Структура системы принятия решений
Для организации эффективного функционирования систем управления целесообразно применять системы с элементами искусственного интеллекта. Это позволит на основе работы моделей искусственного интеллекта разрабатывать нечеткие контроллеры. Применение искусственного интеллекта не означает отказ от традиционных методов управления, основанных на применении моделей динамических процессов, описываемых дифференциальными уравнениями. Модели искусственного интеллекта дополняют традиционные подходы к моделированию систем управления и позволяют создавать модели гибридного интеллекта. Применение моделей искусственного интеллекта требует сбора и обработки экспертной информации: определение лингвистических переменных, характеризующих параметры системы управления, формализации правил принятия решений. Экспертные оценки позволяют сочетать опыт и знания специалистов со статистическими оценками, поэтому дают более реальные показатели. Преимущество данного подхода к моделированию состоит также в том, что он позволяет оценить такие ситуации, которые не возможно формализовать в практике решения задач управления. Основное отличие применения экспертных оценок при моделировании и в процессах принятия решений от других методик состоит в том, что используют не только данные о процессах функционирования системы управления, но и знания экспертов, а также специальные механизмы вывода решений и новых знаний на основе имеющихся. Под механизмом вывода решений понимается структура построения и применения правил из некоторого множества при выводе решения. В системе принятия решений правила (или эвристики), по которым принимаются решения, хранятся в базе знаний. Задачи ставятся перед системой искусственного интеллекта в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний выводит заключение из этих фактов. Общая структура системы искусственного интеллекта показана на рис. 4.1.
Модель представления знаний, правила принятия решений определяют качество экспертных оценок. Качество экспертных оценок определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов исследований, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов исследований. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.
Рис. 4.1
В базе знаний интеллектуальной системы управления применяют три вида знаний: - структурированные знания - статические знания об объекте управления (после того как эти знания выявлены, они уже не изменяются); - структурированные динамические знания - изменяемые знания об объекте управления (они обновляются по мере выявления новой информации); - рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации. Для построения базы знаний требуется провести опрос специалистов, являющихся экспертами в области управления, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний. Системы принятия решений должны «выдавать» управляющие решения в сложившейся ситуации, которая описывается множеством входных факторов и параметров интеллектуальной системы управления. Итак, модель интеллектуальной системы управления с нечетким описанием параметров строится на основе формализации субъективных знаний специалистов - экспертов. Формирование результатов работы моделей происходит следующим образом.
Экспертами на базовых множествах входных факторов X1,X2,…,Xn для элементов х1,х2,…,хn, принадлежащих соответствующим базовым множествам xiÎXi, задаются степени принадлежности значений нечетких переменных базовым множествам. Экспертами формулируются правила принятия решений. Затем для момента времени t0 принятия решения вводятся, как параметры соответствующих моделей, текущие значения координат входных факторов . Работа модели происходит по схеме, показанной на рис. 4.2. Модель принятия решений вырабатывает управление y. Интеллектуальная система управления должна рассматривать все факторы, как входные переменные. Следовательно, должны быть заданы базовые множества, синтаксические и семантические правила формирования лингвистической переменной и ее термов.
Рис. 4.2
В интеллектуальной системе управления могут быть применены разные модели нечеткого логического вывода. Среди этих моделей назовем следующие. Модель нечеткого логического вывода может быть построена на основе сопоставления в виде четкого соответствия наборов нечетких ситуаций (описываемых кортежами нечетких переменных) и принимаемых решений. Модель нечеткого логического вывода может быть построена также и в виде нечеткого отношения на прямом произведении множества правил нечеткого логического вывода и нечеткого множества принимаемых решений. Можно экспертным путем определить нечеткие эталонные ситуации, которым будут сопоставлены определенные решения. Работа модели нечеткого логического вывода заключается в выявлении для конкретного момента времени некоторой реальной нечеткой ситуации (сложившейся на исследуемом объекте), нахождении наиболее «близкой» эталонной нечеткой ситуации для данной реальной нечеткой ситуации, а затем формировании соответствующего решения.
Модель классификации
Известна модель принятия решений [4,7,8] при условии описания входных переменных в виде лингвистических переменных и установления соответствия между наборами нечетких переменных (из термов лингвистических переменных) и элементами множества решений. Данная модель названа моделью классификации, так как в ней задаются классы (множества) наборов нечетких переменных, соответствующие определенным решениям.
