|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Классификация методов оптимизацииМетоды оптимизации исторически развивались независимо с использованием различных концепций, математических аппаратов и т.д., что объясняет определённую сложность их классификации. Рассмотрим классификацию методов оптимизации в трактовке работы которая, хотя и носит условный характер, даёт возможность ознакомиться с их особенностями и областями применения. Исходя из возможности нескольких подходов к классификации, следует различать методы определения экстремума функции и функционала (рис.). Являясь частным случаем функционала, функция отличается более простыми методами отыскания экстремума. Современная практика оптимизации производственных процессов требует применения как аналитических, так и численных методов поиска экстремума. Преимущество аналитических методов заключается в возможности определения качественной картины поведения оптимальной системы при изменении её параметров и структуры. Применение численных методов обеспечивает получение конкретных числовых значений параметров управления производственным процессом. Особое место занимают человеко-машинные методы оптимизации, использующие возможности работы оператора в режиме диалога с ЭВМ. Это даёт возможность повторять вычисления при разных условиях, использовать аналитические методы, представленные в виде стандартных программных блоков и, что самое важное, оперативно включать в процедуру отыскания оптимального решения интеллектуальные способности человека. Весьма важно, что при таком способе оптимизации исходный критерий оптимальности может быть нестрого математически формализован в виде функции или функционала. Так, он может состоять из нескольких положений, сформулированных достаточно чётко на словесном, содержательном уровне, что при наличии диалога человек - машина вполне допустимо. Методы отыскания экстремума функции получили широкое развитие из-за вычислительных трудностей решения алгебраических уравнений вида , j =1,2,…n, особенно при наличии ограничений на переменные . Увеличение числа переменных и ограничений на них ведет к резкому возрастанию сложности решения уравнений. В связи с этим широкое распространение получили прямые методы отыскания экстремума функции, методы линейного и нелинейного программирования, дискретные принципы максимума и динамическое программирование. Методы динамического программирования и принципа максимума с успехом применяются для отыскания экстремума функционала и функции. Прямые методы вариационного исчисления (методы Ритца, Эйлера и др.), как дискретный вариант уравнения Эйлера, сводят задачу отыскания экстремума функционала к экстремуму функции. Методы поиска экстремума функционала включают в себя как классические (методы Эйлера-Лагранжа-Гамильтона), так прямые и различные специальные методы, а заканчиваются динамическим программированием и принципом максимума. Во многих областях практики, в том числе и в машиностроении, возникают задачи оптимизации применяемых решений, имеющих следующие характерные черты: · показатель эффективности представляет собой линейную функцию от элементов решения ; · ограничительные условия, налагаемые на возможные решения, имеют вид линейных равенств или неравенств. Такие задачи составляют круг задач линейного программирования.
Вопросы для самопроверки 1. Какова роль системного подхода в решении задач оптимизации технических систем? 2. Чем занимается прогрматика как наука? 3. Дайте определение семиотики и математической лингвистики. 4. Приведите примеры наиболее распространенных видов критериев оптимизации и областей их применения. 5. Какие задачи составляют круг задач линейного программирования? Рекомендуемая литература. 1. Аверченков, В.И. Основы математического моделирования технических систем: учеб. пособие / В.И. Аверченков, В.П. Федоров., М.Л. Хейфец – Брянск: Изд-во БГТУ, 2004. 2. Вентцель, Е.С. Теория вероятностей / Е.С. Вентцель. – М.:Советское радио, 1972. 3. Вентцель, Е.С. Исследование операций / Е.С. Вентцель. – М.:Наука, Гл. ред. физ.-мат. лит., 1998.
Раздел 6: «Современные технологии математического моделирования процессов, средств и систем машиностроительных производств» (2 часа)
Лекция 8. «Моделирование систем машиностроения с применением элементов искусственного интеллекта» (1 час)
План лекции: 8.3. Основные понятия и определения. Основы теории нечетких множеств.
