დანერგვა არ იწვევს ფუნდამენტურ სირთულეებს: არსებულ მიკროპროცესორულ ხელსაწყოებს შეუძლიათ სრულად განახორციელონ ნერვული ქსელების ფუნქციები. მრავალშრიანი NN-ის ჩართვა საკონტროლო მარყუჟში აფართოებს ობიექტის ფაზურ სივრცეს და ზრდის მისი თავისუფლების ხარისხების რაოდენობას, რითაც შესაძლებელს ხდის კონტროლის ოპტიმალური კანონების სინთეზირებას.

გენეტიკური ალგორითმები (geneticalgorithms). ეს არის ადაპტური ძიების და მრავალპარამეტრული ოპტიმიზაციის მეთოდების დიდი ჯგუფი, რომელიც ინტენსიურად განვითარდა ბოლო წლებში, როგორც მათი დამოუკიდებელი გამოყენებისთვის, ასევე სხვა ინტელექტუალური კონტროლის მეთოდებთან ერთად.

ამ ალგორითმების სახელი მიუთითებს იმაზე, რომ მათი წარმოშობა დაკავშირებულია ბუნებრივი გადარჩევის პრინციპების გამოყენებასთან და გენეტიკასთან. ძიების ტრადიციული მეთოდები, როგორც წესი, ითვალისწინებს შესწავლილი ობიექტური ფუნქციის დიფერენცირებას პარამეტრების მიხედვით და, როგორც წესი, იყენებს გრადიენტულ პროცედურებს. გენეტიკური ალგორითმები (GA) განსხვავდება ჩვეულებრივი ოპტიმიზაციის მეთოდებისგან მრავალი თვალსაზრისით. თავის არსში, GA არის გლობალური ექსტრემის პარალელური ძიების მეთოდი, რომელიც დაფუძნებულია ძიების პროცესში რამდენიმე სათანადოდ კოდირებული წერტილის (გადაწყვეტის კანდიდატების) გამოყენებაზე, რომლებიც ქმნიან პოპულაციას, რომელიც ვითარდება გარკვეული შემთხვევითი კანონების მიხედვით. ამ შემთხვევაში გამოყენებული შერჩევის მექანიზმები, პირველად ნათლად ჩამოყალიბებული ჩარლზ დარვინის მიერ („ყველაზე მორგებული გადარჩება!“), საშუალებას გვაძლევს გამოვრიცხოთ ყველაზე ნაკლებად შესაფერისი ვარიანტები და, პირიქით, გამოვყოთ და გავაძლიეროთ იმ ვარიანტების დადებითი თვისებები, რომლებიც ყველაზე სრულად აკმაყოფილებს. მიზანი.

მოდით გამოვყოთ GA-ს დახმარებით გადაჭრილი ამოცანების დიაპაზონი TO-სთან მიმართებაში.

ოპტიმიზაციის პრობლემები ერთ-ერთ ცენტრალურ ადგილს იკავებს ACS TO-ს სხვადასხვა კლასის დიზაინში. ამის მიზეზი არის ბუნებრივი სურვილი, აირჩიოს უმარტივესი ვარიანტი სისტემის ან მოდელის ასაშენებლად, მისი ფუნქციონირების ხარისხისთვის განსაზღვრული მოთხოვნების დაკმაყოფილებისას (სტრუქტურული სინთეზის პრობლემა) ან მრავალკომპონენტიანი პარამეტრების ოპტიმალური პარამეტრების პოვნა. სისტემა მოცემული სტრუქტურით (პარამეტრული სინთეზის პრობლემა). მოცემულია შესაბამისი ამოცანების დაყენების რამდენიმე მაგალითი.

ამოცანა 1. საჭიროა მოიძებნოს ობიექტის მახასიათებლების იდენტიფიკაციისა და პროგნოზირების ოპტიმალური ალგორითმი, რომელიც გამოიყენება IMS TO-ს შემადგენლობაში ექსპერტ კონტროლერთან ერთად (იხ. სურათი 1.2). ცვლადი პარამეტრებია რეგრესიის მოდელის რიცხვითი კოეფიციენტები, საბაზისო ფუნქციების რაოდენობა ან რეგრესიის განტოლებების რიგი. ობიექტური ფუნქცია არის იდენტიფიკაციისა და პროგნოზის შეცდომა, რომელიც შეფასებულია, როგორც სხვაობა საკონტროლო ობიექტისა და მის მოდელს შორის არსებულ (ან მომავალ) მომენტში.

დავალება 2. საჭიროა აირჩიოს ბუნდოვანი კონტროლერის წევრობის ფუნქციების ფორმა და ურთიერთგანლაგება, რომელიც უზრუნველყოფს ACS TO-ში საკონტროლო პროცესების მითითებულ ხარისხს. ცვლადი პარამეტრები - წევრობის ფუნქციების a i ,b j ,c რიცხობრივი კოეფიციენტები (იხ. სურათი 1.5); წევრობის ფუნქციების რაოდენობა. სამიზნე ფუნქცია არის ხარისხის ინდიკატორი (ფუნქციონალური), რომლის მინიმუმი შეესაბამება საცნობარო გარდამავალ პროცესებს.

დავალება 3. საჭიროა აირჩიონ მრავალშრიანი პერცეპტრონის სტრუქტურა (ტოპოლოგია, არქიტექტურა), რომელიც გამოიყენება ICS TO-ში არაწრფივი კონტროლერად, ნაჩვენებია სურათზე 1.6. ცვლადი პარამეტრები არის ფენების რაოდენობა და ნეირონების რაოდენობა NN-ის თითოეულ ფენაში. ობიექტური ფუნქცია არის ქსელის მომზადების შეცდომა, რომელიც არის შეუსაბამობა ობიექტის გამოსავალსა და სისტემის საცნობარო მოდელს შორის.

ყველა ზემოთ მოყვანილ მაგალითში ოპტიმიზაციის პრობლემა იღებს შემდეგ მათემატიკურ ფორმულირებას: ვიპოვოთ ცვლადი პარამეტრების ისეთი მნიშვნელობები V 1 , V 2 , …, V n , რომლებიც უზრუნველყოფენ f(V 1 , V მიზნობრივი ფუნქციის მინიმუმს. 2 , …, V n) იმ პირობით, რომ მითითებული პარამეტრები V 1 , V 2 , …, V n აკმაყოფილებს დასაშვებ ზონას. შეზღუდვების არეალის დაწესება თითოეულ კონკრეტულ შემთხვევაში ნაკარნახევია მოგვარებული პრობლემის სპეციფიკით. მაგალითად, პრობლემა 2-ში რეგიონის ტიპი განისაზღვრება იმ ინტერვალების საზღვრების არჩევით, რომლებშიც მოძიებულია წევრობის ფუნქციების საჭირო ოპტიმალური პარამეტრები. პრობლემა 3-ში შესაბამისი შეზღუდვები დაკავშირებულია NN-ის შესწავლილი კლასის მაქსიმალური დასაშვები სირთულის შეზღუდვასთან და ა.შ.

ზემოაღნიშნული პრობლემების გადასაჭრელად ტრადიციული მრავალპარამეტრული საძიებო ალგორითმების გამოყენებისას წარმოიქმნება მთელი რიგი სირთულეები, რომლებიც მოიცავს:

• * გამოთვლითი ხარჯების და ძიების დროის მკვეთრი ზრდა ცვლადი პარამეტრების რაოდენობის ზრდით („განზომილებიანობის წყევლა“);
• * საძიებო ალგორითმების ლოკალური ბუნება, რომელიც დაკავშირებულია ობიექტური ფუნქციის წარმოებულების (გრადიენტის) გამოთვლის საჭიროებასთან ძიების თითოეულ საფეხურზე;
• * საძიებო ალგორითმის „ჩაკიდების“ შესაძლებლობა ერთ-ერთი ადგილობრივი ექსტრემის სიახლოვეს;
• * ალგორითმის დაბალი ხმაურის იმუნიტეტი;
• * დაბალი ძიების ეფექტურობა "გულის" სიტუაციების არსებობისას.

GA-ს მიმზიდველობა სწორედ იმაში მდგომარეობს, რომ ისინი დიდწილად მოკლებულია ამ ნაკლოვანებებს.

გენეტიკიდან და ცოცხალი ბუნების ევოლუციის თეორიიდან ნასესხები GA ტერმინოლოგიით, ისინი ეხება „ინდივიდულების“ პოპულაციას, რომელთაგან თითოეული განსახილველი პრობლემის გადაჭრის პრეტენდენტია. თითოეულ ინდივიდს ენიჭება გარკვეული „ფიტნეს (ფიტნეს) ინდექსი“, იმის მიხედვით, თუ რამდენად წარმატებულია პრობლემის გადაჭრის ეს კონკრეტული ვარიანტი. მაგალითად, ზემოთ ნახსენები ერთ-ერთი ობიექტური ფუნქცია (იხ. ამოცანები 1-3) შეიძლება იყოს ასეთი ვარგისიანობის ინდექსი. გარდა ამისა, ყველაზე მორგებულ ინდივიდებს ეძლევათ შესაძლებლობა „გამრავლდნენ“ პოპულაციის სხვა ინდივიდებთან „გადაკვეთით“. ამის შედეგად ჩნდებიან ახალი პიროვნებები - „შთამომავლები“, რომლებიც მემკვიდრეობით იღებენ გარკვეულ მახასიათებლებს თითოეული „მშობლისგან“. შესაბამისად, მოსახლეობის ყველაზე ნაკლებად მორგებული წევრები „იღუპებიან“. შესაძლო გადაწყვეტილებების შედეგად წარმოქმნილი ახალი პოპულაცია ქმნის ახალ „თაობას“, რომელიც გაცილებით დიდი პროპორციით ინარჩუნებს იმ თვისებებს (მახასიათებლებს), რომლებიც თანდაყოლილი იყო წინა თაობის საუკეთესო წარმომადგენლებისთვის. ზემოთ აღწერილი სქემის თაობიდან თაობაში გამოყენებით და შეჯვარების წახალისებით და თვისებების გაცვლის წახალისებით, პირველ რიგში, ყველაზე შესაფერის ინდივიდებს შორის, შეიძლება მუდმივად გააუმჯობესოს პოპულაცია ინდივიდების ძლიერი მხარეების შენარჩუნებით და გაზრდით. სხვა სიტყვებით რომ ვთქვათ, ძიება შეისწავლის ცვლადი პარამეტრების სივრცის ყველაზე პერსპექტიულ, პერსპექტიულ სფეროებს. GA-ს სწორი ფუნქციონირებით მოსახლეობა გადადის პრობლემის ოპტიმალურ გადაწყვეტამდე.

