Concepte: sistem inteligent (IntS), sistem de control inteligent (IntSU)

Conceptul de „sistem intelectual” este interpretat de diferiți cercetători în moduri diferite. Luați în considerare cele principale, cu includerea explicațiilor însoțitoare.

Sistem inteligent este un sistem informatic de calcul cu suport inteligent în rezolvarea problemelor fără participarea unui operator (decisor – decident). Sistem inteligent este un sistem informatic de calcul cu suport inteligent în rezolvarea problemelor cu participarea unui operator – decident. Principalele tehnologii intelectuale, inclusiv rețelele neuronale artificiale (ANN), algoritmii genetici, logica fuzzy, pot fi utilizate eficient în crearea sistemelor de control. În același timp, oportunitatea utilizării lor este determinată de capacitatea de a implementa scheme distribuite pentru efectuarea calculelor, ceea ce permite extinderea spațiului de căutare fără o creștere semnificativă a complexității calculelor necesare; capacitatea de a descrie procesele de management printr-un limbaj „simplu” apropiat de firesc; posibilitatea reprezentării non-analitice a obiectelor de control neliniare și descrierea proceselor caracterizate prin ambiguitate și un număr mare de situații speciale; capacitatea de a căuta rapid în spațiul de soluții probleme slab formalizate.

Sisteme inteligente Acestea sunt sisteme bazate pe cunoștințe. Atunci când sunt procesate pe un computer, cunoștințele sunt transformate în mod similar cu datele: 1) Cunoașterea în memoria umană ca rezultat al gândirii. 2) Purtători materiale de cunoștințe (manuale, mijloace didactice). 3) Câmp de cunoaștere - o descriere condiționată a principalelor obiecte domeniul subiectului, atributele și regularitățile lor care le conectează. 4) Reprezentarea cunoștințelor pe baza unui model (de producție, semantic, cadru sau altul). Un model de producție sau un model bazat pe reguli permite ca cunoștințele să fie reprezentate sub formă de propoziții precum "În cazul în care un , apoi". O rețea semantică este un graf direcționat ale cărui vârfuri sunt concepte, iar arcele sunt relații între ele. Un cadru este o structură de date pentru reprezentarea unui obiect conceptual. 5) Baza de cunoștințe privind mediile de stocare a mașinii. Atunci când se utilizează modelul de producție, baza de cunoștințe constă dintr-un set de reguli. Programul care controlează enumerarea regulilor se numește motor de inferență (motor de raționament, motor de inferență, motor deductiv, interpret, interpret de reguli, rezolvator). Mașina de ieșire funcționează ciclic. În fiecare ciclu, se analizează faptele existente din memoria de lucru (baza de date) și regulile din baza de cunoștințe, apoi le compară. Setul de reguli selectate constituie așa-numitul set conflict (adică, într-o anumită situație, mai multe reguli pot fi aplicate simultan). Pentru a rezolva conflictul, motorul de inferență are un criteriu după care alege singura regula, dupa care functioneaza. Aceasta se exprimă în introducerea faptelor (acțiunile recomandate) care formează concluzia regulii în memoria de lucru sau în schimbarea criteriului de alegere a regulilor conflictuale. Dacă încheierea regulii include numele unei acțiuni, atunci funcționează. Motorul de inferență se bazează pe principiul modus ponens, care este interpretat astfel: „Dacă se știe că afirmația A este adevărată și există o regulă de forma „dacă A, atunci B”, atunci afirmația B este adevărată. "

Sub sisteme inteligenteînțelege orice sisteme biologice, artificiale sau formale care prezintă capacitatea de a avea un comportament intenționat. Acesta din urmă include proprietățile (manifestările) comunicării, acumularea de cunoștințe, luarea deciziilor, învățarea, adaptarea. În centrul cercetării în domeniul inteligenței artificiale se află o abordare bazată pe cunoaștere. Încrederea pe cunoaștere este paradigma de bază a inteligenței artificiale. În lucrare, interpretările cunoștințelor sunt combinate în patru grupe (sau niveluri): psihologic, intelectual, formal-logic și informațional-tehnologic. Interpretarea psihologică a cunoștințelor - imagini mentale, modele mentale. Interpretarea intelectuală a cunoștințelor este un set de informații despre un anumit domeniu, inclusiv fapte despre obiectele acestui domeniu, proprietățile acestor obiecte și relațiile care le leagă, descrieri ale proceselor care au loc în acest domeniu, precum și informații. despre modul de rezolvare a problemelor tipice. Interpretare formal-logică - informație formalizată despre o anumită arie de subiect, utilizată pentru a obține (ieșire) noi cunoștințe despre acest domeniu folosind proceduri specializate. Interpretarea tehnologiei informației - informații structurale stocate în memoria computerului și utilizate în operarea programelor inteligente.

În lucrările lui D.A. Pospelova iar colegii săi descriu următoarele proprietăți conceptuale ale cunoașterii: interpretabilitate internă,înțeles ca prezența unor nume unice care identifică fiecare element de informare; structurarea, care determină posibilitatea de imbricare recursivă a unităților de informații individuale unele în altele; conexiune externă, precizarea posibilității de a stabili relații funcționale, casual și de altă natură între unitățile informaționale; scalabilitate caracterizarea posibilității de introducere a diferitelor metrici pentru fixarea rapoartelor cantitative, ordinale și de altă natură ale unităților de informații; activitate, reflectând capacitatea de a iniția implementarea unor acțiuni adecvate atunci când apar informații noi.

intelectual Sistem informatic (sau un sistem bazat pe cunoștințe) se bazează pe conceptul de utilizare a unei baze de cunoștințe pentru a genera opțiuni de rezolvare a problemelor aplicate de diferite clase, în funcție de nevoile specifice de informații ale utilizatorilor. Scopul principal al construirii unor astfel de sisteme este identificarea, studierea și aplicarea cunoștințelor experților cu înaltă calificare pentru a rezolva probleme complexe care apar în practică. La construirea sistemelor bazate pe cunoștințe se utilizează cunoștințele acumulate de experți sub forma unor reguli specifice pentru rezolvarea anumitor probleme. Această direcție își propune să imite arta umană de a analiza problemele nestructurate și semistructurate.

În teoria aplicată a sistemelor inteligente (IntS), sistemul de control este considerat doar în strânsă interacțiune cu lumea exterioară din jurul său, iar sistemul inteligent este interpretat ca un ansamblu de subiecți activi și obiecte (subiecți) opuse acestora, generate fie de posibilitatea situațională a existenței active a subiectului, sau prin sarcina țintă a unui sistem sau a unui subiect în afara sistemului și toate elementele de orice natură care alcătuiesc un sistem intelectual se află sub influența lumii exterioare comune acestora.

În opera lui A.V. Timofeeva și R.M. Yusupov a spus că IntSU include elemente de inteligență artificială care vă permit să formați concepte și să acumulați cunoștințe, să planificați comportamentul și să luați decizii în condiții incerte, să recunoașteți imaginile și să formați un model mediu inconjurator. Introducerea elementelor de inteligență în sistemele automate de control (ACS) le extinde semnificativ funcționalitatea comparativ cu ACS adaptiv. Ca urmare a intelectualizării, sistemele automate de control dobândesc capacitatea de a rezolva unele tipuri de sarcini intelectuale care erau de obicei atribuite unei persoane. Prin urmare, IntSU sunt din ce în ce mai folosite în cazurile în care situația nu permite (nu justifică) implicare directă un operator uman aflat în proces de control sau când este necesară reducerea intensității muncii operatorului în timpul funcționării obiectului de control în moduri normale.

Necesitatea intelectualizării ACS apare de obicei în cazurile în care obiectele de control sunt complexe (de exemplu, obiectele cu dinamică neliniară care funcționează în condiții de incertitudine), iar descrierea și interacțiunea lor cu mediul este dificil de structurat și formalizat. Incompletitudinea descrierii se manifestă atât în ​​incertitudinea a priori a modelului obiectului și a mediului, cât și în incertitudinea și varietatea scopurilor managementului. Adesea, descrierea comportamentului unor astfel de obiecte este vagă și conține informații calitative (evaluări ale experților, concluzii plauzibile, funcții de membru). Rezolvarea problemelor de control în astfel de condiții este imposibilă fără utilizarea metodelor de inteligență artificială, adică fără intelectualizarea ACS.

Astfel, intelectualizarea ACS se reduce la reprezentarea și prelucrarea cunoștințelor despre mediu, obiect și sistemul de control folosind instrumentele de instruire și adaptare necesare. Aceste cunoștințe și instrumente fac posibilă rafinarea modelului obiectului de control și al mediului și să confere ACS proprietăți fundamental noi, similare cu abilitățile intelectuale ale unui operator uman sau expert. trasaturi caracteristice IntSU sunt abilitățile lor de învățare și autoînvățare prin formarea cunoștințelor, pentru sinteza și identificarea modelelor de comportament, pentru recunoașterea și analizarea situațiilor, pentru autoorganizare și adaptare în raport cu diverși factori. Aceste abilități fac posibilă compensarea diferiților factori de incertitudine internă și externă care apar în timpul funcționării ACS și, prin urmare, îmbunătățirea sau optimizarea calității controlului.

În continuare, IntSU vom numi un astfel de sistem în care cunoștințele despre caracteristicile necunoscute ale obiectului de control și ale mediului se formează în procesul de învățare și adaptare, iar informațiile obținute în acest caz sunt utilizate în procesul de decizie automată de control- făcând astfel încât calitatea controlului să se îmbunătățească. Rețineți că procesele de învățare și adaptare pot avea loc fie izolat de procesul de control (de exemplu, în modul de pregătire cu un profesor, care este de obicei un operator uman sau expert), fie direct în procesul de control automat în timp real .

Să luăm în considerare caracteristicile structurii funcționale ale reprezentanților tipici ai clasei sistemelor de control inteligente, interpretându-le în raport cu obiectele de control tehnologic (agregate, mașini, complexe de mașini).

