Решение задач проектирования и управления в интеллектуальных сиcтемах на основе технологий мягких вычислений
Андреев В.О., Савиных Н.В.
В последние годы уходящего века, в развитие и дополнение механизации, автоматизации и информатизации технологических процессов и процессов управления, начала формироваться новая парадигма интеллектуализации, что привело к обширным теоретическим исследованиям и практическим разработкам в области создания интеллектуальных систем (ИС).
Можно отметить, что следующими предпосылками создания и развития интеллектуальных систем является сложность и плохая определенность многих реальных процессов и систем, для которых сложность и точность становятся несовместимыми понятиями [1].
Обычно считается, что интеллектуальная система должна удовлетворять тесту Тьюринга, т.е. если нельзя отличить техническую систему и человека при решении какой - либо сложной задачи, то говорят, что система является интеллектуальной, в противном случае - нет [2,3]. Интеллектуальная система должна иметь способность действовать в неопределенной среде соответственно цели, причем соответствующее действие таково, что увеличивает вероятность успеха, а успехом является достижение поведенческих подцелей, которые поддерживают конечную цель системы.
Не существует формального определения интеллектуальных систем. Известными зарубежными специалистами в области ИС в разное время давались разные определения, часть из которых приведена в Таблице 1.
В современной литературе под интеллектуальными системами понимаются системы, включающие или состоящие из одного или более интеллектуальных агентов [2,3]. Понятие интеллектуального агента (ИА) является одним из наиболее широко распространенных в современном компьютерном мире, вне зависимости от области приложений, или дисциплины, используемой для анализа в этой области. Интеллектуальные агенты должны обладать способностями к восприятию, знанием, способностями принятия решений и во многих случаях исполнительными органами для выполнения этих решений. Интеллектуальные агенты функционируют в различных средах. Их интеллектуальные свойства позволяют им максимизировать вероятность успеха в достижении цели, даже если недоступно полное знание ситуации. Функционирование интеллектуальных агентов не может рассматриваться отдельно от окружающей среды; таким образом, вместе с ИА интеллектуальную систему образуют среда и конкретная ситуация.
Вслед за американским исследователем в области управления и автоматизированных систем Лофти Заде мы полагаем, что в основу синтеза интеллектуальных систем и интеллектуального управления могут быть положены "мягкие вычисления" (МВ) [10]. МВ представляет собой "научную революцию" в терминах Т.Куна [11] и существенный сдвиг парадигмы по приближению формальных вычислительных процессов к разуму человека, отличающегося от современных компьютеров замечательной способностью хранить и обрабатывать информацию в условиях и действия НЕ-факторов (неполнота, неточность, недоопределенность, некорректность и т.п.) [12]. Принципиальными компонентами МВ к настоящему времени являются: нечеткие системы (НС), включая нечеткую логику (НЛ); эволюционные вычисления (ЭВ), включая генетические алгоритмы (ГА); искусственные нейронные сети (ИНС), включая нейронные вычисления (НВ), машинное обучение (МО), и вероятностные рассуждения (ВР).