ზოგადად მიღებულია, რომ გენეტიკური ალგორითმები არ იძლევა გარანტიას გლობალური ოპტიმუმის პოვნაში, მაგრამ მათი სიძლიერე მდგომარეობს იმაში, რომ ისინი საშუალებას აძლევს "საკმაოდ სწრაფად" იპოვონ "საკმარისად კარგი" გადაწყვეტილებები პრობლემების ფართო სპექტრისთვის, მათ შორის ისეთებიც, რომელთა გადაჭრაც რთულია. სხვა მეთოდებით.

გენეტიკური ალგორითმების გამოყენების ისტორია იწყება R. Holstien-ისა და De Jong-ის ნაშრომებით, რომლებშიც არაერთი მაგალითის გამოყენებით პირველად იქნა დემონსტრირებული GA-ს შესაძლებლობები მრავალპარამეტრული ოპტიმიზაციის პრობლემების გადასაჭრელად. 1975 წელს გამოიცა ჯ.ჰოლლანდის მონოგრაფია „ადაპტაცია ბუნებრივ და ხელოვნურ სისტემებში“, რომელშიც მოცემულია მეთოდის თეორიული დასაბუთება და ჩამოყალიბებული ძირითადი პრინციპები. და ბოლოს, დ. გოლდბერგის წიგნმა „გენეტიკური ალგორითმები ძიებაში, ოპტიმიზაციასა და მანქანათმცოდნეობაში“, გამოქვეყნებული 1989 წელს და რომელიც გახდა კლასიკური, დიდი პოპულარობა მოიპოვა, რომელიც შეიცავს უამრავ მაგალითს და შესაძლო პრობლემის განცხადებებს აპლიკაციების სხვადასხვა სფეროდან. მოგვარებულია GA-ს გამოყენებით.

ბოლო წლების განმავლობაში, GA-ს ფარგლები მნიშვნელოვნად გაფართოვდა. ნაჩვენებია, რომ ეს მეთოდები ეფექტურია ისეთი პრობლემების გადასაჭრელად, როგორიცაა:

• * რთული დინამიური ობიექტების იდენტიფიკაცია;
• * მრავალაგენტიანი რობოტული სისტემების ოპტიმალური კონფიგურაციის შერჩევა;
• * ოპტიმალური კონტროლის ალგორითმების სინთეზი მულტილინკი რობოტული მანიპულატორებისთვის;
• * კოსმოსური ხომალდის დამაგრების ოპტიმალური კონტროლი;
• * სატრანსპორტო საშუალებების მარშრუტების დაგეგმვა დაბრკოლებების ფონზე;
• * საპროექტო გადაწყვეტილებების სტრუქტურული სინთეზი, გრაფიკების სინთეზი

და მრავალი სხვა.

GA-ს გამოყენება მოიცავს არა მხოლოდ ტრადიციული ოპტიმიზაციის პრობლემების კლასს, არამედ სწრაფად ვრცელდება რთული დინამიური ობიექტების მართვის პრობლემებზე გაურკვევლობის პირობებში. მაშასადამე, მანქანათმშენებლობის კონტროლის ამოცანებში, HA ასევე შეიძლება გამოყენებულ იქნას პრობლემების ფართო სპექტრის გადასაჭრელად.

TO-ში დამუშავების განსაზღვრული ხარისხის უზრუნველსაყოფად, აუცილებელია ინტელექტუალური კონტროლის ორგანიზება IMS-ის ყველა დონეზე: ორგანიზაციული, საკოორდინაციო და ტაქტიკური. ეს ნიშნავს, რომ როგორც მარეგულირებელთა სისტემას, ასევე იდენტიფიკაციისა და პროგნოზირების ბლოკს, როგორც ES-ის ნაწილს, უნდა ჰქონდეს „ინტელექტუალური შესაძლებლობები“. როგორც არაწრფივი საკონტროლო ობიექტების რეგულატორები, ხშირად გამოიყენება fuzzy, NS რეგულატორები და მათი ჯიშები, ხოლო იდენტიფიკაციისა და პროგნოზირების სისტემებისთვის - ნეირო-ფაზური სისტემები (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) და სხვადასხვა ტიპის ნერვული ქსელები. თავად ES ასევე შეიძლება აშენდეს "მკაფიო" ან "ბუნდოვანი" ლოგიკის გამოყენების საფუძველზე. ამრიგად, ES შეიძლება განვითარდეს NN ან ბუნდოვანი წესების საფუძველზე, ან ორივე ერთდროულად. ამიტომ, TO-ს ინტელექტუალური კონტროლის ორგანიზებისას უფრო მიზანშეწონილია შექმნათ ნეირო-ფაზური (ჰიბრიდული) ES, რომლებსაც აქვთ საკმაო შესაძლებლობები გამოიყენონ როგორც საეჭვო ლოგიკის, ასევე NN-ის უპირატესობები. უფრო მეტიც, აუცილებელია შერეული (ჰიბრიდული) მართვის სტრატეგიის გამოყენება IMS TO-ს ყველა დონეზე, რადგან ეს საშუალებას მისცემს სრულად გამოიყენოს ინტელექტუალური მართვის მეთოდების უპირატესობები არა მხოლოდ მენეჯმენტის ზედა დონეზე (ორგანიზაციული და საკოორდინაციო), არამედ. ასევე დაბალ (ტაქტიკურ) დონეზე, სადაც საჭიროა არაწრფივი ალგორითმები სხვადასხვა სტრატეგიისთვის რეალურ დროში აკონტროლოთ აქტივატორები.

ეკონომიკური გადაწყვეტილებები, შესაძლო შედეგებისა და შედეგების სიზუსტედან გამომდინარე, განიხილება სამი მოდელის ფარგლებში:

გადაწყვეტილების არჩევა გაურკვევლობის პირობებში, თუ თითოეული ქმედებისთვის ცნობილია, რომ იგი უცვლელად იწვევს გარკვეულ შედეგს;

რისკის ქვეშ მყოფი გადაწყვეტილების არჩევა, თუ ყოველი ქმედება იწვევს მრავალი შესაძლო კონკრეტული შედეგიდან ერთ-ერთს და თითოეულ შედეგს აქვს გამოთვლილი ან ექსპერტულად შეფასებული დადგომის ალბათობა;

გადაწყვეტილებების არჩევანი გაურკვევლობის პირობებში, როდესაც ამა თუ იმ მოქმედებას აქვს მრავალი კონკრეტული შედეგი, მაგრამ მათი ალბათობა უცნობია.

ალბათური მეთოდები იძლევა გადაწყვეტილების მიღების შესაფერის პირობებს და არჩევანის ხარისხის მნიშვნელოვან გარანტიებს. ეს ემყარება დაშვებას, რომ აზრების, უპირატესობებისა და განზრახვების შესახებ განსჯა არის ადამიანის გამოცდილების ღირებული აბსტრაქცია და შეიძლება დამუშავდეს გადაწყვეტილების მისაღებად. მიუხედავად იმისა, რომ მოვლენების ალბათობის შესახებ განსჯა კვალიფიცირებულია ალბათობით, განსჯები მოქმედებების მიზანშეწონილობის შესახებ წარმოდგენილია ცნებებით. ბაიესის მეთოდოლოგია განიხილავს მოსალოდნელ სარგებლობას U(d), როგორც გადაწყვეტის ხარისხის შეფასებას d. შესაბამისად, თუ ჩვენ შეგვიძლია ავირჩიოთ მოქმედება d 1 ან d 2 , გამოვთვალოთ U(d 1), U(d 2) და ვირჩევთ მოქმედებას, რომელიც შეესაბამება ყველაზე დიდ მნიშვნელობას. სარგებლობის სემანტიკა არის რისკის აღწერა.

რისკი საყოველთაოდ გაგებულია, როგორც პიროვნების ან ორგანიზაციის რესურსების ნაწილის დაკარგვის, შემოსავლის ნაკლებობის ან დამატებითი ხარჯების გაჩენის ალბათობა (საფრთხე) გარკვეული ფინანსური პოლიტიკის განხორციელების შედეგად.

რისკის დონე გაგებულია, როგორც ზარალის ობიექტური ან სუბიექტური ალბათობა. ობიექტური არის შემთხვევითი მოვლენის შესაძლებლობის რაოდენობრივი საზომი, მიღებული გამოთვლების ან გამოცდილების გამოყენებით, რაც შესაძლებელს ხდის ამ მოვლენის გამოვლენის ალბათობის შეფასებას. სუბიექტური არის გამოცხადებული განაჩენის ნდობისა და სიმართლის საზომი და დადგენილია ექსპერტის მიერ.

რისკის დონე ყველაზე ადვილად დგინდება ატრიბუტული შეფასებების გამოყენებით, როგორიცაა "მაღალი", "საშუალო", "მცირე". ატრიბუტული რისკის შეფასების ვარიაცია არის ასო კოდირება. ამ შემთხვევაში რისკის გაზრდისა და სანდოობის შემცირების მიზნით გამოიყენება ლათინური ასოები A-დან D-მდე.

AAA - უმაღლესი საიმედოობა;

AA - ძალიან მაღალი საიმედოობა;

A - მაღალი საიმედოობა;

D არის მაქსიმალური რისკი.

რისკის დონის შეფასება შესაძლებელია ბუღალტრული აღრიცხვისა და სტატისტიკური ანგარიშგების ინდიკატორების გამოყენებით.