UDC 004.896

I. A. Șcerbatov

CONTROL INTELIGENT AL SISTEMELOR ROBOT ÎN INCERtitudine

Introducere

Control inteligent - utilizarea metodelor de inteligență artificială pentru a controla obiecte de natură fizică variată. În domeniul controlului sistemelor robotizate, metodele de inteligență artificială sunt cele mai utilizate. Acest lucru se datorează în primul rând autonomiei roboților și necesității ca aceștia să rezolve sarcini creative neformalizate în condiții de informații incomplete și diverse tipuri de incertitudine.

Clasa specificată de probleme a rămas până de curând apanajul inteligenței naturale: operatorul obiectului de control, inginer, om de știință, adică o persoană. Realizările moderne în domeniul teoriei controlului automat, metodele inteligente de formalizare a sarcinilor semistructurate și controlul sistemelor tehnice complexe fac posibilă implementarea unor sisteme robotizate foarte complexe, care includ platforme robotice mobile, linii automate flexibile și roboți android.

Sistemele robotizate funcționează în condiții de informații de intrare incomplete, atunci când imposibilitatea fundamentală de a măsura un număr de parametri impune restricții semnificative asupra programului de control. Aceasta conduce la necesitatea dezvoltării unei baze de date de algoritmi care să permită, pe baza semnelor indirecte și a indicatorilor măsurați, să se calculeze parametrii nemăsurabili.

Incertitudinea mediului extern în care funcționează sistemul robotizat face necesară includerea în sistemul de control a diferitelor tipuri de compensatoare, module de adaptare, acumulare și ierarhizare a informațiilor.

Formularea problemei

Scopul cercetării a fost acela de a forma abordări ale construcției sistemelor de control inteligente pentru sistemele robotizate care sunt invariante în raport cu specificul de funcționare, ținând cont de caracterul incomplet al informațiilor de intrare și de diferitele tipuri de incertitudine.

Pentru atingerea acestui scop, este necesar să se rezolve o serie de sarcini interconectate: să analizeze arhitecturile sistemelor inteligente de control pentru sistemele robotizate; dezvoltarea unui algoritm generalizat pentru identificarea situațională a unui sistem robotizat; dezvoltarea unei scheme generalizate a sistemului de control al sistemului robotizat; pentru a dezvolta sisteme de control inteligente pentru un robot de manipulare, o platformă robotică mobilă și o linie automată flexibilă.

Metode de cercetare

Pe parcursul cercetării s-au folosit metode teorie generală control automat, teoria multimilor fuzzy, retele neuronale, analiza sistemelor, teoria evaluarilor expertilor.

Amplasarea sistemului robotizat în mediul extern

Pentru implementarea algoritmilor de control inteligent, sarcina principală este identificarea curentă a situației în care se află sistemul robotizat. Pentru a rezolva această problemă, a schema structurala sisteme de identificare situațională (Fig. 1).

Blocul de viziune tehnică și percepție senzorială este conceput pentru a determina schimbări în starea mediului extern și pentru a prezenta o hartă senzorială a mediului pentru prelucrare ulterioară. Harta senzorială a mediului este o imagine a situației în care se află robotul în momentul actual. Intervalul de timp pentru construirea unei hărți senzoriale este selectat pe baza specificului domeniului subiectului.

Bază de cunoștințe

Operator

Intelectual

interfata

Identificator

algoritmi

Organele vederii tehnice și ale senzației senzoriale

Mediul extern

Executiv

mecanisme

Orez. 1. Schema bloc a sistemului de identificare situațională

Memoria de lucru, prin analogie cu sistemele expert, este concepută pentru a procesa informațiile provenite de la senzori și procesate folosind baza de date existentă de algoritmi și baza de cunoștințe (KB) a sistemului robotizat.

Baza algoritmilor include algoritmi pentru preprocesarea unei hărți senzoriale (prelucrarea semnalului digital, recunoașterea imaginilor sonore și a imaginilor), calculul parametrilor nemăsurabile (dependențe funcționale de parametrii măsurați), restabilirea completității informațiilor (verificarea cunoştinţelor pentru completitudine și inconsecvenţă). , adaptarea cunoștințelor ținând cont de non-staționaritate și condiții externe variabile), operații matematice etc.

Baza de cunoștințe este o structură ierarhică complexă care conține informații a priori despre mediul extern, stabilite în etapa de pregătire, cunoștințe complete și consistente dobândite de robot în procesul de funcționare și percepție a mediului extern. Cunoștințele din baza de cunoștințe sunt clasificate în funcție de semnele de relevanță și actualizate ținând cont de schimbările în specificul funcționării robotului pe baza algoritmilor de adaptare a cunoștințelor.

Cel mai important bloc este identificatorul de situație. Acest bloc este responsabil pentru recunoașterea corectă a imaginii situației pe baza hărții senzoriale. Informațiile de rezultat ale acestui bloc sunt decisive pentru alegerea programului de control al sistemului robotizat.

Și, în sfârșit, o interfață inteligentă, care este necesară pentru comunicarea cu operatorul. Operatorul controlează funcționarea sistemului robotizat, precum și monitorizează procesul pentru atingerea obiectivelor stabilite. De regulă, comunicarea dintre un robot și un operator ar trebui să aibă loc folosind o interfață în limbaj natural într-un subset limitat de limbaj natural.

Structura sistemului de control al unui sistem robotizat în condiții de incertitudine

Implementarea algoritmilor și a programelor pentru controlul inteligent al sistemelor robotizate în condiții de incertitudine este asociată cu o serie de dificultăți semnificative.

Complexitatea algoritmilor pentru prelucrarea preliminară a informațiilor de intrare și incertitudinea structurală a modelului de comportament al sistemului robotic însuși determină redundanța structurii sistemului de control inteligent.

Pentru a rezolva problema controlului unui robot în condiții de incertitudine, a fost proiectată următoarea arhitectură a sistemului de control inteligent (Fig. 2).

Sistemul de identificare situațională (SSI) ar trebui să facă parte din orice sistem de control inteligent pentru un sistem robotizat. Dispozitivul de control inteligent (ICU) conține în componența sa un CU și o unitate de selecție a programului de control (BVPU). Scopul acestui bloc este de a genera o acțiune de control pentru sistemul de acționări electrice (EA) care acționează asupra sistemului mecanic (MS) al robotului.

Orez. 2. Schema structurală a sistemului de control inteligent al sistemului robotizat

Sisteme de control pentru manipulatoare industriale

Sistemele tradiționale de control pentru manipulatoarele industriale sunt împărțite în mai multe clase. Prima clasă de sisteme - sisteme controlul programului.

Sistemul de control continuu al corpului de lucru al manipulatorului presupune tăierea manipulatorului la modelul de referință. Acest algoritm de control nu ia în considerare pierderile în MC al manipulatorului și se presupune că toate eforturile dezvoltate de unități sunt transferate corpului de lucru.

Sistemul de control software al forței în corpul de lucru este utilizat pentru a controla nu numai vectorul forță, ci și vectorul de poziție al corpului de lucru. Sistemul de control independent al deplasării și forței în corpul de lucru al manipulatorului pentru diferite grade de libertate are două bucle de control cu părere: după poziție și după forță.

În sistemul de control cuplat al deplasării și forței în corpul de lucru al manipulatorului, sarcina în funcție de vectorul de poziție al corpului de lucru este corectată în funcție de valoarea curentă a vectorului forță. Aceasta înseamnă că atunci când corpul de lucru se mișcă, mărimea cursei sale este ajustată în funcție de forța de impact asupra mediului extern.

Sistemele de control adaptiv sunt utilizate atunci când se efectuează următoarele operații: ridicarea unui obiect situat sau în mișcare arbitrar, sudarea cu arc a cusăturilor cu poziție variabilă, evitarea obstacolelor în mișcare și neprevăzute. În acest scop se folosesc sisteme adaptive cu memorie asociativă.

Pentru controlul manipulatoarelor industriale se folosesc și sisteme de control robuste, care în prezent sunt utilizate pe scară largă în practică.

Realizarea controlului inteligent

Problema funcționării unui sistem robotizat în condiții de incertitudine este multifațetă.

Luați în considerare problema planificării comportamentului unui sistem robotizat în condiții de incertitudine. Pentru a o rezolva, este cel mai convenabil să folosiți tehnologia sistemelor expert dinamice. Baza de cunoștințe a unui astfel de sistem expert este ajustată în timp. Dacă se utilizează o bază de reguli de producție, atunci compoziția regulilor de producție este examinată în mod continuu pentru completitudine și coerență. În plus, datorită algoritmilor adaptabili, regulile învechite și învechite sunt actualizate și înlocuite. În același timp, sunt prezentate problemele învățării unui sistem expert fără profesor (autoînvățare). Atentie speciala din cauza faptului că monitorizarea sistemului unui specialist înalt calificat nu este fezabilă din punct de vedere economic.

Blocul de autoînvățare sau autoajustare a bazei de cunoștințe a sistemului expert necesită studiu atentîn etapa de proiectare a unui sistem de control inteligent pentru un sistem robotizat

Ale mele. Este de la calitatea acestei etape munca de proiectare depinde adesea de eficacitatea rezolvării problemei. Ar trebui să includă subsisteme pentru evaluarea completității și inconsecvenței cunoștințelor, evaluarea calității managementului și corectarea cunoștințelor.

Cronologic, următoarea etapă după planificarea comportamentului poate fi problema emiterii comenzilor de control către un sistem robotizat în limbaj natural. Pentru a crea o interfață în limbaj natural, în opinia noastră, cel mai potrivit instrument de implementare este teoria mulțimilor fuzzy.

Cu ajutorul variabilelor lingvistice care conțin un anumit set de termeni, descris anterior, se realizează o descriere a domeniului subiectului, un sistem limitat de comenzi și obiecte care afectează sistemul robotic și se modifică sub acțiunea acestuia. Metodele de fuzzificare și defuzzificare utilizate în acest caz, precum și algoritmii de inferență fuzzy, au un impact semnificativ asupra acurateței acțiunilor de control al procesării și asupra vitezei sistemului robotizat.

Și, în sfârșit, utilizarea sistemelor de control al rețelelor neuronale pentru sistemele robotice. Principalul avantaj al unei rețele neuronale este că nu este nevoie să cunoașteți sau să creați un model matematic al unui obiect, deoarece o rețea neuronală este un aproximator fuzzy universal.