Входные переменные (факторы), определяющие исходные данные для принятия решений, заданы в виде лингвистических переменных. Эффективность применения лингвистических переменных в подобных ситуациях определяется следующим. Мнение специалистов при управлении объектом можно формально определить экспертным путем. Для этого необходимо для каждого конкретного параметра задачи (фактора) определить базовое множество возможных цифровых оценок X, смысловое название входного фактора. Лингвистическая переменная (ЛП) задается набором (см. разд. 2.10): где ai - название i - й ЛП; T(ai) - терм-множество ЛП ai; ХI - область определения каждого элемента множества T(ai); G - синтаксическое правило (грамматика), порождающее элементы (j -е нечеткие переменные) ; M - семантическое правило, которое ставит в соответствие каждой нечеткой переменной (НП) нечеткое множество - смысл НП . Формальное задание входного фактора в виде ЛП раскрывает возможности в моделировании и исследовании истинности высказываний и принимаемых решений субъектом при решении задачи управления. Нечеткие переменные (НП) , составляющие терм-множества лингвистических переменных aI, задаются в виде тройки множеств (см. разд. 2.10): где - наименование НП; ХI - базовое множество; - нечеткое подмножество множества ХI; - функции принадлежности, задание происходит путем экспертного опроса. Модель принятия решений о выборе управления зададим в виде нечеткой классификационной системы, которая формально представлена набором (X,Y,H), (4.1) где X - множество признаков-факторов задачи управления; Y - разбиение X на нечеткие эталонные классы ; H - множество принимаемых решений об управлении. Множество X определим X=X1´X2´…´Xn, причем с каждым из множеств связывается конкретная ЛП ai со значениями НП из терм-множества Т(ai).
Для построения модели принятия решений необходима соответствующая экспертная информация, которая формализует знания экспертов. Экспертная информация представляется в виде системы условных нечетких высказываний, например: где - эталонные ситуации (высказывания); - нечеткие высказывания. В соответствии с правилами преобразования нечетких высказываний можно записать следующую систему L: где - нечеткие высказывания вида <aL есть hL>, где aL - обобщенная ЛП, определенная на множестве X=X1´X2´…´Xn, и принимающая значения aij с функцией принадлежности: (4.2)) где nj - число наборов принадлежащих j -му классу разбиения. Формулу (3.2) можно представить и в другом виде: Модель принятия решений основана на определении степени истинности нечеткого правила modus ponens [9]. Согласно данной модели для конкретных значений параметров (x1,x2,…,xn) из множества X=X1´X2´…´Xn выбирается такое значение , для которого степень истинности нечеткого правила modus ponens достигает своего наибольшего значения. Модель в виде нечеткой классификационной системы представляется таблицей соответствия, содержащей |T(a1)|´|T(a2)|´…´|T(an)| строк и (n+1) столбцов. В строках записываются все возможные комбинации значений ЛП ai (из терм-множеств T(ai)), а в (n+1) -м столбце - соответствующие этим комбинациям управляющие решения . Работа модели осуществляется по следующим правилам. Измеряют (определяют) физические значения компонент точки и подставляют эти значения в функции принадлежности эталонных классов Lj. Вычисляют значения . Среди всех значений находится максимальное и принимается управляющее решение hs со степенью принадлежности . Дальнейшее рассмотрение особенностей построения модели будем осуществлять на примере. Система управления должна контролировать дистанцию автомобиля до впереди двигающегося транспортного средства. В каждый такт времени от датчиков в нечеткий контроллер поступает следующая информация: дистанция до впереди идущего транспортного средства, скорость изменения дистанции, обороты двигателя. Нечеткий контроллер обрабатывает эту информацию и принимает одно из следующих решений: резко снизить обороты двигателя; снизить обороты двигателя; разрешать оставить обороты без изменения; разрешать повысить обороты двигателя. Математическая модель нечеткого контроллера задается в виде тройки множеств: <X,F,H>, где X={X1´X2´X3 } - множество входных сигналов; F - правило управления; H={h1,h2,h3,h4} - множество решений. Определим ЛП - «дистанция», терм-множество которой имеет вид T(a)= { a1, a2, a3, a4, a5 }, где ai - НП: a1 - «очень малая дистанция»; a2 - «небольшая дистанция»; a3 - «средняя дистанция»; a4 - «большая дистанция»; a5 - «очень большая дистанция». Для каждой НП ai задаются нечеткие подмножества где D={dmin,...,dmax} - множество значений дистанции d, причем dmin и dmax задается экспертами, хотя dmax в общем случае ограничено работой радара. Дистанция измеряется в метрах.