интеллектуальный нейронный синтетический
Таблица 1. Определения интеллектуальных систем / интеллектуального управления (ИУ)
|
Эксперт в области ИС/ИУ |
Цитата |
|
|
Albus J.S. |
«Интеллектуальные системы сложным образом взаимодействуют с собранными данными, с тем, чтобы модифицировать траектории, сформировать альтернативные стратегии, изменить декомпозиции целей и подцелей в ответ на обнаруженное изменение условий в окружении…» [4] |
|
|
Antsaklis P.J. |
«Интеллектуальное управление представляет собой дисциплину, в рамках которой разрабатываются методы, направленные на эмуляцию важнейших свойств интеллекта человека. Эти характеристики включают адаптацию и обучение, планирование при большой неопределенности и обработку больших объемов данных» [5] |
|
|
Saridis G.N. |
«Интеллектуальное управление - процесс автономного принятия решений в структурированных и неструктурированных средах на основе взаимодействия дисциплин искусственного интеллекта, исследования операций и автоматического управления» [6] |
|
|
Shoureshi R. |
«Система интеллектуального управления - система управления с предельной степенью автономности на основе самообучения, самореконфигурируемости, рассуждений, планирования и принятия решений, и способности извлекать наиболее ценную информацию из неструктурированных или зашумленных данных, полученных от каких-либо сложных динамических систем и/или окружающей среды» [7] |
|
|
Tesar D. |
« …интеллектуальное управление производится через принятие решений на критериальной основе. Процесс принятия решений … предполагает использование некоторого множества критериев качества… На основе выбранного множества критериев принимаются решения о способе достижения желательного качества» [8] |
|
|
Zadeh L.A. |
«В широкой перспективе, интеллектуальное управление покоится на том, что могло быть названо мягкими вычислениями. В сущности, мягкие вычисления являются консорциумом методологий, который обеспечивает концептуальную основу проектирования и развертывания интеллектуальных систем. Принципиальными партнерами в консорциуме являются нечеткая логика, нейровычисления, генетические алгоритмы и вероятностные рассуждения» [9] |
Ядро технологии мягких вычислений составляет триада основополагающих методологий, как следует из следующего "уравнения мягких вычислений" [9]
МВ = НЛ + ИНС + ЭВ
Мягкие вычисления Нечеткая логика Искусственные Эволюционные нейронные сети вычисления
Мягкие вычисления являются важной ветвью науки вычислительного или синтетического интеллекта, в которой нечеткая логика, теория вероятностей, нейронные сети и генетические алгоритмы синергетически взаимодействуют для подражания процессам рассуждений и принятия решений человеком. Логическое обоснованием МВ состоит в то, что:
· Люди могут эффективно обрабатывать неполную, неточную и нечеткую информацию, принимая разумные решения;
· Человеческие рассуждения имеют преимущественно приближенный, качественный и "мягкий" характер;
· МВ могут подражать человеческой логике и интуиции (могут быть учтены качественное знание, опыт работы, квалификация, навыки, умения, эвристики, терпимость к НЕ-факторам, шумам и помехам, и т.п.).
Свойства и аналогии основных методов МВ приведены в таблице 2.
Таблица 2. Свойства и аналогии методов мягких вычислений
|
Метод |
Свойства |
Аналогия |
|
|
Нечеткая логика |
Использует нечеткие правила (например, экспертное знание) и приближенные решения для выработки управляющих действий |
Знания и рассуждения человека |
|
|
Нейронные сети |
Сеть множества связанных узлов. Может точно представлять сложную систему без использования аналитической модели |
Нейронная структура мозга |
|
|
Эволюционные вычисления (генетические алгоритмы) |
Оптимизация без вычисления производных. Может приводить к глобально оптимальной системе управления |
Биологическая эволюция |
В отличие от обычных (твердых) вычислений, МВ толерантны к неточности, неопределенности, частичной истинности и аппроксимации. Фактически ролевой моделью для МВ является разум человека. Руководящим принципом МВ является использование толерантности к НЕ-факторам для достижения разрешимости задач, робастности и низкой стоимости решения; решения фундаментальной проблемы, связанной с современным технологическим развитием: отсутствием необходимого интеллекта современной информационной технологии, который обеспечивает необходимую функциональность техники, ориентированную на человека.
Ведущую роль в МВ играет теория нечетких систем, и это происходит из того факта, что человеческие рассуждения не являются четкими и допускают вариативность. Важно отметить, что МВ не являются простым объединением составляющих методов. Скорее это синергетическое кооперативное партнерство, в котором каждый из партнеров вносит свою особую методологию решения задач. Можно утверждать, что составляющие компонентные методы МВ являются дополняющими, а не конкурирующими. Определенное подтверждение этому можно получить, рассматривая следствия недавно доказанной NFL теоремы "о бесплатных завтраках", утверждающей, что универсальных и эффективных методов для решения сложных задач поиска и оптимизации не существует, а эффективные методы должны быть специально приспособлены к предметной области, классу решаемых задач и конкретной ситуации [13].
Дополнительность методологий мягких вычислений - НЛ, ИНС, ЭВ имеет важное следствие: во многих случаях проблема может быть решена более эффективно, используя эти методы, скорее в комбинации, нежели по отдельности. Примером особенно эффективной комбинации являются известные "нейро-нечеткие" системы мягких вычислений [14].