Obiectul (sistemul robotic) acţionează ca o „cutie neagră”. Rețeaua neuronală poate acționa ca model de referință al unui sistem robotizat controlat. Trebuie remarcat faptul că aceasta ar trebui să fie o rețea neuronală multistrat de învățare (identificator de obiect). Modelul rețelei neuronale este ajustat la obiectul de control prin nepotrivirea semnalelor de ieșire ale obiectului și ale modelului. De asemenea, formează un eșantion de antrenament pentru reglarea și corectarea dispozitivului de control în conformitate cu criteriul de calitate selectat.

Concluzie

Analiza efectuată a făcut posibilă sintetizarea arhitecturii unui sistem de control inteligent pentru sisteme robotizate, care este invariant în raport cu specificul de funcționare. Algoritmul de identificare situațională dezvoltat face posibilă construirea de hărți senzoriale foarte informative ale mediului extern. Sunt descrise principalele abordări ale formării sistemelor de control inteligente pentru sistemele robotizate. Sunt prezentate direcțiile dezvoltării prospective a celor mai eficiente metode de inteligență artificială utilizate pentru implementarea dispozitivelor de control.

BIBLIOGRAFIE

1. Yurevich E. I. Fundamentele roboticii. - Sankt Petersburg: BHV-Petersburg, 2007. - 416 p.

2. Sisteme de manipulare a roboților / ed. A. I. Korendyaseva. - M.: Mashinostroenie, 1989. - 472 p.

3. Burdakov S. F. Sinteza controlere robuste cu elemente elastice: Sat. științific tr. - Nr. 443. Mecanica si procese de control. - SPb.: SPbGTU, 1992.

4. Protalinsky O. M. Aplicarea metodelor inteligenței artificiale în automatizarea proceselor tehnologice: monografie. - Astrakhan: Editura ASTU, 2004. - 184 p.

Articolul a fost primit de redactori pe 13.01.2010

MANAGEMENTUL INTELECTUAL AL ​​SISTEMELOR ROBOTICE ÎN CONDIȚII DE INCERTITUDINE

I. A. Șcherbatov

Scopul lucrării prezentate este o formare de abordări ale construcției sistemelor de control intelectual al sistemelor robotice, invariante în raport cu specificul funcționării, având în vedere caracterul incomplet al informațiilor de intrare și diverse tipuri de incertitudine. Se efectuează analiza, care a permis sintetizarea arhitecturii unui sistem de control intelectual al sistemelor robotice invariante în raport cu specificul de funcționare. Algoritmul dezvoltat de identificare situațională permite construirea unor cărți tactile bune ale mediului. Sunt descrise abordările de bază ale formării sistemelor de control intelectual al sistemelor robotice. Sunt prezentate direcțiile de dezvoltare în perspectivă a celor mai eficiente metode ale inteligenței artificiale aplicate la implementarea dispozitivelor de acționare.

Cuvinte cheie: sistem robotic, robot, management intelectual, incertitudine structurală, incompletitudinea rețelei informaționale, card tactil, neuron, teoria mulțimilor indistincte, sistem expert auto-antrenat.

Programe №14 cercetare fundamentală OEMMPU RAS

„ANALIZA ȘI OPTIMIZAREA FUNCȚIONĂRII SISTEMELOR DE MULTILEVEL, INTELIGENT ȘI CONTROL DE REȚEA ÎN INCERtitudine”

1. Motivația programului

1.1. științific și semnificație practică

Dezvoltarea intensivă a tehnologiei (rețea, miniaturizarea calculatoarelor, creșterea vitezei acestora etc.) impune noi cerințe sistemelor moderne de control și deschide noi oportunități atât la nivelul sistemelor de control încorporate (la nivelul marilor centre de dispecerat), cât și la nivelul interacțiunea la nivel de rețea (rețea de comunicații, grup) a sistemelor multi-agent descentralizate. Sistemele de control capătă din ce în ce mai mult caracterul de sisteme de informare și control și sunt studiate la intersecția teoriilor de control, de calcul și de comunicare. Astfel, luarea în considerare a proprietăților canalelor de comunicare (comunicații) este necesară, de exemplu, în sistemele descentralizate (multi-agent), iar caracteristicile calculatorului încorporat sunt importante atunci când sunt implementate în sisteme pe mai multe niveluri controlul unor funcții intelectuale precum viziunea tehnică, planificarea acțiunii, învățarea, luarea deciziilor multicriteriale, reflecția etc. În special, intelectualizarea controlului este menită să crească gradul de autonomie a funcționării sistemelor, atunci când absența sistemelor cantitative. modele de dinamică sau perturbări în funcționarea obiectului de control, determinând o pierdere a adecvării modele cantitative (de exemplu, ecuații care descriu evoluția unui sistem complex) sporesc rolul calitativ (așa-numita „cunoaștere”, de exemplu, logica). -lingvistice) modele ale obiectului şi mediului utilizate la nivelurile superioare ale sistemului de control.

Programul are ca scop rezolvarea problemelor fundamentale apărute în domenii prioritareștiință, tehnologie și inginerie Federația Rusă. Sarcina este de a obține noi rezultate fundamentale și aplicate în domeniul teoriei controlului pentru sisteme complexe tehnice, om-mașină și alte sisteme, ținând cont de incertitudinea și lipsa informațiilor inițiale, inclusiv: teoria analizei și sintezei sistemelor stocastice, teoria creării sistemelor de control al mișcării și procese tehnologice, cu diagnosticare actuală și monitorizare a stării tehnice, precum și teoria creării sistemelor automatizate de proiectare și control inteligent bazat pe tehnologii informaționale moderne.

Datorită varietății de utilizare a teoriei controlului, analizei și optimizării în diverse aplicații (transport, logistică, producție, sisteme aviatice și spațiale, submarine și nave de suprafață etc.), este necesar să se țină cont un numar mare de factori de dificultate precum:

management pe mai multe niveluri,

descentralizare,

neliniaritate

Multiplicitatea

Distribuția parametrilor

variabilitatea proceselor în spațiu și timp,

dimensiune mare,

Eterogenitatea descrierii subsistemelor,

multimodalitate,

Prezența influențelor impulsive,

prezența perturbațiilor coordonate-parametrice, structurale, regulate și singulare,

utilizarea modelelor deterministe și probabiliste pentru descrierea incertitudinii informațiilor despre vectorul de stare și parametrii sistemului, despre proprietățile erorilor de măsurare și ale mediului extern;

prezența efectelor de întârziere în control sau obiect,

complexitatea structurală generală sisteme moderne management.

Pentru a atinge obiectivul stabilit și pentru a rezolva sarcinile principale, Programul include cercetare și dezvoltare în următoarele domenii principale:

1. Analiza si optimizarea functionarii pe diferite scale de timp a sistemelor de control multinivel cu informatii incomplete.

2. Management si optimizare in sisteme multinivel si descentralizate de natura organizationala si tehnica.

2.1. Control și optimizare în sisteme centrate pe rețea.

2.2. Control inteligent al obiectelor în mișcare.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri.

Direcția 1. Analiza si optimizarea functionarii in diferite scări de timp ale sistemelor de control pe mai multe niveluri cu informații incomplete

Complexitatea multor sisteme de control moderne nu permite adesea obținerea unei descrieri complete a proceselor care au loc în interiorul sistemului și a interacțiunii acestuia cu mediul înconjurător. De regulă, sistemele reale sunt descrise prin ecuații neliniare ale dinamicii și, destul de des, modelele matematice ale sistemelor de control iau în considerare doar intervalele permise de modificare a parametrilor și caracteristicilor elementelor individuale, fără a specifica acești parametri și caracteristici în sine.

În plus, în unele sisteme, în special, micromecanice și cuantice, utilizarea metodelor clasice de descriere în timp continuu sau discret este dificilă deoarece forțele interne și/sau externe de interacțiune emergente, precum și acțiunile de control, sunt tranzitorii, de natură impulsivă și nu poate fi calculată cu exactitate. Sistemul pare să funcționeze pe diferite scale de timp: real (lent) și rapid (impuls). O astfel de multiscale temporală este o proprietate internă a multor sisteme moderne de control, inclusiv sisteme cu control multinivel, în care nivelurile superioare folosesc modele calitative și discrete, iar nivelurile inferioare folosesc mai des modele cantitative cu timp continuu.

Din acest motiv, dezvoltarea metodelor de formalizare matematică a descrierii funcționării unor astfel de sisteme în timp hibrid (continuu-discret), studiul proprietăților lor pentru controlabilitate și stabilitate în condiții de informare incompletă, contracarare și restricții non-standard. asupra controalelor și variabilelor de fază este o sarcină urgentă. Aceeași sarcină urgentă este dezvoltarea metodelor de sinteză control optim sisteme similare continuu-discrete, atât deterministe cât și stocastice.

În plus, în condiții de incertitudine și lipsă de informații a priori, problemele de optimizare a procesului de colectare și prelucrare a informațiilor (managementul observației și filtrarea optimă) sunt foarte relevante.

Direcția 2. Management si optimizare in sisteme multinivel si descentralizate de natura organizationala si tehnica

2.1. Control și optimizare în sisteme centrate pe rețea

Sistemele organizatorice și tehnice moderne complexe se caracterizează prin dimensionalitate ridicată, descentralizare, management pe mai multe niveluri, nevoia de planificare eficientă a activităților, ținând cont de instruire, multicriteriile deciziilor luate și reflectarea entităților controlate.

Problemele de planificare și control ale sistemelor multiconectate distribuite discrete și continue de dimensiuni mari sunt, de asemenea, caracterizate prin procese de diferite scări, nu numai în timp, ci și în distribuție și scară în spațiu și reprezintă una dintre cele mai complexe și consumatoare de timp. clase de probleme de optimizare. Din acest motiv, este oportun să se dezvolte metode și abordări de cercetare pentru a găsi soluții exacte și aproximative, precum și mijloace modelare prin simulare pentru utilizare în sisteme de sprijinire a deciziilor pentru planificarea, proiectarea și gestionarea sistemelor tehnice, organizaționale (inclusiv transport și logistică) și informaționale complexe.