ყველა შესაძლო ინდიკატორიდან, ამ მიზნისთვის საუკეთესოა მიმდინარე ლიკვიდობის კოეფიციენტი (CTL) - პარტნიორის ლიკვიდური სახსრების თანაფარდობა მის ვალებთან, რაც პასუხობს კითხვას, შეძლებს თუ არა პარტნიორი ვალების დაფარვას მისი აქტიური ლიკვიდური აქტივებით.

სიტუაციის ანალიზის შედეგად აგებულია მიზეზ-შედეგობრივი დიაგრამები („მიზეზთა ხე“) და დამოკიდებულების დიაგრამები. მიზეზ-შედეგობრივი დიაგრამა არის პრობლემური სიტუაციის სტრუქტურის ფორმალური ჩვენება იერარქიულად ღია გრაფიკის სახით, რომლის წვეროები შეესაბამება პრობლემის ელემენტებს, ასახავს მისი წარმოშობის მიზეზებს, ხოლო რკალი შეესაბამება. მათ შორის არსებულ კავშირებზე. ელემენტები-ქვეპრობლემების ურთიერთობა ნაჩვენებია როგორც „მიზეზ-შედეგობრივი“ ურთიერთობა (ნახ. 11.1).

OLTR - მონაცემთა შენახვისა და ონლაინ ტრანზაქციის დამუშავების საშუალება; OLAR - ოპერატიული ინფორმაციის დამუშავების საშუალება.

მონაცემთა საწყობის სახით ორგანიზებული კორპორატიული მონაცემთა ბაზა ივსება ინფორმაციით OLTR და OLAR ტექნოლოგიების გამოყენებით. ნახევრად სტრუქტურირებული პრობლემების DSS-ის შემუშავებისა და განსახორციელებლად, შემდეგი მეთოდები და ინსტრუმენტები უნდა შემუშავდეს და მოერგოს მის პირობებს:

პრობლემური სიტუაციების აღრიცხვის ნიშნების სისტემა;

პრობლემური სიტუაციების კრიტიკულობის ხარისხის შეფასების მეთოდები;

პრობლემური სიტუაციების მიზეზების დიაგნოსტიკის მიზეზ-შედეგობრივი დიაგრამები;

გადაწყვეტილების ცხრილი გადაწყვეტილების ვარიანტების ფორმირებისა და შერჩევისთვის;

გადაწყვეტილებების შედეგების პროგნოზირების მეთოდები;

საწარმოს ფუნქციონირების მოდელები და გარე გარემო.

სურ.11.1. გადაწყვეტილების მხარდაჭერის სისტემის მოდელი

ტექნიკური და ეკონომიკური ინდიკატორების გამოყენებით პრობლემების იდენტიფიცირების ყველაზე გავრცელებული ფორმაა მათი რეალური მნიშვნელობების შედარება სტანდარტულ და საშუალო მნიშვნელობებთან.

იერარქიის ქვედა დონეზე მდებარე პრობლემის მიზეზების ლოგიკური ანალიზი აჩვენებს, რომ ხშირ შემთხვევაში ისინი საშუალებას გაძლევთ შექმნათ უფრო მაღალი დონის პრობლემების გადაჭრის ვარიანტები. მაგალითად, როგორც პროდუქციის წარმოებისა და გაყიდვების მოცულობის შემცირების პრობლემის გადაჭრის ვარიანტები, შესაძლებელია ალტერნატივები:

ფასის ცვალებადობა;

გადახდის ფორმების ცვალებადობა;

დასაქმებულთა რაოდენობის შემცირება;

ნახევრად ფიქსირებული დანახარჯების წილის შემცირება წარმოების ღირებულებაში;

შეკვეთების შესრულების ვადების შემცირება;

მარკეტინგული სერვისის გაძლიერება.

როდესაც არ არის აუცილებელი სტატისტიკური მონაცემები რისკის ობიექტური ალბათობის გამოსათვლელად, მიმართეთ სუბიექტურ შეფასებებს ექსპერტების ინტუიციისა და გამოცდილების საფუძველზე. ჯ.კეინსმა შემოიტანა სუბიექტური ალბათობის ცნება. გულგრილობის პრინციპის შესაბამისად, თანაბრად დამაჯერებელ მოვლენებს ან განსჯას უნდა ჰქონდეს იგივე ალბათობა, რაც მათემატიკურად იწერება როგორც:

A ~ B ≡ P(A) = P(B),

სადაც ~ არის გულგრილობის ან ტოლერანტობის დამოკიდებულების გამომხატველი ნიშანი.

უფრო სარწმუნო მოვლენას ან განსჯას უფრო დიდი ალბათობა უნდა ჰქონდეს, ე.ი. თუ A>B, მაშინ P(A)>P(B). ალბათობის სუბიექტური შეფასებები აკავშირებს ვერბალურ და რაოდენობრივ მნიშვნელობებს (ცხრილი 4).

ცხრილი 4

ფასიანი ქაღალდების ბაზარზე ოპერაციების განხორციელებისას არსებობს რისკების ფორმები:

სისტემატური რისკი არის მთლიანობაში ფასიანი ქაღალდების ბაზრის დაცემის რისკი. არ არის დაკავშირებული კონკრეტულ უსაფრთხოებასთან.

არასისტემატური რისკი არის აგრეგატული კონცეფცია, რომელიც აერთიანებს ყველა სახის რისკს, რომელიც დაკავშირებულია კონკრეტულ ფასიან ქაღალდთან.

ქვეყნის რისკი - არასტაბილური სოციალური და ეკონომიკური ვითარების მქონე ქვეყნის იურისდიქციის ქვეშ მყოფი საწარმოების ფასიან ქაღალდებში ინვესტირების რისკი, არამეგობრული ურთიერთობების მქონე ქვეყანასთან, რომლის რეზიდენტია ინვესტორი. კერძოდ, პოლიტიკური რისკი.

საკანონმდებლო ცვლილებების რისკი არის ფასიანი ქაღალდებში ინვესტიციებიდან მიღებული ზარალის რისკი მათი საბაზრო ღირებულების ცვლილების გამო, რომელიც გამოწვეულია ახალი ან არსებული კანონმდებლობის გაჩენით.

ინფლაციური რისკი არის რისკი იმისა, რომ როდესაც ინფლაცია მაღალია, ინვესტორების მიერ ფასიანი ქაღალდებიდან მიღებული შემოსავალი გაუფასურდება.

სავალუტო რისკი არის რისკი, რომელიც დაკავშირებულია უცხოურ ვალუტაში ფასიან ქაღალდებში სავალუტო კურსის ცვლილების გამო ინვესტიციებთან.

ინდუსტრიის რისკი არის რისკი, რომელიც დაკავშირებულია ცალკეული ინდუსტრიების სპეციფიკასთან.

რეგიონული რისკი - რისკი, რომელიც თან ახლავს ერთპროდუქტის სფეროებს (სოფლის მეურნეობა, სამხედრო, მძიმე, მსუბუქი მრეწველობა).

საწარმოს რისკი არის ფინანსური ზარალის რისკი კონკრეტული საწარმოს ფასიან ქაღალდებში ინვესტიციების შედეგად.

საკრედიტო რისკი არის რისკი იმისა, რომ ფასიანი ქაღალდების ემიტენტი ვერ შეძლებს მათზე პროცენტის გადახდას.

ლიკვიდურობის რისკი არის რისკი, რომელიც დაკავშირებულია ფასიანი ქაღალდის გაყიდვისას ზარალის შესაძლებლობასთან მისი შეფასების ცვლილების გამო.

საპროცენტო განაკვეთის რისკი არის ზარალის რისკი, რომელიც შეიძლება განიცადონ ინვესტორებმა საპროცენტო განაკვეთების ცვლილების გამო.

კაპიტალის რისკი არის ფასიანი ქაღალდების პორტფელის ხარისხის მნიშვნელოვანი გაუარესების რისკი.

არსებობს რამდენიმე პოპულარული მიდგომა საინვესტიციო პორტფელის არჩევისა და სახსრების განაწილების შესახებ გადაწყვეტილების მისაღებად. უმარტივესი, შესაბამისი, მოითხოვს, რომ პორტფელი იყოს შემუშავებული ინვესტიციური კომპანიის სპეციფიკური მოთხოვნების დასაკმაყოფილებლად. ამ მიდგომის შესაბამისად, ინვესტორი ახორციელებს ფიქსირებული თანხის შენატანებს სხვადასხვა კატეგორიის ფასიან ქაღალდებში. ფირმის ფასიანი ქაღალდების ხარისხის შეფასება შეიძლება ეფუძნებოდეს კომპანიის კაპიტალის ზომას, მისი შესრულების მაჩვენებლებს და სხვა ორგანიზაციების შენატანებს.

სტრატეგიებს, რომლებშიც აქტივები შერეულია ეროვნული და გლობალური ეკონომიკის ფაზების მიხედვით, ეწოდება ტაქტიკური აქტივების განაწილება. აქტივების ტაქტიკური განთავსება კონფორმალურია, ხოლო სახსრები ინვესტირდება იმ აქტივებში, რომლებიც დაეცა. როდესაც სხვადასხვა აქტივების კლასებში ინვესტირებული სახსრების პროპორცია ეფუძნება მაკროეკონომიკური პარამეტრების მომავალ შეფასებებს, ამ მიდგომას ეწოდება სცენარის განაწილება.

პორტფელის შერჩევის ყველაზე ფართოდ გამოყენებული მიდგომა არის ჰარი მარკოვიცის მიერ შემოთავაზებული საშუალო ვარიაციის მიდგომა. მთავარი იდეა არის ფინანსური ინსტრუმენტის მიერ მოტანილი მომავალი შემოსავალი შემთხვევით ცვლადად განვიხილოთ, ანუ ცალკეულ საინვესტიციო ობიექტებზე შემოსავალი შემთხვევით იცვლება გარკვეულ ფარგლებში. მაშინ, თუ რაიმე გზით განისაზღვროს რეალიზაციის საკმაოდ გარკვეული ალბათობა თითოეული საინვესტიციო ობიექტისთვის, შესაძლებელია მივიღოთ შემოსავლის მიღების ალბათობების განაწილება თითოეული საინვესტიციო ალტერნატივისთვის. გამარტივების მიზნით, მარკოვიცის მოდელი ვარაუდობს, რომ ანაზღაურება საინვესტიციო ალტერნატივებზე ჩვეულებრივ ნაწილდება.