Для моделирования, исследования, анализа и проектирования интеллектуальных систем разработаны специализированные программные продукты, однако более доступны интегрированные программные среды, такие как система MATLAB [15]. MATLAB объединяет в себе язык высокого уровня для научно-технических вычислений и интерактивный пакет для программирования, численного анализа, матричных вычислений, визуализации, анализа и проектирования систем управления. Среда MATLAB включает в себя многочисленные специализированные пакеты расширения - тулбоксы, позволяющие эффективно разрабатывать специфические приложения.
Области применения MATLAB: математические расчеты, разработка алгоритмов, моделирование, анализ данных и визуализация, научная и инженерная графика, разработка приложений, включая интерфейс пользователя.
Наряду с общими богатыми возможностями, позволяющими исследовать, анализировать и проектировать интеллектуальные системы, MATLAB включает в себя и три специализированных тулбокса расширения, которые позволяют создавать ИС на основе мягких вычислений: Fuzzy Logic Toolbox, Neural Network Toolbox, Genetic Algorithm and Direct Search Toolbox.
Пакет Fuzzy Logic Toolbox [16]
Fuzzy Logic [2] обладает простым и продуманным интерфейсом, позволяющим легко проектировать и диагностировать нечеткие модели. Обеспечивается поддержка современных методов нечеткой кластеризации и адаптивные нечеткие нейронные сети. Графические средства пакета позволяют интерактивно отслеживать особенности поведения системы. Основные свойства пакета: определение переменных нечетких правил и функций принадлежности, интерактивный просмотр нечеткого логического вывода, современные методы: адаптивный нечеткий вывод с использованием нейронных сетей, нечеткая кластеризация, интерактивное динамическое моделирование с помощью расширения SIMULINC [16].
Пакет Fuzzy Logic достаточно прост в использовании и создан для быстрого овладения нечеткой логикой и применения ее для решения практических задач. Для тех, кто уже знаком с нечеткой логикой, пакет предлагает современные методы и возможность создавать собственные методы.
Fuzzy Logic Toolbox включает пять графических редакторов для представления необходимой информации в процессе проектирования, создания и тестирования нечетких моделей. Fuzzy Logic содержит современные методы нечеткого моделирования, включая: адаптивный нечеткий вывод с использованием нейронных сетей для автоматического формирования функций принадлежности в процессе обучения их на входных данных; нечеткую логику и кластеризацию для задачи распознавания образов, возможность выбора широко известного метода Мамдани или мощного метода Сугено для создания гибридных нечетких систем.
Пакет Neural Network Toolbox [16]
Пакет обеспечивает всестороннюю поддержку проектирования, обучения и моделирования множества известных сетевых парадигм, от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Пакет может быть использован для исследования и применения нейронных сетей к таким задачам, как обработка сигналов, нелинейное управление и финансовое моделирование.
Neural Network для работы с нейронными сетями представляет собой полноценную среду для решения прикладных задач. Пакет обеспечивает всестороннюю поддержку проектирования, обучения и моделирования множества известных сетевых парадигм, от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Пакет может быть использован для исследования и применения нейронных сетей к таким задачам, как обработка сигналов, нелинейное управление и финансовое моделирование. Основные свойства пакета: управляемые сетевые парадигмы, включая персептрон, линейные, обратного распространения, Левенберга, радиальный базис, Элмана, Хопфилда и самообучаемое квантование векторов; неуправляемые сети: Хэбб, Кохан, конкурентные карты признаков и самоорганизующиеся карты; неограниченное число элементов и взаимосвязей; настраиваемые на пользователя архитектуры и передаточные функции; динамическое моделирование с помощью SIMULINK.
Пакет Genetic Algorithm and Direct Search Toolbox (GADS Toolbox) [16]
Пакет GADS значительно расширяет возможности системы MATLAB и пакета Optimization Toolbox по созданию и реализации методов, алгоритмов и программ оптимизации. Это дает возможность применить пакет для решения задач, трудно решаемых с помощью традиционных методов оптимизации, включая некорректно определенные, или задачи, которые трудно математически моделировать. GADS Toolbox можно использовать, когда оптимизируемая функция имеет разрывы непрерывности, существенно нелинейна, стохастична или ее производные трудно вычислимы. GADS дополняет возможности других инструментов оптимизации в выборе хороших начальных точек поиска, и улучшении качества решения.