Применение генетических алгоритмов в системах Автономного Адаптивного Управления тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат физико-математических наук Земских, Леонид Вячеславович

• Земских, Леонид Вячеславович
• кандидат физико-математических наук
• 2004

Оглавление диссертации кандидат физико-математических наук Земских, Леонид Вячеславович

ВВЕДЕНИЕ.

§1. Проблема создания систем автономного управления.

§2. Методология Автономного Адаптивного Управления (ААУ) и проблема синтеза прикладных систем ААУ.

2.1 Основные понятия и алгоритм работы.

2.2 Описание элементной базы систем ААУ (модели нейронов, синапсов и сетей).

§3. Основные положения теории генетических алгоритмов, методы эволюционной оптимизации.

3.1 Введение в тематику генетических алгоритмов.

3.2 Структура простейшего генетического алгоритма, терминология.

3.3 Проблемы кодировки.

§4. Цели и задачи диссертационной работы.

ГЛАВА 1. ЗАДАЧА ОПТИМИЗАЦИИ ПАРАМЕТРОВ БЛОКА ДАТЧИКОВ И БЛОКА АКТУАТОРОВ СИСТЕМЫ АВТОНОМНОГО АДАПТИВНОГО УПРАВЛЕНИЯ.

§1 Описание понятий, постановка задачи в общем виде.

§2 Принципы построения генетического алгоритма решения задачи.

§3 Пример постановки и решения задачи оптимизации блока датчиков и блока актуаторов автономного мобильного робота.

ГЛАВА 2. ПРОЦЕДУРА ДИНАМИЧЕСКОГО ФОРМИРОВАНИЯ СЕТИ ФОРМАЛЬНЫХ НЕЙРОНОПОДОБНЫХ ЭЛЕМЕНТОВ ДЛЯ АППАРАТА ФОРМИРОВАНИЯ И РАСПОЗНАВАНИЯ ОБРАЗОВ И БАЗЫ ЗНАНИЙ СИСТЕМ АВТОНОМНОГО АДАПТИВНОГО УПРАВЛЕНИЯ.

§1 Предпосылки к созданию процедуры динамического формирования сетей нейроноподобных элементов

§2 Размерность задач распознавания и управления.

§3 Формальное описание состава, строения и работы системы формирования и распознавания образов.

§4 Алгоритм динамического формирования топологии сети нейроноподобных элементов системы ФРО.

§5 Блок База Знаний и блок Принятие Решений.

ГЛАВА 3. ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПОДБОРА ЗНАЧЕНИЙ ПАРАМЕТРОВ ПРОЦЕДУРЫ ДИНАМИЧЕСКОГО ФОРМИРОВАНИЯ СЕТИ НЕЙРОНОПОДОБНЫХ ЭЛЕМЕНТОВ СИСТЕМЫ ФРО.

§1. Постановка задачи оптимизации нейроноподобной системы управления в системе ААУ.

§2 Решение задачи оптимизации системы управления на примере автономного мобильного робота.

ГЛАВА 4. АЛЬТЕРНАТИВНЫЕ И ДОПОЛНИТЕЛЬНЫЕ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ В СИСТЕМАХ АВТОНОМНОГО АДАПТИВНОГО УПРАВЛЕНИЯ.

Введение диссертации (часть автореферата) на тему «Применение генетических алгоритмов в системах Автономного Адаптивного Управления»

§1. Проблема создания систем автономного управления.

Современные технологии приводят к быстрому росту числа автоматических приборов и механизмов, что ведет к появлению и нарастанию дефицита внимания человека, как оператора этих устройств. Отсюда возникает объективная необходимость в повышении автономности систем управления этими приборами.