მარკოვიცის მოდელის მიხედვით, განისაზღვრება ინდიკატორები, რომლებიც ახასიათებენ ინვესტიციის მოცულობას და რისკს, რაც საშუალებას გაძლევთ შეადაროთ კაპიტალის ინვესტიციის სხვადასხვა ალტერნატივა მიზნების თვალსაზრისით და ამით შექმნათ სხვადასხვა კომბინაციების შეფასების მასშტაბი. პრაქტიკაში, ყველაზე სავარაუდო მნიშვნელობა გამოიყენება, როგორც მოსალოდნელი შემოსავლის მასშტაბი რიგი შესაძლო შემოსავლებიდან, რაც ნორმალური განაწილების შემთხვევაში ემთხვევა მათემატიკურ მოლოდინს.

მარკოვიცის მოდელის გულში, პორტფელის შერჩევა, როგორც ჩანს, ოპტიმიზაციის პრობლემაა:

შეზღუდვების ქვეშ

,

,

სადაც ნ– ხელმისაწვდომი ფასიანი ქაღალდების რაოდენობა; პორტფელის ნაწილი, რომელიც შეიცავს ფასიან ქაღალდებს მე;რ მე= E(რ მე) არის ფასიან ქაღალდებზე შემოსავლის მოსალოდნელი ღირებულება მე;R p =E(r p) – პორტფელის მოსალოდნელი შემოსავლის სამიზნე დონე; ს იჯ– ფასიან ქაღალდებზე შემოსავლის კოვარიანტობა მე და ჯ V p არის პორტფელის შემოსავლის ვარიაცია.

ეს პრობლემა არის კვადრატული პროგრამირების პრობლემა.

შესავალი

თანამედროვე ტექნოლოგიური კომპლექსების ექსპლუატაციის პირობები განაპირობებს კონტროლისა და მართვის პროცესში გათვალისწინების აუცილებლობას გაურკვევლობის შემდეგი ტიპები:

1. საკონტროლო ობიექტებიდან მიღებული ოპერატიული ინფორმაციის დაბალი სიზუსტე,წარმოიქმნება ტექნოლოგიური პარამეტრების გაზომვის სენსორების დიდი შეცდომის გამო (ნაკადი, წნევა და ა. მოდელებისთვის საჭირო ტექნოლოგიური პროცესის წერტილები.

2. კონტროლისა და მართვის ობიექტების მოდელების უზუსტობა, გამოწვეული: პრაქტიკაში გამოყენებული სისტემური მრავალდონიანი იერარქიული მოდელებისა და ცალკეული ლოკალური პრობლემების გადაწყვეტილებების არაეკვივალენტურობით; არასწორად შესრულებული ზოგადი საკონტროლო დავალების დაშლა, ტექნოლოგიური პროცესის მოდელის გადაჭარბებული იდეალიზაცია, ტექნოლოგიურ კომპლექსში არსებითი რგოლების გაწყვეტა, ხაზოვანება, დისკრეტიზაცია, აღჭურვილობის რეალური მახასიათებლების პასპორტით ჩანაცვლება, განტოლებების გამოტანისას გამოთქმული ვარაუდების დარღვევა. (სტაციონალურობა, იზოთერმულობა, ერთგვაროვნება და ა.შ.).

3. ბუნდოვანება გადაწყვეტილების მიღების პროცესშიმრავალდონიანი იერარქიულ სისტემებში, იმის გამო, რომ მკაფიო (ზუსტი) მიზნები და კოორდინირებული გადაწყვეტილებები კონტროლისა და მართვის თითოეულ დონეზე და თითოეული ადგილობრივი კონტროლის მოწყობილობაზე, ართულებს კოორდინაციის პროცესს და წინასწარ განსაზღვრავს კოორდინაციის გადაწყვეტილებების ხანგრძლივ განმეორებით ხასიათს.

4. საკონტროლო მარყუჟში ადამიანის ოპერატორის, მათ შორის დისპეტჩერის არსებობადა საკოორდინაციო პროცესის წარმართვა რეალურ საწარმოო სისტემაში ბუნებრივ ენაზე, იწვევს დისპეტჩერის ცოდნის ალგორითმების სახით წარმოდგენის სირთულეების გათვალისწინებას და კომპიუტერის მიერ მიღებული გადაწყვეტის თანმიმდევრულობას მის შეფასებასთან.

”სიზუსტის გადაჭარბებულმა სწრაფვამ დაიწყო ისეთი ეფექტის მოტანა, რომელიც გააუქმებს კონტროლის თეორიას და სისტემურ თეორიას, რადგან ეს იწვევს იმ ფაქტს, რომ ამ სფეროში კვლევა ფოკუსირებულია იმ და მხოლოდ იმ პრობლემებზე, რომლებიც ზუსტ გადაწყვეტას ექვემდებარება. მნიშვნელოვანი პრობლემების მრავალი კლასი, რომლებშიც მონაცემები, მიზნები და შეზღუდვები ზედმეტად რთული ან არასწორად არის განსაზღვრული ზუსტი მათემატიკური ანალიზის დასაშვებად, გამოტოვებულია და რჩება მხოლოდ იმ მიზეზით, რომ ისინი არ ექვემდებარება მათემატიკურ მკურნალობას.

ლ.ზადე

თანამედროვე წარმოების პროცესებს შორის ბევრია ისეთი თვისებების კომპლექსი, რომლებიც მოულოდნელია ავტომატური კონტროლის კლასიკური თეორიისთვის (TAU). ეს "არასასიამოვნო" ან, როგორც მათ ჩვეულებრივ უწოდებენ, "სუსტად სტრუქტურირებული"ან "არასწორად განსაზღვრული"ობიექტებს აქვთ ისეთი თვისებები, როგორიცაა უნიკალურობა, არსებობის ფორმალიზებული მიზნის არარსებობა და ოპტიმალური, სტრუქტურისა და პარამეტრების არასტაციონარულობა, ობიექტის ფორმალური აღწერის არასრულყოფილება ან თითქმის სრული არარსებობა.

კონცეპტუალური საფუძვლები

მართვა გაურკვევლობის პირობებში

გაურკვევლობის ფაქტორები,რომლებიც გაგებულია, როგორც გაურკვევლობის წყაროები, საკმაოდ პირობითად იყოფა შემდეგ სამ დიდ ჯგუფად:

1. გაურკვევლობა და არასრული ინფორმაცია სიტუაციის შესახებ, რომელიც გამოიყენება ფუნქციონირების ხარისხის შეფასების ან სისტემის ფუნქციონირების მენეჯმენტის ფორმირების შესახებ გადაწყვეტილების მისაღებად - სისტემისა და გარემოს გაურკვევლობის ფაქტორი;

2. გაურკვევლობის, ბუნდოვანი აზროვნების და ადამიანის ცოდნის შედეგად წარმოქმნილი ფაქტორები- გაურკვევლობა, რომელიც ვლინდება ადამიანის სისტემასთან და მის გარემოსთან ურთიერთქმედებაში;

3. გაურკვევლობები, ბუნდოვანება(უზუსტობა) დაგროვილი ცოდნაკონცენტრირებული ხელოვნური ინტელექტუალური სისტემების ცოდნის ბაზაზე, განხორციელების პროცესში ამ ცოდნის ექსპლუატაციის გაურკვევლობაიმ ან სხვა ლოგიკურ და ლოგიკურ-ალგებრულ პროცედურებს ინფორმაციის შეგროვებისა და დამუშავების, მენეჯერული გადაწყვეტილებების შემუშავების, არჩევისა და მიღებისათვის.

გაურკვევლობის ფაქტორების (წყაროების) კლასიფიკაცია, რომელიც მოითხოვს მათ განხილვას რთული სისტემების შესწავლისას, ნაჩვენებია ნახ. B.1.

ნახ.B.1. გაურკვევლობის ფაქტორების კლასიფიკაცია

გაურკვევლობის ფაქტორების ანალიზისა და აღრიცხვის მეთოდოლოგია

მენეჯმენტი რთულ ორგანიზაციულ და ტექნიკურ სისტემებში...

(ACS DSS და DSS გადაწყვეტილების მხარდაჭერის სისტემებით და გადაწყვეტილების მიღების სისტემებით)

1. შემუშავებისა და გამოყენების ამოცანების პრობლემები და განზოგადებული ფორმალიზაცია

მენეჯერული გადაწყვეტილებების მიღება გაურკვევლობის პირობებში….

2. პირობებზე გადაწყვეტილების მიღების დეტერმინისტული თამაშის მიდგომა

გაურკვევლობის პირობებში ……………………………………………………..

3. გადაწყვეტილების მიღების პრობლემების გადაჭრის სტოქასტური მიდგომა ქ

გაურკვევლობის პირობები ………………………………………………

4. ალბათური - სტატისტიკური მიდგომა გადაწყვეტილების მიღებისას აშშ-ში

გაურკვევლობის პირობები ……………………………………………..

5. გადაწყვეტილების მიღების ალბათური მიდგომა გაურკვევლობის პირობებში

სიზარმაცე …………………………………………………………………

6. Fuzzy - სტოქასტური მიდგომა გადაწყვეტილების მიღებისას პირობებში

გაურკვევლობა …………………………………………………………..

7. შესაძლებლობების თეორია და გადაწყვეტილების მიღების პრობლემა პირობებში

გაურკვევლობა …………………………………………………………………

8. Fuzzy - პოსიბილისტური მიდგომა პირობებში გადაწყვეტილების მიღებისას

გაურკვევლობა …………………………………………………………

9. ენობრივი მიდგომა გადაწყვეტილების მიღებისადმი გაურკვევლობის პირობებში

განყოფილებები……………………………………………………………………….

