Сетецентрическая система управления на базе нейро-нечеткой топологии

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Кубанский Государственный Технологический Университет

Сетецентрическая система управления на базе нейро-нечеткой топологии Исследование выполнено при финансовой поддержке РГНФ в рамках научно-исследовательского проекта РГНФ («Управление эффективностью пространственно распределённых промышленных предприятий с учётом фактора надёжности на примере нефтегазодобывающего комплекса»), проект № 14-02-00334а).

Шумков Евгений Александрович к.т.н.

Видовский Леонид Адольфович д.т.н., профессор

Аннотация

В статье рассмотрен подход к построению сетецентрической системы управления на базе нейро-нечеткой топологии «Внутренний учитель», использующей принцип обучения с подкреплением.

Ключевые слова: сетецентрическая система управления, нейро - нечеткая система, нейронная сеть, обучение с подкреплением

В настоящее время ведущие армии мира, в том числе и российская, для управления вооруженными силами внедряют сетецентрические системы управления. В отечественной науке под «сетецентризмом» обычно понимается «управление на основе единого информационно-коммуникационного пространства». Вообще, данный термин пришел из информационных технологий, подразумевая организацию взаимодействия в компьютерной сети, несмотря на использование разных операционных систем [4].

Согласно [6] концепция сетецентрической системы рассматривает представление любого вооруженного формирования в виде компьютерной сети, объединяющей сенсорные элементы сбора информации, интеллектуальные элементы анализа ситуации и принятия решений, а также моторные компоненты непосредственно воздействующие на объекты противника.

Следует отметить, что сетецентрический подход используется не только в военном деле, но и во многих других, например, в управлении МСЧ [4]

Существует несколько подходов к построению сетецентрических систем. Выделим следующий, в котором, сетецентрическая система должна обладать тремя взаимосвязанными типовыми подсистемами [4]:

- информационной системы, содержащей активные и пассивные технические средства и действия и обеспечивающие сбор достоверной информации о текущем состоянии объекта (-ов) управления и окружающей среды;

- активных технических средств, обеспечивающих реализацию команд от информационной системы;

-- информационно-управляющих средств, реализующих анализ и управления первыми двумя подсистемами.

То есть, мы видим, что такая система реализует распределенную систему с удаленным центром управления.

Одна из основных проблем математического и алгоритмического описания сетецентрических систем в том, что динамика показателей моделируется в непрерывном времени, а динамика действий - в дискретном. Другой особенностью рассматриваемых систем является то, что они характеризуются большим количеством компонентов и причинно-следственных связей [2]. Внешняя среда в реальных задачах обычно характеризуется как стохастическая.

Отметим, что сетецентрический подход - это не только информатизация процесса, но и возможность прогноза ситуации и принятия опережающих действий.

Одним из наиболее перспективных подходов для реализации сетецентирических систем управления является создание информационных систем на базе мультиагентных технологий [2].

В работах по сетецентрическим системам обычно опускают тот факт, что в реальной обстановке обычно пропадает связь с управляемыми объектами. При этом необходимо, чтобы агенты (объекты управления) выполняли поставленную задачу, то есть агенты должны обладать элементами искусственного интеллекта. При построении подобных систем обычно используются нейронные сети, экспертные системы, нечеткая логика, обучение с подкреплением и т.д., а также различные комбинации указанных методов. Покажем, как можно реализовать сетецентрическую систему с элементами искусственного интеллекта на уровнях командного центра и агентов на базе обучения с подкреплением с использованием нейронных сетей. Для реализации выберем нейросетевую топологию «Внутренний учитель» [3, 7]. В данной топологии реализован принцип политики самообучения (SMP - self-modified policies).

Рассмотрим случай, когда необходимо управлять агентами (). Использование топологии «Внутренний учитель» в случае управления одним агентом см. [5,7]. Тогда существует два способа построения топологии:

· централизованная;

· распределенная.

Если выбрать централизованную систему, то предлагается использование одного коэффициента эффективности, который отслеживает работу системы целиком (рис 1). На рисунках далее приняты следующие обозначения: ОНС - обучающая нейросеть, УНС - управляющая нейросеть, СС - управляемый агент, БНП - база нечетких правил. Обобщенный вид формулы коэффициента эффективности:

,

где - безразмерный показатель полезной деятельности, произведенной системой, - безразмерный показатель затраченных ресурсов.