Pentru a gestiona componentele de interacțiune de grup ale organizației descentralizate sisteme tehnice(sisteme centrate pe rețea, sisteme de producție, rețele de calcul, telecomunicații și alte rețele etc.) în fața restricțiilor asupra canalelor de comunicație și a complexității calculelor, a caracteristicilor proceselor de procesare a informațiilor, precum și a restricțiilor privind timpul de luare a deciziilor, capabilitățile de calcul și lățimea de bandă a canalului, sunt conexiuni de mare importanță. Prin urmare, este relevant să se dezvolte metode de optimizare (ținând cont de limitările de mai sus) a structurii sistemelor organizatorice și tehnice complexe, inclusiv luarea în considerare a mai multor criterii în același timp: detaliul datelor inițiale, eficiența colectării informațiilor. , planificarea și luarea deciziilor reflexive, performanța limitată a computerelor individuale, reducerea dublării muncii , precum și proporția de calcule auxiliare asociate cu menținerea transmisiei de date.

Sistemele multinivel și descentralizate se caracterizează prin luarea deciziilor distribuite în timp real în fața contracarării informației, precum și incompletitudinea și eterogenitatea informațiilor, adesea de natură calitativă și subiectivă multicriterială. Din acest motiv, este necesar să se elaboreze metode de creare a unor sisteme adecvate de suport informațional și de sprijinire a adoptării deciziilor strategice și operaționale în condiții de informare și contracarare incompletă. Pentru aceasta, este recomandabil, în special, să se dezvolte: modele multi-agenți ale sistemelor organizaționale și tehnice dinamice, inclusiv modele de rețea cu agenți conflictuali, modele de comportament de grup și predicția acestuia, evaluarea echilibrului de interese și formarea de coaliții. în aceste sisteme, precum și dezvoltarea tehnologia Informatieiși mijloace de prezentare a informațiilor despre mediul extern și cunoașterea agenților inteligenți.

2.2. Control inteligent al obiectelor în mișcare

Pentru a rezolva sarcinile stabilite, este departe de a fi întotdeauna posibil să se creeze modele cantitative, prin urmare, alături de metodele tradiționale, Programul utilizează metode de inteligență artificială. Inteligența artificială, ca domeniu de cunoaștere, a suferit un salt uriaș în ultimii cincizeci de ani atât în ​​dezvoltarea și perfecționarea conceptului însuși de inteligență, cât și în domeniul aplicării practice a inteligenței artificiale în diverse domenii ale activității umane: în tehnologie, economie, afaceri, medicină, educație etc. Multe prevederi teoretice și metode ale inteligenței artificiale au fost transformate în tehnologii inteligente aplicate bazate pe cunoaștere.

Particularitatea generației moderne de sisteme inteligente este că acestea se bazează pe un model complex al mediului extern, care ia în considerare atât informații cantitative, cât și modele calitative - cunoștințe despre comportamentul posibil al diferitelor obiecte ale mediului extern și interconexiunile acestora. Utilizarea unor astfel de modele a devenit posibilă datorită dezvoltării unor metode de reprezentare a cunoștințelor, metode de integrare a datelor din surse diferite, o creștere semnificativă a vitezei și memoriei computerelor.

Prezența unui model al mediului extern permite sistemelor moderne de control inteligent al obiectelor în mișcare să ia decizii în condiții de multi-criterii, incertitudine și risc, iar calitatea acestor decizii poate depăși calitatea deciziilor luate de o persoană care se află în condiții de supraîncărcare informațională, timp limitat și stres.

În acest sens, o sarcină urgentă este dezvoltarea de noi instrumente și metode pentru dezvoltarea controlului inteligent al obiectelor în mișcare în prezența factorilor enumerați mai sus.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri

Relevanța cercetării în această direcție se datorează necesității de a dezvolta metode de analiză și sinteză a sistemelor de informare și control în timp real modulare deschise pe mai multe niveluri (IMS RT) ale obiectelor multimodale și multifuncționale care funcționează în condiții de incertitudine, perturbări structurale și situații de urgență (ESS). Printre aceste obiecte de control se numără obiectele critice și sistemele de utilizare responsabilă care determină securitatea statului.

Este evident că problemele și sarcinile de creare a sistemelor această clasă poate fi rezolvată cu succes pe baza dezvoltării unei teorii unificate și a metodelor aplicate orientate spre software de dinamică și analiza scenariuluiși sinteza structurii unor astfel de sisteme, algoritmic, software și suport informativ, mecanisme de dezvoltare a influențelor manageriale eficiente. Acestea includ, în primul rând, dezvoltarea unei metodologii formalizate de proiectare a sistemelor de informare și control deschise, inclusiv modele și metode de sinteză a unei structuri modulare optime, conform diverselor criterii de eficiență, a IMS RT orientat pe obiecte cu o arhitectură deschisă. Pe baza rezultatelor obținute în etapa de analiză dinamică, se sintetizează structura modulară funcțională optimă a procesării și controlului datelor, adică se determină compoziție optimăși numărul de module IMS RT, se sintetizează interfața sistemului și se determină structura software-ului și a suportului de informații pentru procesarea fluxurilor de intrare ale aplicațiilor.

Pentru planificarea acțiunilor și sprijinirea luării deciziilor în condiții de incertitudine, perturbări structurale și situații de urgență, este recomandabil să se utilizeze metodele de analiză a scenariilor și sinteza acțiunilor de control eficiente în IMS RT. În acest caz, modelul matematic al propagării perturbațiilor structurale și a situațiilor de urgență va fi format în limbajul graficelor cu semne ponderate sau funcționale. Pe baza acestui model vor fi sintetizate scenarii raționale de gestionare a obiectelor folosind conceptele de potențial de operabilitate, stabilitate și supraviețuire a elementelor lor constitutive. Sinteza scenariilor pentru eliminarea cauzelor și consecințelor NSS în instalațiile țintă multimodale va fi realizată ținând cont de constrângerile de timp și resurse determinate dinamic. De asemenea, este necesar să se elaboreze formulări și metode pentru rezolvarea problemelor inverse de gestionare a supraviețuirii obiectelor multimodale și multifuncționale care funcționează în condiții de incertitudine, perturbări structurale și situații de urgență.

Specificul sistemelor și obiectelor de control menționate mai sus, semnificația științifică și practică a rezolvării problemelor de control, analiză și optimizare pentru acestea ne permit să formulăm următoarele scopuri și obiective principale ale Programului.

1.2. Principalele scopuri și obiective

Scopul principal al Programului este de a rezolva problemele fundamentale ale teoriei controlului care împiedică implementarea unor proiecte promițătoare de importanță națională importantă în domeniul controlului sistemelor complexe dinamice și inteligente cu aplicații pentru controlul mișcării obiectelor și proceselor tehnice în domeniul tehnologic. și sisteme organizaționale.

Cercetările vor fi efectuate pe următoarele subiecte generalizate.

Direcția 1

· Dezvoltarea unor metode de stabilizare a sistemelor neliniare în situaţii de măsurare incompletă a coordonatelor şi restricţii asupra structurii admisibile a forţelor de control.

· Dezvoltarea de metode de monitorizare si control robust si adaptativ in conditii de modele deterministe, probabiliste si alte modele de incertitudine a parametrilor obiectului de control si a mediului de operare.

· Dezvoltarea de metode și algoritmi pentru calitative și analiza cantitativa modele dinamice continue, discrete și multinivel continuu-discrete și sinteză de control bazată pe metoda reducerii cu funcții de comparație vectorială și matrice și transformări de model.

· Investigarea problemei controlului optim al unei noi clase de sisteme mecanice care se deplasează în medii rezistente prin modificarea configurației sau mișcării corpurilor interne.

· Dezvoltarea metodelor de formalizare matematică și rezolvare a problemelor de interacțiune de impact a sistemelor mecanice în prezența frecării uscate.

· Dezvoltarea metodelor optime de control pentru sistemele dinamice discret-continuum și impulsive.

· Dezvoltarea de metode pentru controlul garantat al obiectelor neliniare expuse la perturbări necontrolate sub formă de jocuri dinamice.

· Dezvoltarea teoriei controlului sistemelor cuantice.

· Dezvoltarea de metode și algoritmi de analiză a proprietăților dinamice precum stabilitatea, invarianța, disipatitatea pentru estimarea stării și sinteza sistemelor de control pe mai multe niveluri cu o descriere eterogenă a dinamicii proceselor la diferite niveluri.

Direcția 2.1

· Metode de rezolvare a problemelor de control pentru sisteme centrate pe rețea la scară largă cu parametri distribuiți și procese multi-scale (în spațiu și timp).

· Modele și metode de comunicare-rețea de control inteligent descentralizat al proiectelor și programelor distribuite.

· Metode de optimizare a structurii sistemelor multinivel și descentralizate.

· Metode și structuri de implementare computerizată a controlului centrat pe rețea într-un spațiu matematic omogen de calcul distribuit și paralel.

· Modele și metode de luare a deciziilor de grup bazate pe informații incomplete, eterogene, calitative și subiective.

· Modele și metode de planificare și gestionare a complexelor de operațiuni interdependente în sisteme complexe tehnice și de transport și logistică.

· Dezvoltarea de principii, arhitectură, metode și algoritmi pentru crearea de sisteme inteligente software distribuite bazate pe tehnologii multi-agent.

Dezvoltarea de modele și metode administrarea informațieiîn structuri de rețea multi-agenți.

Direcţie2.2

· Dezvoltarea de modele generalizate de control situațional, reflectând caracteristicile de includere în structura modelelor de elemente fuzzy, rețele neuronale și logico-dinamice.

· Dezvoltarea unei metode de planificare a rutei care asigură proprietatea de stabilitate a comunicării unui grup de obiecte dinamice controlate, eterogene (cantitativ-calitative) în reprezentarea lor model.

· Dezvoltarea de metode de analiză și sinteză a platformelor adaptive de modelare în timp real care țin cont de neliniaritatea, multi-conectivitate, dimensionalitatea ridicată a obiectelor de control cu ​​aplicare la obiectele marine în mișcare.

· Optimizarea sistemelor inteligente pentru controlul pe mai multe niveluri al obiectelor în mișcare într-un mediu conflictual, ținând cont de interacțiunea lor de grup, multicriterii, incertitudine și risc.