ნახევრად სტრუქტურირებული ობიექტების მართვა, კლასიკური TAU-ს თვალსაზრისით, საკმაოდ რთული, პრაქტიკულად გადაუჭრელი ამოცანაა. ეს გამოწვეულია იმით, რომ ტრადიციული ავტომატური მართვის სისტემის (ACS) აგებისას აუცილებელია პირველად ფორმალურად აღწეროს საკონტროლო ობიექტი და ჩამოყალიბდეს კონტროლის კრიტერიუმები მათემატიკური აპარატის საფუძველზე, რომელიც მოქმედებს რაოდენობრივ კატეგორიებთან. თუ შეუძლებელია ობიექტის ზუსტი მათემატიკური აღწერისა და რაოდენობრივი თვალსაზრისით მისი მართვის კრიტერიუმების მიცემა, ტრადიციული TAU გამოუყენებელი აღმოჩნდება.

მაგალითად, კლასიკური TAU დეტერმინისტული და სტოქასტური სისტემებით წარმატებით გამოიყენება ACS-ის ასაგებად თვითმფრინავებისთვის, ელექტროსადგურებისთვის და ა.შ., მაგრამ ცდილობს გააფართოვოს ტრადიციული მეთოდები ისეთ სფეროებზე, როგორიცაა ბიოსინთეზი, მრავალფაზიანი ქიმიური და ტექნოლოგიური პროცესები, რომლებიც დაკავშირებულია გამოწვასთან, დნობასთან. , კატალიზი და ა.შ., არ იძლეოდა ხელშესახები პრაქტიკული შედეგები, მიუხედავად მათი აღწერის სულ უფრო რთული მათემატიკური მეთოდებისა.

თუმცა, პრაქტიკაში, ასეთი ნახევრად სტრუქტურირებული ობიექტები საკმაოდ წარმატებით იმართება ადამიანის ოპერატორის მიერ, რომელსაც ეხმარება დაკვირვების, ანალიზისა და ინფორმაციის დამახსოვრების უნარი, გარკვეული დასკვნების გამოტანა და ა.შ. გადაწყვეტილებები არასრული და ბუნდოვანი ინფორმაციის გარემოში. თქვენი ინტელექტის წყალობით, ადამიანს შეუძლია იმუშაოს არა მხოლოდ რაოდენობრივად(რაც გარკვეულწილად მანქანას შეუძლია), არამედ თვისებრივი არაფორმალიზებული ცნებებით, რის შედეგადაც საკმაოდ წარმატებით უმკლავდება კონტროლის პროცესის გაურკვევლობას და სირთულეს. მაშასადამე, ადამიანის სავარაუდო მსჯელობის მოდელების აგება და მათი გამოყენება ACS-ში დღეს ერთ-ერთი უმნიშვნელოვანესი მიმართულებაა TAU-ს განვითარებაში.

ეჭვგარეშეა, რომ რთული ობიექტების მართვის ეფექტურობის მნიშვნელოვანი ზრდა მდგომარეობს ინტელექტუალური ACS-ის შექმნაში, რომელსაც შეუძლია გარკვეულწილად განაახლოს პირის გარკვეული ინტელექტუალური მოქმედებები, რომლებიც დაკავშირებულია ცოდნის შეძენასთან, ანალიზთან, კლასიფიკაციასთან. პროცესის კონტროლი, ისევე როგორც ოპერაციული ცოდნა, რომელიც დაგროვდა ადამიანის ოპერატორის ან თავად სისტემის მიერ ობიექტის მართვის პრაქტიკული აქტივობების დროს.

ამ პირობებში მუშაობის აუცილებლობა ართულებს სტანდარტული ავტომატიზაციის სისტემების და პროცესის კონტროლის სისტემების გამოყენებას. განსაკუთრებით რთულია აღჭურვილობის მუშაობის დასაშვები რეჟიმების აღწერა ისეთ პირობებში, როდესაც პროცესის კონტროლის სისტემებისა და ავტომატიზაციის სისტემებისთვის მკაცრი (მკაფიო) შეზღუდვების დაწესება იწვევს ამ სისტემების ავტომატურ ან ხელით გამორთვას. აქედან გამომდინარე, ძალზე მნიშვნელოვანია აღჭურვილობის დასაშვები ოპერაციული რეჟიმების ტერიტორიების აღწერისა და ფორმალიზაციისთვის გამოყენება. ხელოვნური ინტელექტის (AI) და ინტელექტუალური სისტემების (IS) თეორიები.

ბოლო დროს კომპიუტერული ტექნოლოგიების სწრაფი განვითარების გამო დაიწყო ინტელექტუალური კონტროლის ახალი მეთოდების გამოყენება ინდუსტრიაში. და მიუხედავად იმისა, რომ ინტელექტუალური ACS-ის პირველი აპლიკაციები განხორციელდა ევროპაში, ასეთი სისტემები ყველაზე ინტენსიურად დანერგილია იაპონიაში. მათი გამოყენების სპექტრი ფართოა: სამრეწველო რობოტების კონტროლიდან, დისტილაციის ქარხნებიდან და აფეთქების ღუმელებიდან დაწყებული სარეცხი მანქანებით, მტვერსასრუტებით და მიკროტალღური ღუმელებით დამთავრებული. ამავდროულად, ინტელექტუალური ავტომატური კონტროლის სისტემები საშუალებას იძლევა გააუმჯობესოს პროდუქტის ხარისხი და შეამციროს რესურსების და ენერგიის ხარჯები და უზრუნველყოს უფრო მაღალი წინააღმდეგობა შემაშფოთებელი ფაქტორების მიმართ ტრადიციულ ავტომატური მართვის სისტემებთან შედარებით.

ინტელექტუალური სისტემა არის(K.A. პუპკოვი) ტექნიკური საშუალებებისა და პროგრამული უზრუნველყოფის ერთობლიობა, რომელიც გაერთიანებულია ინფორმაციული პროცესით, მუშაობს ადამიანთან (ადამიანთა გუნდთან) ან ავტონომიურად, რომელსაც შეუძლია მიზნის სინთეზირება, მოქმედების გადაწყვეტილების მიღება და მიზნების მიღწევის რაციონალური გზების პოვნა. .

მთავარი არქიტექტურული მახასიათებელი, რომელიც განასხვავებს ინტელექტუალური კონტროლის სისტემები (IMS) „ტრადიციული„არის ცოდნის მოპოვების, შენახვისა და დამუშავების მექანიზმი მისი ფუნქციების განსახორციელებლად.

ინტელექტუალური კონტროლის სისტემების შექმნა ეფუძნება ორ პრინციპს: სიტუაციურ კონტროლს (კონტროლი დაფუძნებული გარე სიტუაციების ან მოვლენების ანალიზზე) და თანამედროვე საინფორმაციო ტექნოლოგიების გამოყენებას ცოდნის დამუშავებისთვის (საექსპერტო სისტემები, ხელოვნური ნერვული ქსელები, ბუნდოვანი ლოგიკა, გენეტიკური ალგორითმები. და რიგი სხვა).

OEMMPU RAS-ის ფუნდამენტური კვლევის პროგრამა No14

"მრავალდონიანი, ინტელექტუალური და ქსელური კონტროლის სისტემების ფუნქციონირების ანალიზი და ოპტიმიზაცია გაურკვევლობის პირობებში"

1. პროგრამის დასაბუთება

1.1. სამეცნიერო და პრაქტიკული მნიშვნელობა

ტექნოლოგიების ინტენსიური განვითარება (ქსელირება, კომპიუტერების მინიატურიზაცია, მათი სიჩქარის გაზრდა და ა.შ.) ახალ მოთხოვნებს აწესებს მართვის თანამედროვე სისტემებს და ხსნის ახალ შესაძლებლობებს, როგორც ჩაშენებული მართვის სისტემების დონეზე (დიდი სადისპეტჩერო ცენტრების დონეზე), ასევე დეცენტრალიზებული მულტი-აგენტური სისტემების ქსელის დონის (საკომუნიკაციო ქსელი, ჯგუფი) ურთიერთქმედება.კონტროლის სისტემები სულ უფრო მეტად იძენს ინფორმაციისა და კონტროლის სისტემების ხასიათს და შესწავლილია კონტროლის, გამოთვლითი და კომუნიკაციის თეორიების კვეთაზე. ამრიგად, საკომუნიკაციო არხების (კომუნიკაციების) თვისებების გათვალისწინება აუცილებელია, მაგალითად, დეცენტრალიზებულ (მრავალ აგენტურ) სისტემებში და ჩაშენებული კომპიუტერის მახასიათებლები მნიშვნელოვანია მრავალდონიანი კონტროლის სისტემებში ისეთი ინტელექტუალური ფუნქციების განხორციელებისას, როგორიცაა ტექნიკური. ხედვა, სამოქმედო დაგეგმვა, ტრენინგი, მრავალკრიტერიუმიანი გადაწყვეტილების მიღება, რეფლექსია და ა.შ. კერძოდ, კონტროლის ინტელექტუალიზაცია მიზნად ისახავს გაზარდოს სისტემების ფუნქციონირების ავტონომიის ხარისხი, როდესაც არ არსებობს დინამიკის რაოდენობრივი მოდელები ან დარღვევები. საკონტროლო ობიექტის ფუნქციონირება, რაც იწვევს რაოდენობრივი მოდელების ადეკვატურობის დაკარგვას (მაგალითად, განტოლებები, რომლებიც აღწერს რთული სისტემის ევოლუციას), აძლიერებს ხარისხობრივ როლს (ე.წ. "ცოდნა", მაგალითად, ლოგიკურ-ლინგვისტური) საკონტროლო სისტემის ზედა საფეხურებზე გამოყენებული ობიექტისა და გარემოს მოდელები.