Большинство автоматических систем управления, разрабатывавшихся и действовавших в XX веке, было построено на основе теории управления, опирающейся на математические модели объектов управления, представленные в линейных и нелинейных дифференциальных уравнениях, эволюционных уравнениях в частных производных, конечно-разностных уравнениях, вероятностных [1]. Такие модели, описывающие сложные объекты, системы и процессы, позволили конструировать системы управления различных классов для разнообразных автоматических приборов, механизмов и процессов. Тем не менее, сегодня системы управления, создаваемые на основе традиционных математических моделей, построенных с использованием классических разделов математики, не справляются с решением всех требующихся сегодня задач управления, либо их разработка становится неприемлемо сложной и дорогой. Причина этого состоит, по-видимому, в следующем [2]. Классические разделы математики рассматривают моделируемый объект как точку, положение которой в признаковом пространстве известно абсолютно, и далее оперируют с этой точкой посредством аналитически выраженных функциональных зависимостей. Однако на практике при использовании реальных измерительных и управляющих систем точное положение объекта-точки в признаковом пространстве, как правило, неизвестно, а имеется только некоторая информация об этой точке, указывающая, например, только некоторую область в признаковом пространстве, где с некоторой определенной вероятностью находится объект. С другой стороны, классические аналитические описания поведения объекта в признаковом пространстве, его функциональные связи с другими параметрами, становятся чрезмерно сложными при попытках учесть более реалистические свойства объектов. Учет нелинейных свойств объектов, влияния и взаимодействия многих объектов в сложных системах, помех и вероятностного характера некоторых компонент процессов, резко усложняет математические модели объектов и процессов, а во многих случаях делает их построение практически невозможным. Это обстоятельство стимулировало развитие новых разделов математики, таких как численные методы, теория алгоритмов, теория рекурсивных функций, теория информации, нечеткая логика, теория автоматов и другие. На основе этих относительно новых разделов математики и параллельно с традиционным подходом к построению управляющих систем на основе математического моделирования объектов и систем, развивался подход к построению управляющих систем на основе работы со «знаниями». Примерами являются экспертные системы, системы нечеткой логики, генетические алгоритмы, искусственные нейронные сети. В этих системах, объект управления представлен некоторой информацией о нем, некоторыми множествами его возможных состояний, с помощью классов и образов. Его функциональные свойства описываются в виде семантических связей различимых состояний, отношениями, определенными на множествах этих состояний, образов, причинно-следственными переходами между состояниями, вероятностями таких переходов, методами ситуационного управления и т.п. способами.

С то же время, повышение автономности автоматических объектов делает необходимым развитие адаптивных методов управления. Под адаптивным управлением везде ниже мы будем понимать способность системы управления автоматически приспосабливать свое управление к недетерминировано изменяющимся внешним и внутренним условиям - к свойствам объекта управления. Классическая теория управления предлагает соответствующие методы построения эволюционных систем [1,3]. Однако при этом остается проблема сложности представления объектов управления в терминах классического математического моделирования. В связи с этим особый интерес вызывают способы построения адаптивных систем управления на основе подходов, работающих со «знаниями».

Обращает на себя внимание также тот факт, что в природе существуют системы управления, которые тоже не используют математические модели объектов, во всяком случае в явном виде. Это нервные системы организмов. Исследователей давно привлекает способность живых организмов эффективно решать различные задачи управления, при этом имеющие ярко выраженные свойства адаптивности. По мере развития технологий исследований и моделирования постоянно предпринимаются попытки построения моделей нервной системы и ее элементов. Это приводит к появлению как широких концептуальных теорий, примерами которых являются теория функциональных систем П.К. Анохина [4], теории эволюционного развития, теории нервных систем, концептуальные модели нейронов, так и прикладных систем, пригодных к использованию в широких практических областях задач. К последним относятся системы, образовавшие направление, которое сегодня принято объединять термином «системы искусственного интеллекта» (ИИ) или «artificial intelligence systems» (AI). Сюда относят экспертные системы, системы нечеткой логики, искусственные нейронные сети, системы с подкрепляющим обучением, генетические алгоритмы. Все эти методы объединяет, во-первых, то, что они решают те задачи, которые ранее были прерогативой только человеческого мозга: это задачи распознавания образов, накопления и использования знаний, вывода новых знаний, принятия решений, перевод текстов с одного языка на другие, игры и другие задачи, а во-вторых, то, что они берут свое начало из попыток смоделировать конечный результат решения названных задач, демонстрируемый человеком.

Указанные методы ИИ подразделяются на два общих направления: программно-прагматическое и имитационное (бионическое). Первое из них моделирует рассматриваемый процесс, добиваясь только получения сходного или лучшего конечного результата (подобного тому, который получает человек, решая аналогичную задачу), а второе имеет целью добиться не только сходства конечного результата, но и сходства самого метода его получения. К 1-му направлению можно отнести экспертные системы, распознающие системы, многие варианты нейронных сетей. Ко 2-му варианту можно отнести некоторые варианты нейронных сетей (например, модульные нейронные сети [5], нейронные сети на основе спайковых нейронов [6]), системы с подкрепляющим обучением [7], модели функциональных систем, системы искусственной жизни [8], аниматы [9] и некоторые другие.

