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

Conceptul de „sistem inteligent” este interpretat diferit de diferiți cercetători. Să luăm în considerare cele principale, inclusiv explicațiile însoțitoare.

Sistem inteligent este un sistem informatic și de calcul cu suport inteligent pentru rezolvarea problemelor fără participarea unui operator (decisor - decident). Sistem inteligent este un sistem informatic și de calcul cu suport inteligent pentru rezolvarea problemelor cu participarea unui operator - decident. Tehnologiile inteligente de bază, inclusiv rețelele neuronale artificiale (ANN), algoritmii genetici, logica fuzzy, pot fi utilizate eficient în crearea sistemelor de control. În același timp, fezabilitatea utilizării lor este determinată de capacitatea de a implementa scheme de calcul distribuite, ceea ce face posibilă extinderea spațiului de căutare fără a crește semnificativ complexitatea calculelor necesare; capacitatea de a descrie procesele de control folosind un limbaj „simplu”, aproape de natural; 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 spațiu soluții la probleme prost 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, manuale metodologice). 3) Domeniul de cunoaștere - descrierea condiționată a principalelor obiecte domeniul subiectului, atributele și modelele lor care le conectează. 4) Reprezentarea cunoștințelor pe baza oricărui model (de producție, semantic, cadru sau altul). Modelul de producție sau modelul bazat pe reguli permite ca cunoștințele să fie reprezentate sub formă de propoziții precum "Dacă , Că" O rețea semantică este un graf direcționat ale cărui vârfuri sunt concepte și ale cărui arce 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 computerului. 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, 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 în situație specifică mai multe reguli pot fi aplicate simultan). Pentru a rezolva un conflict, 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 selectare a regulilor conflictuale. Dacă încheierea regulii include numele unei acțiuni, atunci aceasta este declanșată. Motorul de inferență se bazează pe principiul modus ponens, care este interpretat după cum urmează: „Dacă afirmația A este cunoscută ca fiind adevărată și există o regulă de forma „dacă A atunci B”, atunci afirmația B este adevărată”.

Sub sisteme inteligente să înțeleagă orice sistem biologic, artificial sau formal care prezintă capacitatea de a se angaja într-un comportament orientat către un scop. Acesta din urmă include proprietățile (manifestările) comunicării, acumulării de cunoștințe, luării deciziilor, învățării, adaptării. Cercetarea în domeniul inteligenței artificiale se bazează pe 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 unui anumit domeniu, proprietățile acestor obiecte și relațiile care le leagă, descrieri ale proceselor care au loc într-un anumit domeniu, precum și informații. despre modalitățile de rezolvare a problemelor tipice. Interpretarea formal-logică este o informație formalizată despre o anumită arie, utilizată pentru a obține (deduce) 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. Pospelov iar colegii săi au descris următoarele proprietăți conceptuale ale cunoașterii: interpretabilitate internă,înțeles ca prezența unor nume unice care identifică fiecare unitate de informații; structura, care determină posibilitatea de imbricare recursivă a unităților de informații individuale unele în altele; conectivitate externă, definirea posibilității de a stabili relații funcționale, casual și de altă natură între unitățile informaționale; scalabilitate, caracterizarea posibilității introducerii diverselor metrici pentru înregistrarea relațiilor cantitative, ordinale și de altă natură ale unităților de informații; activitate, reflectând capacitatea de a iniția anumite acțiuni adecvate atunci când apar informații noi.

Inteligent sistem informatic (sau 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 care îl înconjoară, 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 subiect sistemic sau extrasistemic, iar toate elementele de orice natură care alcătuiesc sistemul intelectual se află sub influența lumii exterioare comune acestora. .

În opera lui A.V. Timofeev 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. Introducerea elementelor de inteligență în sisteme control automat(tunuri autopropulsate) le extinde semnificativ funcționalitatea comparativ cu tunurile autopropulsate adaptive. Ca urmare a intelectualizării, pistoalele autopropulsate dobândesc capacitatea de a rezolva anumite tipuri de sarcini intelectuale care erau de obicei atribuite oamenilor. Prin urmare, IntSU este din ce în ce mai utilizat în cazurile în care situația nu permite (nu justifică) participarea directă operator uman în timpul procesului de control sau când este necesară reducerea intensității muncii a operatorului când obiectul de control funcționează în moduri normale.

Necesitatea intelectualizării sistemelor de control automat 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 diversitatea 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 sistemelor de control automat.

