Определение степени интеллектуальности.

Для реализации указанных выше пяти принципов в интеллектуальной системе управления необходимо предусмотреть следующие слои обработки неопределенной информации (слои интеллектуальности):

— слой прогноза событий;

— слой самообучения и адаптации;

— слой работы с базами событий, знаний и формирования решений;

— исполнительный слой.

Каждый из перечисленных слоев имеет свою функциональную специфику и в реальной системе можетсостоять из нескольких уровней. При этом в самом нижнем исполнительном слое могут использоваться классические модели САУ. Все остальные слои более высокого ранга можно рассматривать как надстройку над традиционными классическими моделями, отвечающую требованиям современной информационной технологии работы со знаниями и существенно расширяющ ую возможности этих моделей. Минимальная надстройка может содержать всего лишь базу знаний, состоящую из нескольких продукционных правил. В этом простейшем случае могут отсутствовать слои самообучения и прогноза событий (или функции этих уровней могут быть совмещены с функциями обработки нескольких правил).

В зависимости от того, сколько слоев интеллектуальности имеет та или иная система, можно говорить о разных степенях ее интеллектуальности.

Введем ряд определений:

— система управления, функционирование которой ограничено двумя нижними слоями интеллектуальности, имеет степень интеллектуальности в малом;

— система управления, функционирование которой ограничено тремя нижними слоями интеллектуальности, имеет степень интеллектуальности в большом;

— система управления, функционирование которой поддерживается всеми четырьмя слоями интеллектуальности, называется интеллектуальной в целом.

Учитывая важность понятия “степень интеллектуальности” для рассматриваемого класса систем, определения степени интеллектуальности в малом, в большом и в целом мы ввели по аналогии с устойчивостью в малом, в большом и в целом для классических САУ (САР), в которых устойчивость является наиболее важным понятием.

Введение понятия степени интеллектуальности в малом, в большом и в целом непосредственно связано с традиционными вопросами разработки шкал оценок функциональных возможностей систем управления. Рассматриваемые слои интеллектуальности образуют неравномерную, частично упорядоченную последовательность на шкале оценок функциональных возможностей САУ, зависящих от целей управления, сложности и неопределенности объекта управления. Это позволяет ставить задачи разработки методологии проектирования САУ различных степеней интеллектуальности, где под степенью интеллектуальности можно подразумевать различные средства борьбы с недоопределенностью либо самого объекта управления, либо его поведения в непредсказуемом динамическом внешнем мире.

Итак, интеллектуальные системы управления - это системы вовсе не обладающие какой бы то ни было “интеллектуальностью” в общепринятом смысле. Это прежде всего класс систем, строящихся с применением новой информационной технологии обработки и использованиязнаний. Такой подход к построению систем управления позволяет в ряде случаев повысить динамические характеристики создаваемой системы путем лингвистической аппроксимации поведенческих характеристик управляемого объекта. Более того, мы можем в ряде случаев отказаться от организации традиционной обратной связи в САУ, если нам удастся адекватным образом представить ее работу с помощьюзнаний на основе определенных правил. В качестве примера можно указать на известные исследования по поддержанию в равновесии перевернутого маятника с помощью нечетких правил. Насколько такой регулятор будет работать лучше (или хуже) традиционного, зависит только от того, насколько хорошо (или плохо) нам удалось описать с помощью правил работу обратных связей. Если аппроксимация нам не удалась, интеллектуальный регулятор будет иметь худшие динамические характеристики по сравнению с обычным (например, с ПИД-регулятором).

В системах управления, обладающих интеллектуальностью в целом, свойство интеллектуальности проявляется в таких аспектах, как управление в условиях неопределенности, самообучение и адаптация. Это сложные системы с многоуровневой иерархической структурой, способные к формированию решений, адекватных сложившейся ситуации. Как указывалось в [1], вся история развития искусственного интеллекта связана в основном с попытками разработки наиболее совершенных методов и средств управления в условиях неопределенности. Так, на заре развития искусственного интеллекта исследовались лишь методы представления и манипулирования знаниями. Следующий этап развития характеризовался исследованиям в области достоверного логического вывода с использованием знаний (резолюционного, в аксиоматических системах, с использованием аналитических таблиц и т. п.). От доказательного логического вывода исследователи перешли к анализу применимости методов рассуждений, включающих механизмы управления выводом. Попытки решения задач в плохо формализуемых предметных областях привели к развитию методов правдоподобных и приближенных рассуждений (абдуктивных, индуктивных, нечетких, на примерах, на основе здравого смысла, по аналогии и т. п.). Разработанные к настоящему моменту соответствующие модели и методы вывода в условиях неопределенности используемой информации могут найти применение на самых верхних уровнях формирования решений в иерархии интеллектуальных систем управления. Логично предположить, что в интеллектуальных системах управления ближайшего будущего смогут найти применение и такиемеханизмы поддержки принимаемых решений, какими являются аргументация и обоснование. Соответствующие модели пока не получили широкого распространения в управлении, хотя попытки их использования в интеллектуальных советующих системах предлринимались, и, судя по первым результатам, им принадлежит большое будущее [11].

Что же касается самообучения и адаптации интеллектуальных систем управления, то к настоящему моменту достаточно широкое распространение получили методы эволюционного моделирования на базе нейронных сетей, настраиваемых с помощью генетических алгоритмов. Концептуальная модель, организованная с использованием в контуре управления базы нечетких правил, блока нечеткого вывода, фазификатора (переводящего четкие значения входов в лингвистические значения) и дефазификатора (выполняющего обратное преобразование) совместно со средствами обучения на базе нейронной сети, составляет основу схемы так называемых “мягких вычислений” (soft computing — термин Л. Заде [10]). Эта схема уже нашла применение в ряде промышленных разработок интеллектуальных систем управления.

Одним из наиболее распространенных способов описания поведенческих характеристик объекта управления в последнее время стало применение нечетких продукционных правил с соответствующими механизмами нечеткого вывода. В технических системах точные значения сигналов с датчиков подаются на фазификатор, а точные значения управляющих воздействий на объект поступают с дефазификатора. Системы управления, построенные по этой схеме, получили название “нечетких систем управления” [8]. В соответствии с данным ранее определением нечеткие системы управления (без самообучения, предсказания и т. д.) относятся к числу систем, интеллектуальных в малом. Это — чрезвычайно важный и наиболее распространенный в настоящее время подкласс интеллектуальных систем управления.

В тех случаях, когда в силу наличия большой степени неопределенности поведенческих характеристик объекта управления или внешней среды лингвистическая аппроксимация с использованием нечетких продукционных правил становится недостаточной, в структуру системы управления вводят дополнительные слои, отмеченные выше. Таким образом, можно построить систему с более высокой степенью интеллектуальности или с более развитыми средствами борьбы с неопределенностью используемой информации. В системах управления, интеллектуальных в целом, на верхних уровнях управляющей структуры используются, как правило, экспертные системы, в состав которых могут быть включены такие механизмы правдоподобного вывода на знаниях, как вывод по аналогии, на основе здравого смысла и т. п. В системах такой степени интеллектуальности могут быть автоматически сформулированы решения, вполне приемлемые в сложившейся ситуации, но неожиданные даже для экспертов. Вопрос о том, следует ли такой уровень принятия решения включать непосредственно в контур управления, остается открытым. Однако, в качестве советующих подсистем эти уровни принятия решений, несомненно, полезны.

Дата добавления: 2015-07-15