· Dezvoltarea metodelor de furnizare a viziunii tehnice pentru sistemele de control inteligente.

· Dezvoltarea metodelor inteligente de control obiecte dinamice, efectuând manevre complexe, bazate pe organizarea mișcării forțate în spațiul de stare al sistemului.

Direcţie2.3

· Modele și metode de analiză și optimizare a structurii modulare a sistemelor de informații și control în timp real multinivel orientate pe obiecte cu arhitectură deschisă în condiții de incertitudine și perturbări structurale.

· Metode de analiză și optimizare a modurilor de sisteme de energie electrică și managementul acestora.

· Modele și metode de abordare scenariu-indicator pentru căutarea punctelor de vulnerabilitate pentru sarcinile de management.

· Metode de modelare, analiză și optimizare a proceselor de control multimodal pentru obiecte în mișcare.

· Dezvoltarea de metode și algoritmi de identificare inteligentă a obiectelor neliniare nestaționare pentru a îmbunătăți eficiența managementului prin formarea unei baze de cunoștințe tehnologice bazată pe informații a priori despre obiectul de control.

· Tehnologii de geoinformație pentru modelarea complexelor naturale și tehnogene în problemele de gestionare a ecosistemelor mega-orașe.

· Analiza si optimizarea suportului informatic pentru sistemele de navigatie si control.

· Modele și metode de gestionare a proceselor de producție.

Rezultatele teoriei dezvoltate și metodele de analiză și sinteză a sistemelor de control vor fi utilizate în următoarele domenii:

· controlul traficului în aviație și astronautică, instalații terestre și maritime, vehicule;

· sisteme multi-agenți centrate pe rețea, sisteme de producție, computere, telecomunicații și alte rețele ;

· sisteme de transport și logistică ;

· energie globală, transport de gaze și alte sisteme de infrastructură la scară largă;

· sisteme de suport informațional pentru sarcinile de management și suport pentru adoptarea deciziilor strategice și operaționale în condiții de informare și contracarare incompletă.

Problemele fundamentale ale teoriei construcției sistemelor de control necesită dezvoltarea lor intensivă. Dezvoltarea cercetării în această direcție va permite:

Dezvoltare fundamente teoretice rezolvarea problemei triune complexe de control-calculator-comunicare (problema - " Control- Calcul- comunicare„) pentru sisteme complexe de informare și control, inclusiv în condiții de restricții asupra canalelor de comunicație și defecțiuni ale subsistemelor;

Rezolvați problemele de gestionare a obiectelor și proceselor fundamental noi legate de obiecte în mișcare, obiecte motiv special, sisteme tehnologice și organizatorice;

Crea metode eficiente diagnosticare funcțională și toleranță la erori a sistemelor de control aeronaveși alte obiecte în mișcare, precum și stabilitatea dinamică a sistemelor de energie electrică;

Pentru a îmbunătăți calitatea, accelerarea și reducerea costurilor dezvoltării soluțiilor de proiectare prin algoritmizarea și automatizarea procesului de dezvoltare a sistemelor de control.

În continuare, controlul este înțeles într-un sens larg, incluzând comunicații-rețea, grup, control distribuit (în literatura engleză - control în rețele, control asupra rețelelor, control distribuit etc.)

TEMA 13. SISTEME DE CONTROL INTELIGENTE

O nouă generație de sisteme - sisteme inteligente (IS) - a adus la viață și alte principii de organizare a componentelor sistemului, au apărut alte concepte, termeni, blocuri care nu au fost întâlnite anterior în dezvoltări și, deci, în literatura științifică.

Sistemele inteligente sunt capabile să sintetizeze un scop, să ia o decizie pentru acțiune, să ofere acțiuni pentru atingerea scopului, să prezică valorile parametrilor rezultatului unei acțiuni și să le compare cu cei reali, formând feedback, să ajusteze obiectivul sau Control

Figura 13.1 prezintă o diagramă bloc a SI, unde sunt evidențiate două blocuri mari ale sistemului: sinteza scopului și implementarea acestuia.

În primul bloc, pe baza evaluării active a informațiilor primite de la sistemul senzorial, în prezența motivației și a cunoștințelor, se sintetizează un scop și se ia o decizie de acțiune. Evaluarea activă a informațiilor se realizează sub influența semnalelor de declanșare. Variabilitatea mediului și starea proprie a sistemului pot duce la o nevoie de ceva (motivație), iar dacă cunoștințele sunt disponibile, se poate sintetiza un scop.

Scopul este înțeles ca o anticipare ideală, mentală, a rezultatului unei activități. Continuând să evaluăm în mod activ informațiile despre mediu și starea proprie a sistemului, inclusiv obiectul de control, atunci când comparați opțiunile pentru atingerea obiectivului, puteți lua o decizie de acțiune.

Mai mult, în al doilea bloc, sistemul expert dinamic (DES), bazat pe informațiile actuale despre mediu și starea proprie a SI, în prezența unui scop și a cunoștințelor, efectuează o evaluare de specialitate, ia o decizie privind managementul, prezice rezultatele unei acțiuni și dezvoltă un management.

Controlul prezentat sub formă codificată este convertit într-un semnal fizic și alimentat actuatoarelor.

Obiectul de control, primind un semnal de la actuatoare, efectuează una sau alta acțiune, ale cărei rezultate, prezentate sub formă de parametri, sunt alimentate prin circuitul de feedback 2 către DES, unde sunt comparate cu cele prezise. În același timp, parametrii rezultatului acțiunii, interpretați în conformitate cu proprietățile scopului și cu intrarea în blocul I, pot fi utilizați pentru o evaluare emoțională a rezultatului obținut: de exemplu, scopul a fost atins, dar rezultatul nu este pe plac.

Dacă obiectivul este atins din toate punctele de vedere, atunci managementul este întărit. În caz contrar, are loc o corecție de control. Când scopul este de neatins, scopul este corectat.

Trebuie remarcat faptul că, odată cu schimbări bruște în starea mediului, sau a obiectului de control, sau a sistemului în ansamblu, este posibilă sintetizarea unui nou scop și organizarea realizării acestuia.

Structura IS, împreună cu elemente noi, conține elemente și conexiuni tradiționale; un sistem expert dinamic ocupă un loc central în ea.

Blocul 1 - sinteza scopului Blocul II - realizarea scopului

Figura 13.1 - Diagrama structurală a IP

Formal, IS este descris prin următoarele șase expresii:

T X S M T ;

T M S SF ;

C T S R T;

T X= (A T) X T+(B T)U T;

T Y = (D T) X T;

T R Y DIN T ,

unde T este un set de puncte de timp;

X, S, M, C, R și Y - seturi de stări ale sistemului, mediu, motivație, scop, rezultat prezis și real;

A, B și D - matrice de parametri;

Operatori de conversie inteligenți folosind cunoștințe.

Această descriere combină reprezentări ale obiectelor de sistem sub forma unui set de valori, sau un set de instrucțiuni sau alte forme.

Proprietățile dinamice ale IS pot fi descrise în spațiul stărilor. Operatorii inteligenți care implementează percepția, reprezentarea, formarea conceptelor, judecățile și inferența în procesul de cunoaștere sunt un mijloc formal de procesare a informațiilor și cunoștințelor, precum și de luare a unei decizii. Toate aceste aspecte ar trebui să stea la baza construcției DES, funcționând în timp real și în lumea reală.

Un sistem expert dinamic este un fel de formație complexă capabilă să evalueze starea sistemului și a mediului, să compare parametrii rezultatelor dorite și reale ale acțiunii, să ia o decizie și să dezvolte un control care să contribuie la atingerea scopului. . Pentru a face acest lucru, DES trebuie să aibă un stoc de cunoștințe și să aibă metode de rezolvare a problemelor. Cunoștințele transferate către un sistem expert pot fi împărțite în trei categorii:

1) cunoașterea conceptuală (la nivel de concepte) este cunoașterea întruchipată în cuvintele vorbirii umane sau, mai precis, în termeni științifici și tehnici și, bineînțeles, în clasele și proprietățile obiectelor de mediu din spatele acestor termeni. Aceasta include, de asemenea, conexiuni, relații și dependențe între concepte și proprietățile lor, precum și conexiuni abstracte, exprimate de asemenea în cuvinte și termeni. Cunoașterea conceptuală este sfera, în principal, a științelor fundamentale, în condițiile în care conceptul este produsul cel mai înalt al celui mai înalt produs al materiei - creierul;

2) cunoștințele faptice, subiectul reprezintă un set de informații despre caracteristicile calitative și cantitative ale obiectelor specifice. Cu această categorie de cunoștințe sunt asociați termenii „informații” și „date”, deși o astfel de utilizare a acestor termeni le diminuează oarecum sensul. Orice cunoaștere poartă informații și poate fi reprezentată ca date; cunoștințele faptice sunt cu ce s-au ocupat computerele întotdeauna și cu ce s-au ocupat cel mai mult până acum. Forma modernă de acumulare de date este de obicei numită baze de date. Desigur, pentru a organiza baze de date, pentru a căuta în ele informațiile necesare, trebuie să se bazeze pe cunoștințele conceptuale;

3) cunoștințe algoritmice, procedurale - aceasta este ceea ce se numește în mod obișnuit cuvintele „deprindere”, „tehnologie” etc. În calcul, cunoștințele algoritmice sunt implementate sub formă de algoritmi, programe și subrutine, dar nu toate, ci cele care pot să fie transferate din mâinile în mâini și utilizate fără participarea autorilor. O astfel de implementare a cunoștințelor algoritmice se numește produs software. Cele mai comune forme ale unui produs software sunt pachetele software de aplicație, sistemele software și altele concentrate pe o anumită zonă a aplicației DES. Organizarea și utilizarea pachetelor de aplicații se bazează pe cunoștințe conceptuale.

Este clar că cunoștințele conceptuale reprezintă o categorie superioară, definitorie a cunoștințelor, deși, din punct de vedere al practicii, alte categorii pot părea mai importante.

De aceea, probabil, cunoștințele conceptuale sunt rareori întruchipate într-o formă accesibilă pentru prelucrare pe computere. Și dacă este întruchipat, cel mai adesea este incomplet și unilateral. În cele mai multe cazuri, persoana rămâne purtătoarea cunoștințelor conceptuale. Acest lucru încetinește automatizarea multor procese.