პროგრამა მიზნად ისახავს რუსეთის ფედერაციის მეცნიერების, ტექნოლოგიებისა და ინჟინერიის პრიორიტეტულ სფეროებში წარმოქმნილი ფუნდამენტური პრობლემების გადაჭრას. ამოცანაა ახალი ფუნდამენტური და გამოყენებითი შედეგების მიღება კონტროლის თეორიის სფეროში რთული ტექნიკური, ადამიან-მანქანა და სხვა სისტემებისთვის, გაურკვევლობისა და საწყისი ინფორმაციის ნაკლებობის გათვალისწინებით, მათ შორის: სტოქასტური სისტემების ანალიზისა და სინთეზის თეორია, მოძრაობის კონტროლის სისტემებისა და ტექნოლოგიური პროცესების შექმნის თეორია, მიმდინარე დიაგნოსტიკით და ტექნიკური მდგომარეობის კონტროლით, ასევე თანამედროვე საინფორმაციო ტექნოლოგიებზე დაფუძნებული ავტომატური დიზაინის სისტემების შექმნისა და ინტელექტუალური კონტროლის თეორიით.

კონტროლის თეორიის გამოყენების მრავალფეროვნების გამო, ანალიზისა და ოპტიმიზაციის სხვადასხვა აპლიკაციებში (ტრანსპორტი, ლოგისტიკა, წარმოება, საავიაციო და კოსმოსური სისტემები, წყალქვეშა ნავები და ზედაპირული ხომალდები და ა.შ.), აუცილებელია გავითვალისწინოთ სირთულის ფაქტორების დიდი რაოდენობა. , როგორიცაა:

მრავალდონიანი მენეჯმენტი,

დეცენტრალიზაცია,

არაწრფივი

სიმრავლე

პარამეტრების განაწილება

პროცესების ცვალებადობა სივრცეში და დროში,

მაღალი განზომილება,

ქვესისტემების აღწერის ჰეტეროგენულობა,

მულტიმოდალობა,

იმპულსური გავლენის არსებობა,

კოორდინატულ-პარამეტრული, სტრუქტურული, რეგულარული და სინგულარული დარღვევების არსებობა,

დეტერმინისტული და ალბათური მოდელების გამოყენება მდგომარეობის ვექტორისა და სისტემის პარამეტრების შესახებ ინფორმაციის გაურკვევლობის აღწერისთვის, გაზომვის შეცდომების თვისებების და გარემოს შესახებ,

დაყოვნების ეფექტის არსებობა კონტროლსა და ობიექტში,

· თანამედროვე მართვის სისტემების ზოგადი სტრუქტურული სირთულე.

დასახული მიზნის მისაღწევად და ძირითადი ამოცანების გადასაჭრელად პროგრამა მოიცავს კვლევასა და განვითარებას შემდეგ ძირითად მიმართულებებში:

1. არასრული ინფორმაციით მრავალდონიანი მართვის სისტემების სხვადასხვა დროის მასშტაბებში ფუნქციონირების ანალიზი და ოპტიმიზაცია.

2. ორგანიზაციული და ტექნიკური ხასიათის მრავალდონიან და დეცენტრალიზებულ სისტემებში მართვა და ოპტიმიზაცია.

2.1. კონტროლი და ოპტიმიზაცია ქსელზე ორიენტირებულ სისტემებში.

2.2. მოძრავი ობიექტების ინტელექტუალური კონტროლი.

2.3. რეალურ დროში მრავალდონიანი ინფორმაციისა და კონტროლის სისტემების მოდელირება და ოპტიმიზაცია.

მიმართულება 1. ფუნქციონირების ანალიზი და ოპტიმიზაცია მრავალდონიანი კონტროლის სისტემების სხვადასხვა დროის მასშტაბები არასრული ინფორმაციით

მრავალი თანამედროვე კონტროლის სისტემის სირთულე ხშირად არ იძლევა სისტემის შიგნით მიმდინარე პროცესების და გარემოსთან მისი ურთიერთქმედების წინასწარ სრული აღწერილობის მოპოვების საშუალებას. როგორც წესი, რეალური სისტემები აღწერილია დინამიკის არაწრფივი განტოლებებით და საკმაოდ ხშირად კონტროლის სისტემების მათემატიკური მოდელები ითვალისწინებენ მხოლოდ ცალკეული ელემენტების პარამეტრებისა და მახასიათებლების ცვლილებების დასაშვებ დიაპაზონს, თავად ამ პარამეტრების და მახასიათებლების მითითების გარეშე.

გარდა ამისა, ზოგიერთ სისტემაში, კერძოდ, მიკრომექანიკურ და კვანტურ სისტემაში, აღწერის კლასიკური მეთოდების გამოყენება უწყვეტ ან დისკრეტულ დროს რთულია, რადგან წარმოქმნილი შიდა და/ან გარე ურთიერთქმედების ძალები, ისევე როგორც საკონტროლო მოქმედებები, გარდამავალი, იმპულსურია. ბუნებაშია და ზუსტად გამოთვლა შეუძლებელია. . სისტემა, როგორც ჩანს, მოქმედებს სხვადასხვა დროის მასშტაბებზე: რეალური (ნელი) და სწრაფი (იმპულსი). ასეთი დროებითი მრავალმასშტაბიანობა არის მრავალი თანამედროვე კონტროლის სისტემის შიდა საკუთრება, მათ შორის მრავალდონიანი კონტროლის სისტემები, რომლებშიც ზედა დონეები იყენებს ხარისხობრივ და დისკრეტულ მოდელებს, ხოლო ქვედა დონეები უფრო ხშირად იყენებენ რაოდენობრივ მოდელებს უწყვეტი დროით.

ამ მიზეზით, მეთოდების შემუშავება ასეთი სისტემების ფუნქციონირების აღწერის მათემატიკური ფორმალიზაციისთვის ჰიბრიდულ (უწყვეტ-დისკრეტულ) დროში, მათი თვისებების შესწავლა კონტროლირებად და სტაბილურობისთვის არასრული ინფორმაციის, კონტრმოქმედებისა და არასტანდარტული შეზღუდვების პირობებში. კონტროლისა და ფაზის ცვლადების შესახებ გადაუდებელი ამოცანაა. იგივე გადაუდებელი ამოცანაა ისეთი უწყვეტი-დისკრეტული სისტემების ოპტიმალური კონტროლის სინთეზის მეთოდების შემუშავება, როგორც დეტერმინისტული, ისე სტოქასტური.

გარდა ამისა, გაურკვევლობისა და აპრიორი ინფორმაციის ნაკლებობის პირობებში ძალზე აქტუალურია ინფორმაციის შეგროვებისა და დამუშავების პროცესის ოპტიმიზაციის პრობლემები (დაკვირვების კონტროლი და ოპტიმალური გაფილტვრა).

მიმართულება 2. მენეჯმენტი და ოპტიმიზაცია ორგანიზაციული და ტექნიკური ხასიათის მრავალდონიან და დეცენტრალიზებულ სისტემებში

2.1. კონტროლი და ოპტიმიზაცია ქსელზე ორიენტირებულ სისტემებში

თანამედროვე რთული ორგანიზაციული და ტექნიკური სისტემები ხასიათდება მაღალი განზომილებით, დეცენტრალიზაციით, მრავალ დონის მენეჯმენტით, აქტივობების ეფექტური დაგეგმვის აუცილებლობით, ტრენინგის გათვალისწინებით, მიღებული გადაწყვეტილებების მრავალკრიტერიუმით და კონტროლირებადი ერთეულების ასახვით.

დიდი განზომილების დისკრეტული და უწყვეტი განაწილებული მრავალკავშირიანი სისტემების დაგეგმვისა და კონტროლის პრობლემები ასევე ხასიათდება სხვადასხვა მასშტაბის პროცესებით არა მხოლოდ დროში, არამედ განაწილებითა და მასშტაბით სივრცეში და წარმოადგენს ერთ-ერთ ყველაზე რთულ და შრომატევად კლასს. ოპტიმიზაციის პრობლემები. ამ მიზეზით, მიზანშეწონილია შემუშავდეს კვლევის მეთოდები და მიდგომები ზუსტი და სავარაუდო გადაწყვეტილებების მოსაძებნად, ისევე როგორც სიმულაციური ინსტრუმენტები გადაწყვეტილების მხარდაჭერის სისტემებში გამოსაყენებლად რთული ტექნიკური, ორგანიზაციული (ტრანსპორტისა და ლოჯისტიკის ჩათვლით) და საინფორმაციო სისტემების დაგეგმვის, დიზაინისა და მართვისთვის. .

დეცენტრალიზებული ორგანიზაციული და ტექნიკური სისტემების კომპონენტების ჯგუფური ურთიერთქმედების მართვა (ქსელზე ორიენტირებული სისტემები, წარმოების სისტემები, გამოთვლები, ტელეკომუნიკაციები და სხვა ქსელები და ა.შ.) საკომუნიკაციო არხებზე შეზღუდვისა და გამოთვლების სირთულის, ინფორმაციის დამუშავების მახასიათებლების პირობებში. პროცესები, ასევე გადაწყვეტილების მიღების დროის, გამოთვლითი შესაძლებლობებისა და საკომუნიკაციო არხების გამტარუნარიანობის შეზღუდვა. აქედან გამომდინარე, აქტუალურია რთული ორგანიზაციული და ტექნიკური სისტემების სტრუქტურის ოპტიმიზაციის (ზემოხსენებული შეზღუდვების გათვალისწინებით) მეთოდების შემუშავება, მათ შორის, ერთდროულად მრავალი კრიტერიუმის გათვალისწინება: საწყისი მონაცემების დეტალები, ინფორმაციის შეგროვების ეფექტურობა. , დაგეგმვა და რეფლექსური გადაწყვეტილების მიღება, ინდივიდუალური კომპიუტერების შეზღუდული შესრულება, სამუშაოების დუბლირების შემცირება, ასევე დამხმარე გამოთვლების პროპორცია, რომელიც დაკავშირებულია მონაცემთა გადაცემის შენარჩუნებასთან.