Astfel, intelectualizarea sistemelor automate de control se rezumă la reprezentarea și prelucrarea cunoștințelor despre mediu, obiect și sistem de control folosind mijloacele necesare de învățare și adaptare. 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. Caracteristici IntSU este capacitatea lor de a învăța și de a autoînvăța prin formarea cunoștințelor, de a sintetiza și identifica modele de comportament, de a recunoaște și analiza situații, de 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 sunt utilizate în procesul de luare automată a deciziilor de control, astfel încât calitatea controlului se îmbunătățește. 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, jucat de obicei de 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 de sisteme de control inteligente, interpretându-le în raport cu obiecte tehnologice control (unități, mașini, complexe de mașini).

UDC 004.896

I. A. Șcerbatov

CONTROLUL INTELIGENT AL SISTEMELOR ROBOTICE ÎN CONDIȚII DE INCERTITUDINE

Introducere

Controlul inteligent este utilizarea metodelor de inteligență artificială pentru a controla obiecte de diferite naturi fizice. 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 probleme creative informale în condiții de informare incompletă și diverse tipuri de incertitudine.

Până de curând, această clasă de sarcini a rămas apanajul inteligenței naturale: operatorul obiectului de control, inginerul, omul de știință, adică omul. Progresele moderne în domeniul teoriei controlului automat, metodele inteligente de formalizare a sarcinilor semi-structurate 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 condițiile unor informații de intrare incomplete, 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 algoritmi care să permită calcularea parametrilor nemăsurați pe baza semnelor indirecte și a indicatorilor măsurabili.

Incertitudine mediu extern, în care funcționează sistemul robotic, obligă sistemul de control să includă diverse tipuri de compensatoare, module de adaptare, acumulare și ierarhizare a informațiilor.

Enunțarea problemei

Scopul cercetării a fost acela de a dezvolta 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 probleme interdependente: analiza arhitecturilor sistemelor inteligente de control pentru sistemele robotizate; dezvoltarea unui algoritm generalizat pentru identificarea situațională a unui sistem robotizat; elaborați o diagramă generalizată 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

În timpul 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 a implementa algoritmi de control inteligent, sarcina principală este identificarea curentă a situației în care se află sistemul robotizat. Pentru a rezolva această problemă, a fost dezvoltat schema bloc sisteme de identificare situațională (Fig. 1).

Unitatea tehnică de viziune și detecție senzorială este concepută pentru a determina schimbările 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.

Baza 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 de preprocesare a hărții senzorilor (prelucrarea semnalului digital, recunoașterea modelelor de sunet și a imaginilor), calculul parametrilor nemăsurați (dependențe funcționale de parametrii măsurați), restabilirea completității informațiilor (verificarea cunoștințelor pentru completitudine și inconsecvență, adaptarea cunoștințe 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 criterii 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 rezultate din acest bloc sunt decisive pentru alegerea unui program de control pentru sistemul robotizat.

Și în sfârșit, interfața inteligentă, care este necesară pentru a comunica cu operatorul. Operatorul monitorizează 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 unui sistem 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 de preprocesare a informațiilor de intrare și incertitudinea structurală a modelului de comportament al sistemului robotic în sine 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).

Un sistem de identificare situațională (SIS) ar trebui să facă parte din orice sistem de control inteligent pentru un sistem robotizat. Dispozitivul de control inteligent (ICD) conține o unitate de control și o unitate de selecție a programului de control (CPSU). Scopul acestui bloc este de a dezvolta o acțiune de control pentru un sistem de acționări electrice (ED) care acționează asupra sistemului mecanic (MS) al robotului.

Orez. 2. Schema bloc a sistemului de control inteligent pentru sistemul robotizat

Sisteme de control pentru manipulatoare industriale

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

Sistemul de control continuu al corpului de lucru al manipulatorului presupune alinierea manipulatorului la modelul de referinta. În acest algoritm de control, pierderile în manipulatorul MS nu sunt luate în considerare și se presupune că toate forțele dezvoltate de unități sunt transferate la elementul de lucru.

Sistemul programabil de control al forței din 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 mișcării și forței în corpul de lucru al manipulatorului pentru diferite grade de mobilitate are două bucle de control cu feedback: după poziție și după forță.

În sistemul de control cuplat al mișcării și al forței în corpul de lucru al manipulatorului, sarcina pentru vectorul de poziție al corpului de lucru este ajustată 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 influență 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 neașteptate. În acest scop sunt folosite sisteme adaptive cu memorie asociativă.

Sistemele de control robuste sunt, de asemenea, utilizate pentru a controla manipulatoarele industriale, care sunt în prezent utilizate pe scară largă.