Определим ЛП b - «скорость сокращения дистанции», терм-множество которой имеет вид T(b)=(b1,b2,b3), где bi - НП: b1 - «небольшая скорость изменения дистанции»; b2 - «средняя скорость изменения дистанции»; b3 - «большая скорость изменения дистанции». Для каждой НП bi задаются нечеткие подмножества где множество значений скорости V={0,...,vmax}, причем vmax зависит от характеристик транспортного средства либо вводится как ограничение согласно правилам дорожного движения. Определим ЛП g - «величина оборотов коленчатого вала в единицу времени», терм-множество которой имеет вид T(g)= (g1,g2,g3), где gi - нечеткие переменные: g1 – «небольшая величина оборотов»; g2 - «средняя величина оборотов»; g3 – «большая величина оборотов». Для каждой НП gi задаются нечеткие подмножества где множество значений оборотов коленчатого вала двигателя определим W={wmin,wmax}, причем, wmin и wmax зависят от типа и марки двигателя. Вариант задания функций принадлежности НП лингвистической переменной g - «величина оборотов коленчатого вала в единицу времени» приведен на рис. 4.3. Рис. 4.3
Определим множество H - управляющих сигналов (решений). Пусть H ={ h1,h2,h3,h4 }, где: h1 – «резко снизить обороты коленчатого вала»; h2 – «снизить обороты коленчатого вала»; h3 – «оставить без изменения обороты коленчатого вала»; h4 – «повысить обороты коленчатого вала». Принятие решения нечетким контроллером осуществляется согласно правилам управления F, которые для данной модели задаются в виде таблицы соответствий «ситуация – действие», возможный вид которой приведен в табл. 4.1. Таблица 4.1 Соответствие «ситуация — действие»
Окончание табл. 4.1
Решение (команда) подается в систему «круиз-контроль». Кроме этой информации, в систему «круиз-контроль» подается значение текущей скорости движения автомобиля относительно дорожного покрытия от соответствующего датчика (от спидометра). Если от нечеткого контроллера поступает команда h2 – «снизить обороты коленчатого вала», то система «круиз-контроль» подает соответствующую команду системе питания двигателя, которая в свою очередь уменьшает количество подаваемого в камеру сгорания топлива на одну ступень. Если от нечеткого контроллера поступает команда h1 – «резко снизить обороты коленчатого вала», то система «круиз-контроль» подает соответствующие команды системе питания и тормозной системе. Подача топлива прекращается и тормозная система отрабатывает одну ступень торможения. Если от нечеткого контроллера поступает команда h3 – «оставить без изменения обороты коленчатого вала», то система «круиз-контроль» не вмешивается в управление автомобилем. Если от нечеткого контроллера поступает команда h4 – «повысить обороты коленчатого вала», то система «круиз-контроль» сравнивает текущее значение скорости движения автомобиля с введенным в нее при включении значением. Если текущее значение меньше введенного, то система «круиз-контроль» посылает соответствующие команды системам питания и тормозной системе. Торможение прекращается, а количество подаваемого топлива увеличивается на одну ступень. В противном случае система «круиз-контроль» никак не реагирует на данную команду нечеткого контроллера и поддерживает заданную скорость автомобиля. Система «круиз-контроль» отключается от управления автомобилем при нажатии водителем на педаль тормоза или акселератора. Взаимодействие систем показано на рис. 4.4.