მრავალდონიანი და დეცენტრალიზებული სისტემებს ახასიათებთ გადაწყვეტილების განაწილება რეალურ დროში ინფორმაციის წინააღმდეგობის ფონზე, ისევე როგორც ინფორმაციის არასრულყოფილება და არაერთგვაროვნება, ხშირად მრავალკრიტერიუმიანი ხარისხობრივი და სუბიექტური ხასიათის. ამ მიზეზით, საჭიროა შემუშავდეს მეთოდები ადეკვატური საინფორმაციო მხარდაჭერის სისტემების შესაქმნელად და არასრული ინფორმაციისა და კონტრმოქმედების პირობებში სტრატეგიული და ოპერატიული გადაწყვეტილებების მიღების ხელშეწყობისთვის. ამისთვის მიზანშეწონილია, კერძოდ, შემუშავდეს: დინამიური ორგანიზაციული და ტექნიკური სისტემების მრავალაგენტიანი მოდელები, მათ შორის ქსელური მოდელები კონფლიქტურ აგენტებთან, ჯგუფური ქცევისა და მისი პროგნოზირების მოდელები, ინტერესთა ბალანსის შეფასება და კოალიციების ფორმირება. ამ სისტემებში, ასევე ინფორმაციული ტექნოლოგიებისა და ინფორმაციის პრეზენტაციის ინსტრუმენტების შემუშავება გარე გარემოსა და ინტელექტუალური აგენტების ცოდნის შესახებ.

2.2. მოძრავი ობიექტების ინტელექტუალური კონტროლი

დასახული ამოცანების გადასაჭრელად, ყოველთვის არ არის შესაძლებელი რაოდენობრივი მოდელების შექმნა, ამიტომ ტრადიციულ მეთოდებთან ერთად პროგრამა იყენებს ხელოვნური ინტელექტის მეთოდებს. ხელოვნურმა ინტელექტმა, როგორც ცოდნის სფერომ, განიცადა უზარმაზარი ნახტომი ბოლო ორმოცდაათი წლის განმავლობაში, როგორც ინტელექტის კონცეფციის შემუშავებასა და დახვეწაში, ასევე ხელოვნური ინტელექტის პრაქტიკული გამოყენების სფეროში ადამიანის საქმიანობის სხვადასხვა სფეროში: ტექნოლოგია, ეკონომიკა, ბიზნესი, მედიცინა, განათლება და ა.შ. ხელოვნური ინტელექტის მრავალი თეორიული დებულება და მეთოდი გადაკეთდა ცოდნაზე დაფუძნებულ გამოყენებით ინტელექტუალურ ტექნოლოგიებად.

ინტელექტუალური სისტემების თანამედროვე თაობის თავისებურება ის არის, რომ ისინი ეფუძნება გარე გარემოს რთულ მოდელს, რომელიც ითვალისწინებს როგორც რაოდენობრივ ინფორმაციას, ასევე თვისობრივ მოდელებს - ცოდნას გარე გარემოს სხვადასხვა ობიექტების შესაძლო ქცევისა და მათი ურთიერთკავშირების შესახებ. ასეთი მოდელების გამოყენება შესაძლებელი გახდა ცოდნის წარმოდგენის მეთოდების შემუშავების, სხვადასხვა წყაროდან მონაცემების ინტეგრაციის მეთოდების, კომპიუტერების სიჩქარისა და მეხსიერების მნიშვნელოვანი ზრდის გამო.

გარე გარემოს მოდელის არსებობა საშუალებას აძლევს მოძრავი ობიექტების თანამედროვე ინტელექტუალურ საკონტროლო სისტემებს მიიღონ გადაწყვეტილებები მრავალკრიტერიუმების, გაურკვევლობისა და რისკის პირობებში და ამ გადაწყვეტილებების ხარისხი შეიძლება აღემატებოდეს ადამიანის მიერ მიღებული გადაწყვეტილებების ხარისხს. ინფორმაციის გადატვირთვის, შეზღუდული დროისა და სტრესის პირობები.

ამ მხრივ, გადაუდებელი ამოცანაა ახალი ინსტრუმენტებისა და მეთოდების შემუშავება მოძრავი ობიექტების ინტელექტუალური კონტროლის განვითარებისათვის ზემოთ ჩამოთვლილი ფაქტორების არსებობისას.

2.3. რეალურ დროში მრავალდონიანი ინფორმაციისა და კონტროლის სისტემების მოდელირება და ოპტიმიზაცია

ამ მიმართულებით კვლევის აქტუალობა განპირობებულია გაურკვევლობის პირობებში მოქმედი მრავალფუნქციური და მრავალფუნქციური ობიექტების მრავალდონიანი ღია მოდულური რეალურ დროში ინფორმაციისა და კონტროლის სისტემების (IMS RT) ანალიზისა და სინთეზის მეთოდების შემუშავების აუცილებლობით. სტრუქტურული დარღვევები და საგანგებო სიტუაციები (ESS). კონტროლის ამ ობიექტებს შორის არის კრიტიკული ობიექტები და პასუხისმგებელი გამოყენების სისტემები, რომლებიც განსაზღვრავენ სახელმწიფოს უსაფრთხოებას.

აშკარაა, რომ ამ კლასის სისტემების შექმნის პრობლემები და ამოცანები წარმატებით შეიძლება გადაწყდეს ასეთი სისტემების სტრუქტურის, მათი ალგორითმული დინამიური და სცენარული ანალიზისა და პროგრამულ უზრუნველყოფაზე ორიენტირებული ერთიანი თეორიის შემუშავების და გამოყენებითი პროგრამული ორიენტირებული მეთოდების შემუშავების საფუძველზე. , პროგრამული და საინფორმაციო მხარდაჭერა და ეფექტური მართვის ქმედებების შემუშავების მექანიზმები. ეს, უპირველეს ყოვლისა, მოიცავს ღია ინფორმაციისა და კონტროლის სისტემების დიზაინის ფორმალიზებული მეთოდოლოგიის შემუშავებას, მათ შორის მოდელებსა და მეთოდებს ოპტიმალური, სხვადასხვა ეფექტურობის კრიტერიუმების მიხედვით, ობიექტზე ორიენტირებული IMS RT ღია არქიტექტურის მოდულარული სტრუქტურის სინთეზისთვის. დინამიური ანალიზის ეტაპზე მიღებულ შედეგებზე დაყრდნობით სინთეზირდება მონაცემთა დამუშავებისა და კონტროლის ოპტიმალური ფუნქციონალური მოდულური სტრუქტურა, ანუ განისაზღვრება RT IMS მოდულების ოპტიმალური შემადგენლობა და რაოდენობა, სინთეზირებულია სისტემის ინტერფეისი და მისი სტრუქტურა. განისაზღვრება პროგრამული და საინფორმაციო მხარდაჭერა აპლიკაციების შეყვანის ნაკადების დასამუშავებლად.

მოქმედებების დაგეგმვისა და გადაწყვეტილების მიღების მხარდასაჭერად გაურკვევლობის, სტრუქტურული დარღვევებისა და საგანგებო სიტუაციების პირობებში, მიზანშეწონილია გამოიყენოთ IMS RT-ში სცენარის ანალიზისა და ეფექტური კონტროლის მოქმედებების სინთეზის მეთოდები. ამ შემთხვევაში, სტრუქტურული დარღვევებისა და საგანგებო სიტუაციების გავრცელების მათემატიკური მოდელი ჩამოყალიბდება შეწონილი ან ფუნქციური ნიშნის გრაფიკების ენაზე. ამ მოდელის საფუძველზე მოხდება ობიექტების მართვის რაციონალური სცენარების სინთეზირება მათი შემადგენელი ელემენტების ოპერატიულობის პოტენციალის, გამძლეობისა და გადარჩენის ცნებების გამოყენებით. მრავალრეჟიმიან სამიზნე ობიექტებში NSS-ის მიზეზებისა და შედეგების აღმოფხვრის სცენარების სინთეზი განხორციელდება დინამიურად განსაზღვრული დროისა და რესურსების შეზღუდვის გათვალისწინებით. ასევე აუცილებელია ფორმულირებებისა და მეთოდების შემუშავება გაურკვევლობის, სტრუქტურული დარღვევების და საგანგებო სიტუაციების პირობებში მრავალრეჟიმიანი და მრავალფუნქციური ობიექტების გადარჩენის მართვის საპირისპირო პრობლემების გადასაჭრელად.

კონტროლის სისტემებისა და ობიექტების ზემოთ აღნიშნული სპეციფიკა, მათთვის კონტროლის, ანალიზისა და ოპტიმიზაციის პრობლემების გადაჭრის სამეცნიერო და პრაქტიკული მნიშვნელობა საშუალებას გვაძლევს ჩამოვაყალიბოთ პროგრამის შემდეგი ძირითადი მიზნები და ამოცანები.

1.2. ძირითადი მიზნები და ამოცანები

პროგრამის მთავარი მიზანია კონტროლის თეორიის ფუნდამენტური პრობლემების გადაჭრა, რომლებიც აფერხებენ ეროვნული მნიშვნელობის პერსპექტიული პროექტების განხორციელებას რთული დინამიური და ინტელექტუალური სისტემების კონტროლის სფეროში ტექნიკური ობიექტებისა და პროცესების მოძრაობის კონტროლის აპლიკაციებით ტექნოლოგიურ და ტექნოლოგიურ და ტექნოლოგიურ სფეროში. ორგანიზაციული სისტემები.

კვლევა ჩატარდება შემდეგ განზოგადებულ თემებზე.

მიმართულება 1

· არაწრფივი სისტემების სტაბილიზაციის მეთოდების შემუშავება კოორდინატების არასრული გაზომვის სიტუაციებში და საკონტროლო ძალების დასაშვებ სტრუქტურაზე შეზღუდვები.

· საკონტროლო ობიექტისა და სამოქმედო გარემოს პარამეტრების დეტერმინისტული, ალბათური და სხვა მოდელების გაურკვევლობის პირობებში ძლიერი და ადაპტური მონიტორინგისა და კონტროლის მეთოდების შემუშავება.