Reprezentările cunoștințelor conceptuale sau, mai degrabă, sistemele care implementează toate cele trei categorii de cunoștințe, dar evidențiază cunoștințele conceptuale în prim-plan și funcționează pe baza utilizării sale intensive, sunt numite baze de cunoștințe.

Crearea și utilizarea pe scară largă a bazelor de cunoștințe în SI este una dintre sarcinile cele mai urgente. Partea conceptuală a bazei de cunoștințe va fi numită model de domeniu, partea algoritmică - sistem software, iar partea faptică - baza de date.

Următoarea funcție a DES este rezolvarea problemelor. O problemă poate fi rezolvată de o mașină numai dacă este declarată formal - dacă este scrisă o specificație formală pentru aceasta. Acesta din urmă ar trebui să se bazeze pe o bază de cunoștințe. Modelul de domeniu descrie mediul general în care a apărut sarcina, iar specificația descrie conținutul sarcinii. Luate împreună, fac posibilă stabilirea ce conexiuni și dependențe abstracte, în ce combinații și în ce secvență ar trebui utilizate pentru a rezolva problema.

Programele de aplicație sunt instrumentele concrete din spatele acestor dependențe și, de asemenea, conțin algoritmi pentru rezolvarea ecuațiilor rezultate. În cele din urmă, baza de date furnizează toate sau o parte din datele inițiale pentru executarea acestor algoritmi; datele lipsă trebuie să fie conținute în specificație.

Aceste trei părți ale bazelor de cunoștințe corespund celor trei etape ale rezolvării problemei:

1) construirea unui program abstract de soluție (inclusiv apariția unei probleme, formularea și specificarea acesteia);

2) traducerea sarcinii într-un limbaj automat adecvat;

3) difuzarea și execuția programului.

Construcția unui program abstract este asociată cu reprezentarea și procesarea cunoștințelor conceptuale în SI și, prin definiție, este proprietatea inteligenței artificiale.

Inteligența artificială este asociată cu prelucrarea textelor, a mesajelor orale în limbaj natural, cu analiza și prelucrarea informațiilor (recunoașterea tuturor tipurilor de imagini, demonstrarea teoremei, inferența logică etc.).

Funcțiile DES sunt, de asemenea, evaluarea rezultatelor rezolvării problemei, formarea parametrilor rezultatului viitor al acțiunii, decizia de control, dezvoltarea controlului și compararea parametrilor rezultatelor dorite și reale. Acesta prevede modelarea proceselor pentru a evalua consecințele posibile și corectitudinea soluționării problemei.

Rețineți că în cazuri reale există o problemă de descriere a obiectelor studiate. O astfel de descriere nu ar trebui considerată parte a specificației sarcinii, deoarece, de regulă, multe sarcini sunt atribuite unui singur obiect, care, desigur, trebuie luate în considerare atunci când se formează baza de cunoștințe. În plus, se poate dovedi că problema care a apărut nu poate fi rezolvată complet automat, de exemplu, din cauza caracterului incomplet al specificației sau descrierii obiectului.

Prin urmare, în IS, în anumite etape, un mod interactiv de operare cu DES este oportun. Trebuie reținut că modelul de domeniu descrie mediul general (cunoaștere), iar specificația descrie conținutul sarcinii. Probleme foarte importante sunt crearea unui mediu software unificat și sinteza algoritmilor direct conform enunțului problemei.

În funcție de scopul cu care se confruntă SI, baza de cunoștințe, algoritmii pentru rezolvarea unei probleme, luarea unei decizii, dezvoltarea controlului pot avea, desigur, o reprezentare diferită, care, la rândul ei, depinde de natura rezolvării problemelor. În consecință, pot fi observate trei tipuri de DES. Structura DES de primul tip este prezentată în Figura 13.2.

Figura 13.2 - Structura DPP de primul tip

Se presupune aici că cunoștințele conceptuale și faptice reflectă cu acuratețe procesele și informațiile legate de un anumit domeniu.

Apoi rezolvarea problemei care se pune în acest domeniu va fi obținută pe baza unor metode matematice riguroase, în conformitate cu formularea și precizarea. Rezultatele studiului de decizie și previziunii sunt utilizate pentru a obține o opinie de specialitate și pentru a decide asupra necesității managementului. Apoi, pe baza unui algoritm de control adecvat disponibil în baza de cunoștințe, se formează o acțiune de control.

Eficacitatea și consistența acestui impact, înainte de a intra în obiectul de control, este evaluată folosind un model matematic de simulare. Evaluarea ar trebui să fie mai rapidă decât procesele reale în IS.

Cu toate acestea, DES care implementează luarea deciziilor sunt sisteme software complexe concepute pentru luarea automată a deciziilor sau pentru a asista factorii de decizie, iar în managementul operațional al sistemelor și proceselor complexe, de regulă, funcționează sub constrângeri severe de timp.

Spre deosebire de DES de primul tip, conceput pentru a găsi soluția optimă și bazat pe metode matematice riguroase și modele de optimizare, DES de al doilea tip se concentrează în principal pe rezolvarea problemelor care sunt greu de formalizat în absența unui sistem complet și complet. informaţii de încredere(Fig. 13.3). Aici se folosesc modele expert, construite pe baza cunoștințelor experților - specialiști în acest domeniu problematic și a metodelor euristice de găsire a unei soluții.

Una dintre principalele probleme în proiectarea unui DES de al doilea tip este alegerea unui aparat formal pentru descrierea proceselor de luare a deciziilor și construirea pe baza acestuia a unui model decizional adecvat zonei problemei (corect din punct de vedere semantic). Sistemele de producție sunt de obicei utilizate ca astfel de aparate. Cu toate acestea, cercetarea principală este efectuată în contextul unei interpretări algoritmice (deterministe) a unui sistem de producție cu schema sa secvenţială inerentă pentru găsirea unei soluţii.

Modelele rezultate sunt adesea inadecvate pentru zonele cu probleme reale caracterizate de non-determinism în procesul de găsire a unei soluții. Calea de ieșire din această situație este paralelismul în căutare.

În realitate, ar trebui să se concentreze asupra combinării DES din primul și al doilea tip într-un DES computațional și logic de al treilea tip, în care baza de cunoștințe combină descrierea sub formă de formule matematice stricte cu informații de specialitate și, în consecință, matematică. metode de găsire a unei soluții cu metode euristice nestrictive, iar ponderea uneia sau a celeilalte componente este determinată de posibilitatea unei descrieri adecvate a domeniului subiectului și a metodei de găsire a unei soluții (Fig. 13.4).

Figura 13.3 - Structura DES de al doilea nivel

În timpul dezvoltării DES, apar următoarele probleme:

1. determinarea componenței bazei de cunoștințe și formarea acesteia;

2. dezvoltarea de noi teorii și metode cunoscute și utilizarea de noi pentru descrierea proceselor informaționale în SI;

3. dezvoltarea modalităților de reprezentare și organizare a utilizării cunoștințelor;

4. dezvoltarea algoritmilor şi software cu paralelizare și utilizarea „logicii flexibile”;

1. găsirea unor medii de calcul adecvate pentru implementarea algoritmilor paraleli în formarea DES.

Figura 13.4 - Structura DES al treilea nivel

Alături de cele de mai sus, este important de remarcat faptul că DES ar trebui să aibă proprietatea de a se adapta la o zonă problematică dinamică, capacitatea de a introduce elemente și relații noi în descrierea situațiilor, de a schimba regulile și strategiile de funcționare a obiectelor din procesul de luare a deciziilor și de dezvoltare a controlului, lucru cu informații incomplete, neclare și contradictorii etc.

Sistemele expert dinamice funcționează ca parte a IS-urilor cu feedback și, prin urmare, este important să se asigure funcționarea stabilă a unor astfel de IS.

Din pozițiile tradiționale, putem presupune că durata răspunsului DES la acțiunile de intrare, i.e. timpul petrecut pentru procesarea informațiilor de intrare și generarea acțiunii de control este o întârziere pură. Pe baza analizei de frecvență, este posibil să se estimeze modificarea proprietăților de fază ale sistemului și, prin urmare, să se determine marja de stabilitate. Dacă este necesar, sistemul poate fi corectat cu ajutorul filtrelor.

Cu toate acestea, din punctul de vedere al teoriei clasice de control, IS-urile sunt sisteme multi-obiect multiconectate, a căror analiză de stabilitate prin metode convenționale este foarte dificilă.

În prezent, teoria controlului robust (-teoria controlului, -controlului) este una dintre ramurile în curs de dezvoltare intensă ale teoriei controlului. Relativ tânăr (primele lucrări au apărut la începutul anilor 1980), a apărut din probleme practice urgente în sinteza sistemelor de control liniar multidimensional care funcționează în condiții de diferite tipuri de perturbări și modificări ale parametrilor.

Este posibil să abordați problema proiectării controlului unui obiect real complex care funcționează în condiții de incertitudine într-un mod diferit: nu încercați să utilizați un singur tip de control - adaptiv sau robust. Evident, ar trebui să se aleagă tipul care corespunde stării mediului și sistemului, determinat din informațiile disponibile sistemului. Dacă este posibil să se organizeze primirea de informații în timpul funcționării sistemului, este indicat să le folosești în procesul de management.

Dar implementarea unui astfel de control combinat, până de curând, a întâmpinat dificultăți insurmontabile în determinarea algoritmului de alegere a tipului de control. Progresul realizat în dezvoltarea problemelor de inteligență artificială face posibilă sintetizarea unui astfel de algoritm.

Într-adevăr, să stabilim sarcina: să proiectăm un sistem care să folosească un control adaptiv și robust și să selecteze tipul de control pe baza metodelor de inteligență artificială. Pentru a face acest lucru, vom lua în considerare caracteristicile ambelor tipuri și, ținând cont de calitățile lor specifice, vom determina cum poate fi construit un sistem de control combinat.

Unul dintre conceptele de bază în teoria controlului robust este conceptul de incertitudine. Incertitudinea unui obiect reflectă inexactitatea modelului obiectului, atât parametric, cât și structural.