В настоящей работе нас будет интересовать именно это 2-е направление. Это направление делится на поднаправления. Так, одна часть исследований тесно связана с биологами, которые изучают мозг описательным способом, с помощью таких инструментов, как скальпель и микроскоп, они изучают и описывают анатомию (морфологию, гистологию, цитологию), а также физиологию нервной системы. Здесь достичь успеха мешает большая сложность исследуемых объектов. Мозг человека состоит из 10й нейронов и 1014 нервных волокон, разобраться в которых с помощью микроскопа и скальпеля в настоящее время не представляется возможным. Кроме того, в мозге происходит и множество иных процессов. Выделить в такой сложной системе то, что является в ней главным, биологам чрезвычайно трудно. Попытки математиков строить математические модели по тем описаниям, которые им предоставляют биологи, наталкиваются на то, что биологам по указанным причинам обычно трудно выделить, какие из наблюдаемых ими явлений в работе мозга являются главными с точки зрения адаптивного управления. Поэтому математики чаще склоняются к построению феноменологических моделей поведения живых организмов, не привязываясь к биологическим деталям; примером могут служить работы [10] группы Альбуса и Мейстела (National Institute of Standards and Technology) по адаптивному иерархическому управлению. Однако нам представляется, что попытки уловить и смоделировать не только феноменологию, но и существо способа получения результата биологическими нервными системами, позволили бы выйти на способы построения принципиально новых адаптивных систем управления, обладающих практически очень полезными свойствами, а именно: адаптивностью, универсальностью, многокритериальностью и многопараметричностью.

Настоящая работа посвящена развитию одного из таких подходов, а именно метода «автономного адаптивного управления» (ААУ) [11-15], который исходит из того, что логику, структуру, функции и, возможно, устройство нервной системы в целом, можно понять, если отталкиваться от условий, в которых находится нервная система любого организма.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Земских, Леонид Вячеславович

Заключение

В целом в диссертационной работе представлен предложенный, обоснованный и разработанный подход к построению и оптимизации прикладных систем автономного адаптивного управления с помощью генетических алгоритмов, что решает проблему синтеза таких систем в условиях недостаточной априорной информации. Основные результаты:

1. введен формализм описания блока датчиков и актуаторов систем ААУ, предложена процедура количественного оценивания согласованности их параметров; сформулирована в общем виде задача оптимизации таких параметров, предложены рекомендации по построению генетических алгоритмов для ее решения;

2. на основании введенного формализма и постановки задачи оптимизации был разработан генетический алгоритм подбора параметров блока датчиков и актуаторов на примере приложения - системы программной модели автономного адаптивного управления мобильного робота;

3. введен формализм описания строения сети нейроноподобных элементов подсистемы формирования и распознавания образов;

4. на основе предложенного формализма разработана процедура динамического формирования сети нейроноподобных элементов подсистемы формирования и распознавания образов, а также сформулирована в общем виде задача оптимизации ее параметров;

5. был разработан генетический алгоритм решения задачи оптимизации параметров процедуры динамического формирования сети нейроноподобных элементов подсистемы формирования и распознавания образов, общая схема которого не зависит от специфики прикладной задачи. Практическое решение такой задачи было рассмотрено на примере программной модели автономного мобильного робота

Список литературы диссертационного исследования кандидат физико-математических наук Земских, Леонид Вячеславович, 2004 год

1. Афанасьев В.Н., Колмоновский В.Б., Носов В.Р. Математическая теория конструирования систем управления. М.: «Высшая школа», 1998

2. Чечкин А.В. Математическая информатика. М.: «Наука» Главная редакция физико-математической литературы, 1991 -416с.

3. Цыпкин ЯЗ. Адаптация и обучение в автоматических системах // М.: Наука, 1968.

4. Анохин П.К. Принципиальные вопросы общей теории функциональных систем. // Принципы системной организации функций М.: Наука 1973

5. Bale Т. A., Modular Connectionist Architectures and the Learning of Quantification Skill, 1998

6. Головко B.A. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. Пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001. - 256 е.: ил. (Нейрокомпьютеры и их применение)

7. Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto MIT Press, Cambridge, MA, 1998

8. Artificial Life An Overview Christopher G. Langton (Ed.) MIT Press, 1995

9. From Animal to Animats. Proceedings of the First International Conference on Simulation of Adaptive Behavior / Eds J.-A. Meyer, S,W, Wilson. Cambridge at al: MIT Press, 1990

10. Albus, J.S., Meystel, A.M. "A Reference Model Architecture for Design and Implementation of Intelligent Control in Large and Complex Systems," International Journal of Intelligent Control and Systems, Vol. l.No. l,pgs. 15-30, 1996.