Основные понятия и определения. Основы теории нечетких множеств. Решение актуальных технических проблем, создание сложных технических объектов, включающее моделирование и управление, невозможно без привлечения методов искусственного интеллекта, направленного на решение определенного класса задач при их специфической алгоритмизации, составляющей класс генетических алгоритмов. В последнее время все более широко распространяется построение и исследование моделей поведения сложных технических объектов и способов управления ими на основе имитации реализованных природой механизмов в живых существах, т.е. происходит биологизация процессов моделирования и управления. Возможно и совместное применение различных моделей и методов при обработке информации об одном и том же объекте – в этом состоит сущность гибридизации. Согласие с тем, что любая сколь угодно сложная искусственная модель реального объекта всегда примитивнее и проще оригинала и лишь многоаспектное его изучение с последующей интеграцией получаемых результатов позволит обрести необходимые знания или приблизиться к оптимальному решению, представляет собой основу парадигмы (греч.:paradeima – пример, образец. П.– строго научная теория, воплощенная в системе понятий, выражающих существенные черты действительности) такого подхода. Можно с высокой степенью уверенности констатировать, что биологизация и гибридизация составляют основные тенденции развития кибернетики в начале третьего тысячелетия. Обучение – способность системы улучшать свое поведение в будущем, основываясь на прошлой экспериментальной информации о результатах взаимодействия с окружающей средой. Самообучение – обучение системы без внешней корректировки, т.е. без указаний «учителя». Интеллектуальная система управления (ИСУ) – такая, в которой знания о неизвестных характеристиках управляемого объекта и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений для улучшения качества управления. Необходимый признак ИСУ – наличие базы знаний, содержащей сведения, модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ ее решения. Наибольшее распространение при проектировании ИСУ получили методы интеллектуального управления (ИУ), которые относятся к четырем классам: 1) экспертные системы; 2) нечеткие системы; 3) нейронные сети; 4) генетические алгоритмы. Различным уровням интеллектуальности соответствуют ИСУ, интеллектуальные «в большом» и «в малом». Чем же они отличаются? Интеллектуальные «в большом» – организованы и функционируют в соответствии с пятью принципами: · взаимодействие с реальным внешним миром через информационные каналы связи; · принципиальная открытость системы с целью повышения интеллектуальности и совершенствования собственного поведения; · наличие механизмов прогноза изменения внешнего мира и собственного поведения системы в изменяющихся условиях; · наличие многоуровневой иерархической структуры, соответствующей правилу повышения интеллектуальности и снижения требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот); · сохраняемость функционирования (возможно, с некоторой потерей качества) при разрыве связей или потере управляющих воздействий от высших уровней иерархии. Интеллектуальные «в малом» не удовлетворяют перечисленным принципам, но используют при функционировании знания (можно в виде правил) как средство преодоления неопределенности входной информации, описания управляемого объекта или его поведения. При проектировании ИСУ наибольшее распространение получили методы ИУ, относящиеся к следующим четырем классам: · экспертные системы; · нечеткие регуляторы; · нейронные сети; · генетические алгоритмы. В случае четких множеств традиционный способ представления элемента множества состоит в применении характеристической функции . Для четких множеств имеем: В нечетких множествах элемент может частично принадлежать любому множеству. Степень принадлежности элемента множеству определяется функцией принадлежности , которая представляет собой обобщение характеристической функции. Ее значения являются рациональными числами из интервала . Причем 0 означает отсутствие принадлежности, а 1 – полную принадлежность к множеству . Конкретное значение функции принадлежности называется степенью, или коэффициентом принадлежности. Степень принадлежности может быть определена в виде функциональной зависимости или дискретно – путем задания конечной последовательности значений в виде: Теория нечетких множеств допускает, помимо переменных цифрового типа, существование лингвистических переменных с приписываемыми им значениями. Для нечетких множеств, являющихся обобщением обычных множеств, существует ряд математических операций, которые являются обобщением аналогичных операций, выполняемых на четких множествах. Среди прочих, к ним относятся следующие: 1. Логическая сумма множеств . . 2. Логическое произведение множеств . . Здесь знаки и обозначают соответственно операторы и . 3. Отрицание множества . Отрицание нечеткого множества в отличие от обычных четких множеств дает непустое множество, состоящее из элементов, функции принадлежности которых также определены на интервале . 4. Равенство нечетких множеств и возможно, когда для всех элементов обоих множеств выполняется условие . 5. Операции концентрации . Часто выполняется при действиях с лингвистической переменной, в которых она отождествляется с интенсификатором «очень». 6. Операция растяжения . Лингвистическое значение этой операции формулируется как «примерно» или «приблизительно». 7. Ограниченная сумма , разность и произведение двух нечетких множеств определяются соответственно выражениями: , , . 8. Нормализация нечеткого множества определяется соотношением . Нечеткое множество считается подмножеством нечеткого множества , если для всех элементов выполняется неравенство . Свойства ассоциативности, коммутативности и дистрибутивности операций, определенных на нечетких множествах, понимаются следующим образом: · ассоциативность: ; · коммутативность: (за исключением ограниченной разности); · дистрибутивность: , где операторы и обозначают любую определенную выше операцию на нечетких множествах. Для нечетких множеств корректны следующие выражения: Æ; , т.е. в отличие от обычных множеств, логическое произведение нечеткого множества и его отрицания не обязательно образуют пустое множество, а их логическая сумма не обязательно образует полное множество . Важным для практики является вопрос о степени нечеткости нечетких множеств. Для ее определения введено понятие меры нечеткости, сводящейся к измерению уровня различия между множеством и его отрицанием . В соответствии с мерой Р. Егера степень нечеткости множества в метрике , обозначаемая , определяется по формуле: , где – мера расстояния между множествами и , содержащими по элементов. Значения и соответствуют метрикам Хемминга и Евклида, и искомые меры расстояния определяются по формулам: ; . Вопросы для самопроверки. 1. Что такое интеллектуальная система управления и какой она имеет необходимый признак? 2. Охарактеризуйте четыре метода интеллектуального управления. 3. Что такое функция принадлежности и коэффициент принадлежности в теории нечетких множеств? 4. Дайте определение следующих математических операций для нечетких множеств: логическая сумма; логическое произведение; отрицание множества; равенство нечетких множеств; операции концентрации и растяжения; ограниченные сумма, разность и произведение; нормализация нечеткого множества. 5. Свойства (ассоциативность, коммутативность, дистрибутивность) нечетких множеств. 6. Как определяется степень нечеткости (мера Егера) нечетких множеств? Рекомендуемая литература 1. Аверченков, В.И. Основы математического моделирования технических систем: учеб. пособие / В.И. Аверченков, В.П. Федоров., М.Л. Хейфец – Брянск: Изд-во БГТУ, 2004. Лекция 9. (Окончание раздела 6) «Применение нейросетевого моделирования и генетических алгоритмов в моделировании технических систем» (1 час)
План лекции: 9.1. Элементы нейросетевого моделирования процессов в технических объектах и системах. 9.2. Генетические алгоритмы и их применение в моделировании технических систем.
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.012 сек.) |