Să luăm în considerare mai detaliat formele de stabilire a incertitudinii în teoria controlului robust folosind un sistem simplu - cu o intrare și o ieșire (Figura 13.5).

Semnalele au următoarea interpretare: r - setarea semnalului de intrare; u - semnal de intrare (intrare) al obiectului; d - tulburare externă; y - semnal de ieșire (ieșire) al obiectului, măsurat.

Figura 13.5 - Sistem cu o intrare și o ieșire

În teoria controlului, este convenabil să se specifice incertitudinea în domeniul frecvenței. Să presupunem că funcția de transfer a unei plante normale este P și să considerăm o plantă perturbată a cărei funcție de transfer,

,

unde W este o funcție de transfer fixă ​​(funcție de greutate);

este o funcție de transfer stabilă arbitrară care satisface inegalitatea .

O astfel de perturbare va fi numită admisibilă. Mai jos sunt câteva opțiuni pentru modelele de incertitudine:

(1+W)P; P+W; P/(1+WP); P/(1+W).

Trebuie făcute ipoteze adecvate pentru mărimile și W în fiecare caz.

Incertitudinea semnalelor de intrare d reflectă natura diferită a perturbațiilor externe care acționează asupra obiectului și controlerului. Un obiect nedefinit poate fi astfel privit ca un set de obiecte.

Să alegem unele caracteristici ale sistemelor cu feedback, de exemplu, stabilitatea. Regulatorul C este robust în ceea ce privește această caracteristică dacă oricare din setul de obiecte definit de incertitudine îl are.

Astfel, conceptul de robustețe implică prezența unui controler, a unui set de obiecte și fixarea unei anumite caracteristici a sistemului.

În această lucrare, nu vom atinge întregul set de probleme rezolvate în cadrul teoriei controlului. Vom atinge doar problema sensibilității minime: construcția unui astfel de controler C care stabilizează sistemul închis și minimizează influența perturbațiilor externe asupra ieșirii y, cu alte cuvinte, minimizează norma matricei funcțiilor de transfer din exterior. perturbări la ieșirea y.

Una dintre caracteristicile rezolvării acestui lucru și, într-adevăr, a întregului set de probleme de control robust, este faptul că în procesul de proiectare a controlerului, stabilim în avans restricții asupra acțiunilor de intrare și a incertitudinii obiectului sub formă de inegalități. .

În timpul funcționării unui sistem robust, informațiile despre incertitudinile din sistem nu sunt utilizate pentru control.

Desigur, acest lucru duce la faptul că sistemele robuste sunt conservatoare și calitatea proceselor tranzitorii uneori nu îi satisface pe dezvoltatorii acestor sisteme.

Ca un robust sistem adaptiv controlul este construit pentru obiecte, informații despre care sau despre impactul asupra cărora nu sunt disponibile la începutul funcționării sistemului. Cel mai adesea, proprietatea de adaptare se realizează prin formarea într-o formă explicită sau implicită a unui model matematic al unui obiect sau al unei acțiuni de intrare.

Aceasta distinge atât controlul adaptiv al căutării, care se bazează pe căutarea și reținerea extremumului indicatorului de calitate a controlului, cât și controlul fără căutare, care se bazează pe compensarea abaterii modificărilor reale ale coordonatelor controlate de la modificările dorite corespunzătoare nivelul cerut al indicatorului de calitate. În plus, conform modelului rafinat, controlerul adaptiv este ajustat.

Astfel, principala caracteristică a sistemelor de control adaptiv este posibilitatea de a obține informații în procesul de funcționare și de a utiliza aceste informații pentru control.

Mai mult, în sistemele adaptive, se folosesc întotdeauna informații a priori despre incertitudinea din sistem. Aceasta este diferența fundamentală dintre abordarea adaptivă și cea robustă.

Luați în considerare cel mai simplu sistem de control adaptiv care asigură urmărirea semnalului de intrare în prezența zgomotului la intrarea obiectului (Figura 13.6).

Imagine. 13.6 - Sistem de control adaptiv

Diferența formală față de diagrama din figura 13.5 este blocul de adaptare A, care, pe baza semnalului de ieșire al obiectului și a semnalului care caracterizează calitatea dată, generează un semnal pentru reglarea coeficienților controlerului adaptiv.

Ținând cont de deficiențele fiecăruia dintre autoritățile de reglementare, este recomandabil să încercăm să folosiți avantajele acestora propunând o schemă combinată de gestionare a obiectului. Un sistem adaptativ, cu ajutorul unui bloc de adaptare, generează unele informații despre starea mediului extern. În special, în cazul luat în considerare, se pot obține informații despre perturbația externă d. Algoritmul de control C a corespunde stării curente a mediului extern, conform criteriului stabilit în blocul de adaptare. Dar sistemul adaptiv necesită ca semnalul de intrare r să aibă o gamă de frecvență suficient de largă și impune restricții severe asupra valorii și spectrului de frecvență al semnalului de perturbare extern d. Prin urmare, sistemele adaptive pot funcționa numai în domenii înguste ale semnalului de intrare r și perturbații externe d. În afara acestor intervale, sistemul adaptiv are o calitate scăzută a controlului și poate chiar pierde stabilitatea.

Proprietățile de mai sus ale controlului robust și adaptiv conduc la concluzia că în procesul de funcționare a sistemului, în unele cazuri este avantajos să se utilizeze control robust, în altele - adaptiv, adică. să poată combina controlul în funcție de starea mediului extern.

Management combinat. Principala întrebare în proiectarea sistemelor de control combinate este cum, pe baza ce cunoștințe (informații) să selectați unul sau altul tip de control.

Cele mai mari oportunități pentru aceasta sunt metodele inteligenței artificiale. Avantajul lor față de algoritmii simpli de comutare este utilizarea unei game largi de date și cunoștințe pentru a forma un algoritm pentru alegerea tipului de control.

Dacă combinăm în mod formal circuitele prezentate în figurile 13.5, 13.6, obținem un circuit de control combinat (figura 13.7).

După cum se poate observa din figură, semnalul de control și trebuie să treacă de la un controler robust la unul adaptiv și invers - pe măsură ce mediul se schimbă în timpul funcționării sistemului. Folosind metodele teoriei sistemelor inteligente se poate asigura trecerea de la un tip de control la altul, in functie de conditiile de functionare ale sistemului.

Figura 13.6 - Schema de control combinat

Să luăm în considerare mai întâi ce informații pot fi utilizate pentru funcționarea unității inteligente a sistemului. După cum se știe, sistemele cu o intrare și o ieșire sunt bine descrise în domeniul frecvenței. Prin urmare, este firesc să folosim caracteristicile frecvenței pentru a organiza procesul decizional atunci când alegeți tipul de control.

După cum sa menționat mai sus, răspunsul în frecvență al unui sistem cu control robust corespunde celei mai proaste combinații de parametri din regiunea incertitudinii. Prin urmare, controlul robust poate fi considerat una dintre limitele controlului selectat.

O altă limită este determinată de capacitățile sistemului studiat (viteza unității, raportul putere-greutate etc.). Între aceste două limite se află zona în care este rezonabil să se utilizeze controlul adaptiv.

Figura 13.7 - Schema de control combinat

Deoarece algoritmul adaptiv este sensibil la etapa inițială a funcționării sistemului, este recomandabil să se folosească un control robust în această etapă, care este suficient de insensibil la rata de modificare a zgomotului extern. Dar dezavantajul său este durata lungă a proceselor tranzitorii și valorile mari permise ale coordonatei de ieșire sub influența interferenței.

După ceva timp, este logic să comutați controlul robust la controlul adaptiv.

Controlul adaptiv vă permite să urmăriți cu mai multă precizie semnalul de intrare în prezența informațiilor despre interferență. Controlul adaptiv necesită bogăția spectrului semnalului de intrare și, de exemplu, cu semnale care se schimbă lent, procesele de adaptare pot fi întrerupte sau pot fi încetinite sever. Într-o astfel de situație, este necesar să se revină la un control robust, care garantează stabilitatea sistemului.

Din cele de mai sus rezultă că pentru funcționarea sistemului este necesar să existe informații despre spectrul de frecvență al semnalului de interferență util și despre raportul semnal-zgomot.

În plus, sunt necesare informații preliminare despre spectrul de frecvență pe care funcționează sistemul adaptiv și despre caracteristicile particulare ale obiectului de control la limitele regiunii de incertitudine. Din aceste informații, este posibil să se formeze o bază de date în care informațiile, individuale pentru fiecare clasă de obiecte, sunt introduse în prealabil. Informațiile despre spectrul de frecvență al semnalului util, interferența și raportul semnal-zgomot intră în baza de date pe măsură ce sistemul funcționează și sunt actualizate în mod constant.

Conținutul bazei de date poate fi utilizat în baza de cunoștințe, care se formează sub formă de reguli. În funcție de proprietățile specifice ale sistemului, pot fi setate două tipuri de comutare de control. Regulile necesare sunt formate într-unul dintre sistemele logice potrivite pentru cazul în cauză.

Cu baze de date și cunoștințe, este posibil să se dezvolte un mecanism de luare a deciziilor care să ofere alegerea potrivita tip de control în funcție de condițiile de funcționare ale sistemului.

Figura 13.8 - Diagrama structurală a unui sistem cu o unitate inteligentă (IB)

Partea intelectuală a sistemului funcționează discret, pe intervale specificate timp. Figura 13.8 prezintă o diagramă bloc a unui sistem cu un bloc IS inteligent care oferă o alegere a tipului de control.

Intrarea blocului primește semnalul r și semnalul de ieșire măsurat al obiectului y. În blocul de preprocesare a informațiilor BPOI, caracteristicile de frecvență ale semnalului de intrare r(w) și perturbația externă d(w), poziția relativă a spectrelor r(w) și d(w) și caracteristica raportul semnal-zgomot r(w)/d(w). Toate aceste informații intră în baza de date. Blocul de decizie BPR, folosind baza de cunoștințe KB generată și datele DB, elaborează o decizie, conform căreia unul dintre tipurile de control este pornit. La următorul interval, procesul se repetă folosind date noi.