Рисунок 1. Централизованная СУ

Теперь необходимо распределить коэффициент эффективности по агентам, то есть мы делаем предположение, что коэффициент эффективности разбивается следующим образом (если известны коэффициенты влияния ):

Или для каждого агента:

,

где - коэффициент эффективности - го агента в момент времени .

Вообще говоря, в сетецентрической системе управления может быть неизвестно (или частично известно) влияние одного агента на общий коэффициент эффективности системы. Для преодоления этого барьера удобно использовать нечеткую логику. Для этого в систему вводится база нечетких правил. Например, пусть лингвистической переменной будет степень влияния - го агента, которая оценивается по шкале слабая, средняя, высокая Шкала разбита на три части в целях простоты изложения. Понятно, что в реальном случае она разбивается более подробно. (рис. 2). Термами будут лингвистические оценки слабая, средняя, высокая, которые составляют терм - множество.

Для каждого агента строим функции принадлежности, например как показано на рисунке 2. Таким образом, при одном коэффициенте эффективности мы имеем различные значения степени влияния агента на общий коэффициент эффективности системы.

Базу нечетких правил необходимо сделать следующим образом - в случае если при неоднократном применении правил, коэффициент эффективности системы не увеличился (уменьшился) и он меньше заданного, необходимо сделать корректировку лингвистической функции, а именно изменять параметры , , (показаны на рисунке 2).

Рисунок 2. Функции принадлежности

Таким образом, закладывается принцип самообучения системы на трех уровнях - уровень определения степени влияния агента (на уровне вычисления коэффициента эффективности), затем на уровне определения направления изменения адаптационных параметров (выходы нейросетей учителя) и, наконец, на уровне выбора набора правил самообучения в нейросетях решателей. Уровень распределения коэффициента эффективности централизованной СУ с применением базы нечетких правил показан рисунок 3. После распределения коэффициента эффективности по агентам алгоритм работы для каждого блока ОНС - УНС - СС (обучение, дообучение) такой же, как и для одного агента.

В случае распределенной системы, для каждого агента используется свой коэффициент эффективности (рисунок 4), т. е.:

Рисунок 3. СУ с нечеткой логикой

,

где - коэффициент эффективности степени свободы управляемого объекта в момент времени управления.

Данный вариант построения СУ можно применять в случае, если известно влияние агента на систему (в общем случае влияние неизвестно), или в непосредственном управлении используются не все агенты, а только те, степень влияния, которых априори известна.

В случае распределенной СУ, обучение (дообучение) для каждого агента проходит независимо, используя алгоритм, изложенный для одного агента [7]

Рисунок 4. Распределенная СУ

сетецентрический нейронный сеть интеллект

Литература

1. J. Schmidhuber. Reinforcement learning with self-modifying policies. In S.Thrun and L.Pratt, Learning to learn, pages. 293-309, Kluwer, 1997.

2. Иващенко А.В. и др. Мультиагентные технологии для разработки сетецентрических систем управления // С. 11-22.

3. Ключко В.И., Шумков Е.А., Карнизьян Р.О. Нечеткий контроллер с правилами самомодификации // Политематический сетевой электронный научный журнал КубГАУ №9. 2013.

4. Рязанов В.А. Сетецентрический подход в управлении силами пожарной охраны // Пожары и ЧС. 2010. №3. С. 61-69.

5. Стасевич В.П., Шумков Е.А., Ключко В.И., Воротников С.А. Адаптивные системы на основе самообучающихся нейросетей. Научный журнал «Труды КубГТУ». - Краснодар: КубГТУ, 2002. - Т.XVI. -Сер. Совершенствование образовательных технологий. -Вып.2.

6. Шеремет И.А. Компьютеризация как путь к победе в вооруженной борьбе // Независимое военное обозрение. - 2005. - №42 (451)

7. Шумков Е.А. Система поддержки принятия решений предприятия на основе нейросетевых технологий. Дисс. канд. техн. наук. Краснодар: КубГТУ. 2004. 158 с.

8. Экстремальная робототехника. Материалы XIII Научно-технической конференции. Под ред. доктора технических наук Е.И. Юревича. В.П. Стасевич, С.А. Воротников. «Адаптивная самообучаемая система управления мобильным роботом в недетерминированной среде». Санкт-Петербург, изд-ва СПбГТУ, 2003. с.45-48.

Размещено на Allbest.ru