11. Жданов А.А. Об одном имитационном подходе к адаптивному управлению. // сб. Вопросы Кибернетики. Выпуск 2 М., 1996 с. 171-206.

12. Жданов А.А. Формальная модель нейрона и нейросети в методологии автономного адаптивного управления. // сб. Вопросы Кибернетики. Выпуск 3 М., 1997. С.258-274

13. Жданов А.А, Гуриев М.А, Норкин Н.А. Некоторые практические приложения метода автономного адаптивного управления. // сб. Искусственный интеллект в технических системах (под ред. Акад. Лупичева), изд. Гос. ИФТП, Вып. №19 М., 1998 г. с. 72-99

14. Жданов А.А., Арсеньев С.В., Половников В.А. Об одной методологии автономного адаптивного управления. Труды Института системного программирования РАН. 1999.

15. Том 1. М.: Биоинформсервис, 2000,- С. 66-83 (англ. Том. Zhdanov A.A., Arsenjev S.V., Polovnikov V.A., On autonomous adaptive control methodology. // Proceedings of the Russian Academy of Sciences Institute for System Programming. N 1, 1999, pp.5 5-70)

16. Уорвик К. "Наступление Машин" М. Международная академическая издательская компания "Наука/Интерпериодика", 1999

17. Turing Alan M. 1950, Computing Machinery and Intelligence, Mind 59 (236) pp. 433-480. Reprinted in Ince, D.C. (editor). 1992. Mechanical Intelligence: Collected Works of A. Turing Amsterdam: North Holland. Pages 133-160/

18. David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wiseley, 1989

19. Brindle A, (1981) Genetic Algorithms for function optimization. Doctoral dissertation. University of Alberta. Edmonton, Canada.

20. Goldberg D.E., Deb K. A comparative analysis of selection schemes used in genetic algorithms. In Rawlins, G.J.E. (Ed.), Foundations of Genetic Algorithms, (pp.63-93), San Mateo, CA: Morgan Kaufmann, 1991

21. De Jong K. Analysis of the Behavior of a Class of Genetic Adaptive Systems. Ph.D. Dissertation, University of Michigan, Ann Arbor, 1975

22. Cavicchio D.J. Adaptive search using simulated evolution. Unpublished Doctoral Dissertation, University of Michigan, Ann Arbor, 1970

23. Syswerda G., Uniform crossover in genetic algorithms. In Proceedings of the Third International Conference on Genetic Algorithms and their Applications. 2-9, J.D. Schaeffer, ed. Morgan Kaufmann, 1989

24. Holland J.HAdaptation in Natural and Artificial Systems, Univ. of Michigan Press, Ann Arbor, MI: 1975

25. D.H. Wolpert, W.G. Macready, "No free lunch theorems for optimization," IEEE Transactionson Evolutionary Computation, vol. l,no. l,pp.67-82. 1997

26. K. Miettinen, P. Neittaanmaki, M.M. Makela, J. Periaux Evolutionary Algorithms in Engineering and Computer Science Chichester ; Weinheim ; New York ; Brisbane ; Singapore ; Toronto : John Wiley & Sons, Ltd., 1999

27. А.А. Жданов, М.В. Крыжановский, Н.Б. Преображенский. Бионическая интеллектуальная автономная адаптивная система управления мобильным роботом // Мехатроника, 2004. №1, с. 21-30 (часть 1) и №2 (часть 2), с. 17-22.

28. Тихонов А.Н., Арсенин В.Я. // Методы решения некорректных задач. М.: Наука, 1986. -288 с

29. Mynsky, М., Papert, S. Perceptrons: An introduction to computational Geometry, The MIT Press, 1969

30. Lipmann, R. An introguction to computing with natural nets. II IEEE Acoustic, Speech and Signal Processing Magazine, 1987, no. 2, L. 21-22

31. Скурихин A.H. Нейронные сети: Определенияб концепцииб применение. М. ЦНИИ Управления, экономики и информатики, 1991

32. Жданов А.А. Земских JI.B. Беляев Б.Б. Система стабилизации углового движения космического аппарата на основе нейоноподобной системы автономного адаптивного управления. Космические Исследования, М. 2004 (принята редакцией в 2002).