Deciziile economice, în funcție de certitudinea posibilelor rezultate sau consecințe, sunt luate în considerare în cadrul a trei modele:

alegerea unei decizii în condiții de certitudine, dacă pentru fiecare acțiune se știe că aceasta duce invariabil la un anumit rezultat;

alegerea unei decizii cu risc dacă fiecare acțiune duce la unul dintre numeroasele rezultate particulare posibile, iar fiecare rezultat are o probabilitate de apariție calculată sau estimată de experți;

alegerea deciziilor în condiții de incertitudine, când una sau alta acțiune are drept consecință multe rezultate particulare, dar probabilitățile acestora sunt necunoscute.

Metodele probabilistice oferă condiții adecvate pentru luarea deciziilor și garanții semnificative ale calității alegerii. Aceasta se bazează pe presupunerea că judecățile despre semnificații, preferințe și intenții sunt abstractizări valoroase ale experienței umane și pot fi procesate pentru a lua decizii. În timp ce judecățile despre probabilitatea evenimentelor sunt calificate de probabilități, judecățile despre dezirabilitatea acțiunilor sunt reprezentate de concepte. Metodologia bayesiană consideră utilitatea așteptată U(d) ca o estimare a calității soluției d. În consecință, dacă putem alege fie acțiunea d 1 fie d 2 , calculăm U(d 1),U(d 2) și alegem acțiunea care corespunde celei mai mari valori. Semantica utilităţii este de a descrie riscul.

Riscul este înțeles în mod obișnuit ca probabilitatea (amenințarea) ca o persoană sau organizație să-și piardă o parte din resursele sale, deficitul de venituri sau apariția unor cheltuieli suplimentare ca urmare a implementării unei anumite politici financiare.

Nivelul de risc este înțeles ca probabilitatea obiectivă sau subiectivă a pierderilor. Obiectivul este o măsură cantitativă a posibilității unui eveniment aleatoriu, obținută folosind calcule sau experiență, care face posibilă evaluarea probabilității detectării acestui eveniment. Cea subiectivă este o măsură a încrederii și adevărului judecății enunțate și este stabilită de un expert.

Nivelul de risc se stabilește cel mai ușor folosind evaluări atributive precum „înalt”, „mediu”, „mic”. O variație a evaluării riscului atributiv este o codificare cu litere. În acest caz, în ordinea creșterii riscului și a fiabilității în scădere, se folosesc litere latine de la A la D.

AAA - cea mai mare fiabilitate;

AA - fiabilitate foarte mare;

A - fiabilitate ridicată;

D este riscul maxim.

Nivelul de risc poate fi evaluat folosind indicatori de contabilitate și raportare statistică.

Dintre toți indicatorii posibili, raportul curent de lichiditate (CTL) este cel mai potrivit în acest scop - raportul dintre fondurile lichide ale unui partener și datoriile sale, care răspunde la întrebarea dacă partenerul va putea acoperi datoriile cu lichidul său activ. active.

Ca rezultat al analizei situației, se construiesc diagrame cauză-efect („arborele cauzelor”) și diagrame de dependență. O diagramă cauză-efect este o afișare formală a structurii unei situații probleme sub forma unui grafic deschis ierarhic, ale cărui vârfuri corespund elementelor problemei, reflectând cauzele apariției acesteia, iar arcele corespund la legăturile dintre ele. Relația elemente-subprobleme este afișată ca relație „cauză – efect” (Fig. 11.1).

OLTR - mijloace de depozitare a datelor și de prelucrare a tranzacțiilor online; OLAR - mijloc de prelucrare operațională a informațiilor.

O bază de date corporativă organizată ca un depozit de date este umplută cu informații folosind tehnologiile OLTR și OLAR. Pentru a dezvolta și implementa un DSS pentru probleme semi-structurate, următoarele metode și instrumente ar trebui dezvoltate și adaptate la condițiile sale:

un sistem de semne pentru înregistrarea situațiilor problematice;

metode de evaluare a gradului de criticitate a situațiilor problematice;

diagrame cauza-efect pentru diagnosticarea cauzelor situatiilor problematice;

tabel de decizie pentru formarea și selectarea opțiunilor de decizie;

metode de predicție a rezultatelor deciziilor;

modele de funcţionare a întreprinderii şi a mediului extern.

Fig.11.1. Model de sistem de sprijin pentru decizii

Cea mai comună formă de identificare a problemelor cu ajutorul indicatorilor tehnici și economici este de a compara valorile lor reale cu valorile standard și medii.

Analiza logică a cauzelor problemei, situate la nivelurile inferioare ale ierarhiei, arată că în multe cazuri vă permit să formați opțiuni pentru rezolvarea problemelor mai mult nivel inalt. De exemplu, ca opțiuni pentru rezolvarea problemei reducerii volumului producției și vânzărilor de produse, sunt posibile alternative:

variația prețului;

variația formelor de plată;

reducerea numărului de angajați;

reducerea ponderii costurilor semifixe în costul de producție;

reducerea termenelor de executare a comenzilor;

consolidarea serviciului de marketing.

Atunci când nu există date statistice necesare pentru a calcula probabilitatea obiectivă a riscului, apelați la evaluări subiective bazate pe intuiția și experiența experților. J. Keynes a introdus conceptul de probabilitate subiectivă. În conformitate cu principiul indiferenței, evenimentele sau judecățile la fel de plauzibile trebuie să aibă aceeași probabilitate, care este scrisă matematic ca:

A ~ B ≡ P(A) = P(B),

unde ~ este un semn care exprimă atitudinea de indiferență sau toleranță.

Un eveniment sau o judecată mai plauzibilă trebuie să aibă o probabilitate mai mare, de exemplu. dacă A>B, atunci P(A)>P(B). Estimările subiective ale probabilității leagă valorile verbale și cantitative (Tabelul 4).

Tabelul 4

Atunci când se efectuează tranzacții pe piața valorilor mobiliare, există forme de riscuri:

Riscul sistematic este riscul unei căderi a pieței valorilor mobiliare în ansamblu. Nu este asociat cu o anumită securitate.

Riscul nesistematic este un concept agregat care combină toate tipurile de riscuri asociate cu o anumită securitate.

Riscul de țară - riscul de a investi în valori mobiliare ale întreprinderilor situate sub jurisdicția unei țări cu o situație socială și economică instabilă, cu relații neprietenoase cu țara în care este rezident investitorul. În special, riscul politic.

Riscul modificărilor legislative este riscul pierderilor din investițiile în valori mobiliare ca urmare a modificărilor valorii lor de piață cauzate de apariția unor legi noi sau a modificărilor existente.

Riscul inflaționist este riscul ca atunci când inflația este ridicată, veniturile primite de investitori din titluri de valoare să se deprecieze.

Riscul valutar este riscul asociat cu investițiile în titluri de valoare în valută ca urmare a modificărilor cursului de schimb.

Riscul industrial este un risc asociat cu specificul industriilor individuale.

Riscul regional - riscul inerent zonelor cu un singur produs (agricultură, militar, industrie grea, uşoară).

Riscul întreprinderii este riscul de pierdere financiară din investiția în titlurile de valoare ale unei anumite întreprinderi.

Riscul de credit este riscul ca emitentul de valori mobiliare să nu poată plăti dobândă pentru acestea.

Riscul de lichiditate este riscul asociat cu posibilitatea apariției unor pierderi în vânzarea unui titlu, ca urmare a unei modificări a evaluării acestuia.

Riscul ratei dobânzii este riscul de pierderi pe care investitorii le pot suferi din cauza modificărilor ratelor dobânzii.

Riscul de capital este riscul unei deteriorări semnificative a calității unui portofoliu de valori mobiliare.

Există mai multe abordări populare pentru luarea deciziilor privind alegerea portofoliului de investiții și alocarea fondurilor. Cel mai simplu, conform, presupune ca portofoliul să fie conceput pentru a răspunde cerințelor specifice ale companiei investitoare. În conformitate cu această abordare, investitorul efectuează contribuții cu o sumă fixă ​​în diferite categorii de valori mobiliare. O evaluare a calității titlurilor de valoare ale unei firme se poate baza pe mărimea capitalului companiei, pe indicatorii săi de performanță și pe contribuțiile altor organizații.

Strategiile în care activele sunt amestecate în funcție de fazele economiei naționale și globale se numesc alocare tactică a activelor. Plasarea tactică a activelor este conformă, în timp ce fondurile sunt investite în acele active care au scăzut în preț. Atunci când proporția de fonduri investite în diferite clase de active se bazează pe niște estimări anticipative ale parametrilor macroeconomici, această abordare se numește alocare de scenarii.

Cea mai utilizată abordare pentru selecția portofoliului este abordarea variației medii propusă de Harry Markowitz. Ideea principală este de a considera venitul viitor adus de un instrument financiar ca o variabilă aleatorie, adică venitul din obiectele de investiții individuale se modifică aleatoriu în anumite limite. Apoi, dacă într-un fel se determină probabilități destul de sigure de realizare pentru fiecare obiect de investiție, este posibil să se obțină o distribuție a probabilităților de obținere a veniturilor pentru fiecare alternativă de investiție. Pentru a simplifica, modelul Markowitz presupune că profiturile între alternativele de investiții sunt distribuite în mod normal.

Conform modelului Markowitz, se determină indicatori care caracterizează valoarea investiției și riscul, ceea ce vă permite să comparați diferite alternative de investire a capitalului în ceea ce privește obiectivele și, prin urmare, să creați o scară pentru evaluarea diferitelor combinații. Ca o scară a veniturilor așteptate din serie venituri posibileîn practică se foloseşte valoarea cea mai probabilă care, în cazul unei distribuţii normale, coincide cu aşteptarea matematică.

În centrul modelului Markowitz, selecția portofoliului pare a fi o problemă de optimizare:

sub restricții

,

,

Unde n– numărul de titluri disponibile; partea din portofoliu cuprinsă în valori mobiliare drăguț i;R i= E(r i) este valoarea așteptată a veniturilor din titluri i;R p =E(r p) – nivelul țintă al venitului de portofoliu așteptat; σ ij– covarianța veniturilor pe titluri de valoare i și j;V p este varianța venitului din portofoliu.

Această problemă este o problemă de programare pătratică.