Рис. 4.4
Пусть ситуация, характеризующая состояние объекта на дороге, представляется в i -й такт времени точкой Wi=(di,vi,wi), где di -дистанция до впереди идущего объекта, vi - скорость изменения дистанции, wi - обороты двигателя. Алгоритм работы нечеткого контроллера состоит в следующем. 1°. Подставим точку (di,vi,wi) в соответствующие функции принадлежности. Вычислим значения функций принадлежности:
2°. Найдем максимальные значения функций принадлежности в точке (di,vi,wi): Значения лингвистических переменных, при которых соответствующие функции принадлежности максимальны, и будут искомыми значениями. 3°. Перейдем от «четкой» информации, полученной от датчиков, к нечеткому ее представлению с помощью лингвистических переменных: Wi=(di,vi,wi) Sj(ak,bl,gm). 4°. В таблице соответствия «ситуация — действие» находится решение hn, соответствующее ситуации Sj(ak,bl,gm), и выдается на выход нечеткого контроллера. 5°. Конец. Для наглядности рассмотрим работу нечеткого контроллера в некоторой конкретной ситуации. Пусть пределы измерения физических величин будут следующими: дистанция от 5 до 50 м; обороты двигателя от 300 до 6000 об/мин; скорость изменения дистанции вычисляется в пределах от 0 до 150 км/час. Предположим, в i -й такт времени с датчиков поступила следующая информация: дистанция 10 м; скорость изменения дистанции 50 км/час; обороты двигателя 3000 об/мин. Пусть функции принадлежности имеют следующий вид, показанный на рис. 4.5 - 4.7 Определим значения функций принадлежности для этого конкретного состояния: Найдя максимальные значения функций принадлежности для лингвистических переменных, перейдем от «четкой» информации, полученной от датчиков, к нечеткому ее представлению по данным табл. 4.1. Ситуацию на дороге можно отобразить следующим образом: дистанция малая (a2); скорость изменения дистанции средняя (b2); обороты коленвала средние (g2). В табл. 4.1 «ситуация — действие» находим ситуацию (a1,b2,g2) и решение, которое целесообразно принять в этой ситуации. Для данного примера решением будет h1, то есть «снизить обороты». Рис. 4.5 Рис. 4.6 Рис. 4.7 Модель классификации может быть также реализована с учетом степеней предпочтительного выбора управляющего решения. При подобном подходе каждому из возможных вариантов Sj сочетания параметров объекта управления и возможных решений об управлении сопоставляется степень предпочтения pj, задаваемая экспертами. Тогда таблица соответствия «ситуация – действие» для общего случая примет вид табл. 4.2. Таблица 4.2 Таблица соответствия «ситуация – действие»
Выбор решения об управлении происходит следующим образом. Для такта времени t0 определяются параметры объекта управления в виде точки и определяются численные значения степеней принадлежности . Значения степеней принадлежности подставляются в формулу (4.2) и определяется тот класс разбиения LS, для которого имеет наибольшее значение функция . Найденному классу разбиения LS сопоставлены решения и степени предпочтения. Затем в соответствии с принятыми правилами определяется решение об управлении. Правила могут быть следующими: - решение принимается, исходя из наибольшего значения степени предпочтительного выбора: - решение выбирается случайным образом из подмножества решений, образованного классом разбиения LS. Подмножество определено заданием допустимого уровня значений степеней предпочтительного выбора, т.е. задано , определяется подмножество исходя из условия если , затем генерируется равномерно распределенное число в интервале [0,1] и по схеме случайных событий из множества решений, у которых степень предпочтительного выбора принадлежит подмножеству , выбирается единственное. Достоинство модели классификации при построении нечетких контроллеров состоит в возможности установления достаточно полного соответствия между наборами нечетких переменных, характеризующих состояние объекта управления, и элементами множества H принятия решений об управлении. Однако данная модель обладает недостатком, заключающимся в следующем. Если число ЛП велико, значительны размеры мощностей их терм-множеств, то таблица соответствия «ситуация – действие» существенно разрастается. Например, если число ЛП равно пяти и терм-множество каждой ЛП равно трем, то таблица соответствия «ситуация – действие» будет содержать 243 строки. Если число ЛП равно десяти и терм-множество каждой ЛП равно трем, то таблица соответствия «ситуация – действие» будет содержать 58049 строк. Очевидно, что заполнять эту таблицу экспертными данными не предоставляется никакой возможности при большом числе ЛП.
Воспользуйтесь поиском по сайту: ©2015 - 2024 megalektsii.ru Все авторские права принадлежат авторам лекционных материалов. Обратная связь с нами...
|