· უწყვეტი, დისკრეტული და მრავალდონიანი უწყვეტი დისკრეტული დინამიური მოდელების ხარისხობრივი და რაოდენობრივი ანალიზის მეთოდებისა და ალგორითმების შემუშავება და ვექტორული და მატრიცული შედარების ფუნქციებითა და მოდელის გარდაქმნებით შემცირების მეთოდის საფუძველზე კონტროლის სინთეზი.

· ახალი კლასის მექანიკური სისტემების ოპტიმალური კონტროლის პრობლემის შესწავლა, რომლებიც მოძრაობენ გამძლე მედიაში შიდა სხეულების კონფიგურაციის ან მოძრაობის შეცვლით.

· მშრალი ხახუნის არსებობისას მექანიკური სისტემების დარტყმითი ურთიერთქმედების ამოცანების მათემატიკური ფორმალიზაციის და ამოხსნის მეთოდების შემუშავება.

· დისკრეტულ-უწყვეტი და იმპულსური დინამიკური სისტემების მართვის ოპტიმალური მეთოდების შემუშავება.

· დინამიური თამაშების სახით უკონტროლო აშლილობაზე დაქვემდებარებული არაწრფივი ობიექტების გარანტირებული კონტროლის მეთოდების შემუშავება.

· კვანტური სისტემების მართვის თეორიის შემუშავება.

· დინამიური თვისებების ანალიზის მეთოდებისა და ალგორითმების შემუშავება, როგორიცაა სტაბილურობა, უცვლელობა, დაშლა მდგომარეობის შეფასებისა და მრავალდონიანი კონტროლის სისტემების სინთეზისთვის სხვადასხვა დონეზე პროცესების დინამიკის ჰეტეროგენული აღწერით.

მიმართულება 2.1

· განაწილებული პარამეტრებით და მრავალმასშტაბიანი (სივრცეში და დროში) პროცესებით მსხვილმასშტაბიანი ქსელზე ორიენტირებული სისტემების საკონტროლო ამოცანების გადაჭრის მეთოდები.

· განაწილებული პროექტებისა და პროგრამების საკომუნიკაციო ქსელის დეცენტრალიზებული ინტელექტუალური კონტროლის მოდელები და მეთოდები.

· მრავალდონიანი და დეცენტრალიზებული სისტემების სტრუქტურის ოპტიმიზაციის მეთოდები.

· ქსელურ-ცენტრული მართვის კომპიუტერული განხორციელების მეთოდები და სტრუქტურები განაწილებული და პარალელური გამოთვლის მათემატიკურად ერთგვაროვან სივრცეში.

· არასრულ, ჰეტეროგენულ, თვისებრივ და სუბიექტურ ინფორმაციაზე დაფუძნებული ჯგუფური გადაწყვეტილების მიღების მოდელები და მეთოდები.

· კომპლექსურ ტექნიკურ და სატრანსპორტო და ლოგისტიკურ სისტემებში ურთიერთდაკავშირებული ოპერაციების კომპლექსების დაგეგმვისა და მართვის მოდელები და მეთოდები.

· პრინციპების, არქიტექტურის, მეთოდებისა და ალგორითმების შემუშავება განაწილებული პროგრამული ინტელექტუალური სისტემების შესაქმნელად მრავალ აგენტურ ტექნოლოგიებზე დაფუძნებული.

· ინფორმაციის მართვის მოდელებისა და მეთოდების შემუშავება მრავალ აგენტურ ქსელურ სტრუქტურებში.

მიმართულება2.2

· სიტუაციური კონტროლის განზოგადებული მოდელების შემუშავება, რომელიც ასახავს ბუნდოვანი, ნერვული ქსელის და ლოგიკურ-დინამიკური ელემენტების მოდელების სტრუქტურაში ჩართვის თავისებურებებს.

· მარშრუტის დაგეგმვის მეთოდის შემუშავება, რომელიც უზრუნველყოფს კონტროლირებადი დინამიური ობიექტების ჯგუფის კომუნიკაციის სტაბილურობის თვისებას, მათ სამოდელო წარმოდგენისას ჰეტეროგენულ (რაოდენობრივ-ხარისხობრივ).

· ანალიზისა და სინთეზის მეთოდების შემუშავება რეალურ დროში ადაპტური მოდელირების პლატფორმებისთვის, რომლებიც ითვალისწინებენ საკონტროლო ობიექტების არაწრფივობას, მრავალკავშირიანობას, მაღალ განზომილებას საზღვაო მოძრავ ობიექტებზე გამოყენებისას.

· კონფლიქტურ გარემოში მოძრავი ობიექტების მრავალდონიანი კონტროლის ინტელექტუალური სისტემების ოპტიმიზაცია მათი ჯგუფური ურთიერთქმედების, მრავალკრიტერიუმების, გაურკვევლობისა და რისკის გათვალისწინებით.

· ინტელექტუალური მართვის სისტემების ტექნიკური ხედვის უზრუნველყოფის მეთოდების შემუშავება.

· კომპლექსური მანევრირების შემსრულებელი დინამიური ობიექტების ინტელექტუალური კონტროლის მეთოდების შემუშავება სისტემური მდგომარეობების სივრცეში იძულებითი მოძრაობის ორგანიზების საფუძველზე.

მიმართულება2.3

· ობიექტზე ორიენტირებული მრავალდონიანი რეალურ დროში ინფორმაციისა და კონტროლის სისტემების მოდულური სტრუქტურის ანალიზისა და ოპტიმიზაციის მოდელები და მეთოდები ღია არქიტექტურით გაურკვევლობისა და სტრუქტურული დარღვევების პირობებში.

· ელექტროენერგეტიკული სისტემების რეჟიმების ანალიზისა და ოპტიმიზაციის მეთოდები და მათი მართვა.

· სცენარულ-ინდიკატორის მიდგომის მოდელები და მეთოდები მენეჯმენტის ამოცანების მოწყვლადობის წერტილების ძიებაში.

· მოძრავი ობიექტების მრავალრეჟიმიანი მართვის პროცესების მოდელირების, ანალიზისა და ოპტიმიზაციის მეთოდები.

· არაწრფივი არასტაციონარული ობიექტების ინტელექტუალური იდენტიფიკაციის მეთოდებისა და ალგორითმების შემუშავება მართვის ეფექტურობის გასაუმჯობესებლად საკონტროლო ობიექტის შესახებ აპრიორი ინფორმაციის საფუძველზე ტექნოლოგიური ცოდნის ბაზის ფორმირებით.

· მეგაპოლისების ეკოსისტემების მართვის პრობლემებში ბუნებრივი და ტექნოგენური კომპლექსების მოდელირების გეოინფორმაციული ტექნოლოგიები.

· ნავიგაციისა და მართვის სისტემების საინფორმაციო მხარდაჭერის ანალიზი და ოპტიმიზაცია.

· საწარმოო პროცესების მართვის მოდელები და მეთოდები.

შემუშავებული თეორიისა და კონტროლის სისტემების ანალიზისა და სინთეზის მეთოდების შედეგები გამოყენებული იქნება შემდეგ სფეროებში:

· მოძრაობის კონტროლი საავიაციო და ასტრონავტიკაში, სახმელეთო და საზღვაო ობიექტებში, სატრანსპორტო საშუალებებში;

· მრავალ აგენტური ქსელის ორიენტირებული სისტემები, წარმოების სისტემები, გამოთვლითი, სატელეკომუნიკაციო და სხვა ქსელები ;

· სატრანსპორტო და ლოგისტიკური სისტემები ;

· გლობალური ენერგეტიკა, გაზის ტრანსპორტირება და სხვა ფართომასშტაბიანი ინფრასტრუქტურული სისტემები;

· მენეჯმენტის ამოცანების საინფორმაციო მხარდაჭერის სისტემები და არასრული ინფორმაციისა და კონტრმოქმედების პირობებში სტრატეგიული და ოპერატიული გადაწყვეტილებების მიღების მხარდაჭერა.

კონტროლის სისტემების აგების თეორიის ფუნდამენტური პრობლემები მათ ინტენსიურ განვითარებას მოითხოვს. ამ მიმართულებით კვლევების განვითარება საშუალებას მისცემს:

კონტროლი-გამოთვლა-კომუნიკაციის რთული სამმხრივი პრობლემის გადაჭრის თეორიული საფუძვლების შემუშავება (პრობლემა - " კონტროლი- გამოთვლა- კომუნიკაცია„) კომპლექსური საინფორმაციო და კონტროლის სისტემებისთვის, მათ შორის საკომუნიკაციო არხების შეზღუდვისა და ქვესისტემების გაუმართაობის პირობებში;

მოძრავ ობიექტებთან, სპეციალური დანიშნულების ობიექტებთან, ტექნოლოგიურ და ორგანიზაციულ სისტემებთან ფუნდამენტურად ახალი ობიექტების და პროცესების მართვის პრობლემების გადაჭრა;

ფუნქციური დიაგნოსტიკის ეფექტური მეთოდების შექმნა და საჰაერო ხომალდების და სხვა მოძრავი ობიექტების მართვის სისტემების შეცდომის ტოლერანტობის, აგრეთვე ელექტროენერგეტიკული სისტემების დინამიური სტაბილურობის უზრუნველყოფა;

ხარისხის გასაუმჯობესებლად, დააჩქაროს და შეამციროს დიზაინის გადაწყვეტილებების შემუშავების ღირებულება კონტროლის სისტემების შემუშავების პროცესის ალგორითმიზაციისა და ავტომატიზაციის გზით.

შემდგომში კონტროლი იგულისხმება ფართო გაგებით, მათ შორის საკომუნიკაციო ქსელი, ჯგუფური, განაწილებული კონტროლი (ინგლისურ ლიტერატურაში - კონტროლი ქსელებში, ქსელებზე კონტროლი, განაწილებული კონტროლი და ა.შ.)