Implementarea controlului inteligent

Problema funcționării unui sistem robotizat în condiții de incertitudine are mai multe fațete.

Să luăm în considerare problema planificării comportamentului unui sistem robotizat în condiții de incertitudine. Pentru a rezolva această problemă, este cel mai potrivit 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 de adaptare, regulile învechite și depășite sunt actualizate și înlocuite. În același timp, sunt prezentate problemele pregătirii unui sistem expert fără profesor (autoînvățare). atenție deosebită din cauza faptului că monitorizarea sistemului de către un specialist înalt calificat nu este fezabilă din punct de vedere economic.

Blocul de auto-învățare sau auto-ajustare a bazei de cunoștințe a sistemului expert necesită studiu atentîn etapa de proiectare a unui sistem de control inteligent pentru un sistem robotizat

mele. Calitatea acestei etape este cea care o determină munca de proiectare Eficacitatea rezolvării unei anumite probleme depinde adesea. 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 pre-descris, se realizează o descriere a domeniului subiectului, un sistem limitat de comenzi și obiecte care influențează sistemul robotic și se modifică sub influența acestuia. Metodele de fazificare și defasificare utilizate în acest caz, precum și algoritmii de inferență logică fuzzy, au un impact semnificativ asupra preciziei acțiunilor de control și asupra vitezei de funcționare a 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 rețeaua neuronală este un aproximator fuzzy universal.

Obiectul (sistemul robotic) acţionează ca o „cutie neagră”. O rețea neuronală poate acționa ca model de referință pentru un sistem robotizat controlat. Trebuie remarcat faptul că aceasta trebuie să fie o rețea neuronală multistrat de învățare (identificator de obiect). Modelul rețelei neuronale este ajustat la obiectul de control pe baza nepotrivirii dintre semnalele de ieșire ale obiectului și ale modelului. De asemenea, formează un eșantion de antrenament pentru reglarea și reglarea dispozitivului de control în conformitate cu criteriul de calitate selectat.

Concluzie

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

REFERINȚE

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

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

3. Burdakov S. F. Sinteza regulatoarelor robuste cu elemente elastice: colecție de articole. ştiinţific tr. - Nr. 443. Mecanica si procese de control. - Sankt Petersburg: Universitatea Tehnică de Stat din Sankt Petersburg, 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 redactor pe 13 ianuarie 2010

MANAGEMENTUL INTELECTUAL AL ​​SISTEMELOR ROBOTICE ÎN CONDIȚII DE INCERTITUDINE

I. A. Șcerbatov

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 incompletitudinea 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, incompletitudine a informațiilor, cartelă tactilă, rețea neuronală, teoria mulțimilor indistinse, sistem expert autoformat.

Programele nr. 14 cercetare de bază OEMMP RAS

„ANALIZA ŞI OPTIMIZAREA FUNCŢIONĂRII SISTEMELOR MULTI-NIVELURI, INTELIGENTE ŞI DE CONTROL ÎN REŢEA ÎN CONDIŢII DE INCERtitudine”

1. Motivarea 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 nivel de rețea (comunicații, rețea, grup) interacțiunea 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 este necesară, de exemplu, în sistemele descentralizate (multi-agent), iar caracteristicile computerului încorporat sunt importante atunci când se implementează sisteme cu mai multe niveluri ah managementul unor funcții intelectuale precum viziunea tehnică, planificarea acțiunii, formarea, luarea deciziilor multicriteriale, reflecția etc. În special, intelectualizarea managementului este menită să crească gradul de autonomie a funcționării sistemelor, atunci când lipsa modele de dinamică sau perturbări în funcționarea obiectului de control, care determină o pierdere a adecvării modele cantitative (de exemplu, ecuații care descriu evoluția unui sistem complex) întăresc 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 stabilită pentru a obține noi rezultate fundamentale și aplicate în domeniul teoriei controlului sistemelor tehnice complexe, 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 și monitorizare continuă a stării tehnice, precum și teoria creării sistemelor automatizate de proiectare și control inteligent bazat pe tehnologii informaționale moderne.

Datorită diversității 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 număr mare factori de complexitate precum:

· management pe mai multe niveluri,

· descentralizare,

· neliniaritate,

· multiplicitate,

· distribuția parametrilor,

· scară diferită a proceselor în spațiu și timp,

· dimensiune mare,

· eterogenitatea descrierii subsistemelor,

· multi-mod,

· prezența influențelor de impuls,

· prezența perturbațiilor de 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 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 și optimizare în sisteme multi-nivel și descentralizate de natură organizatorică și tehnică.

2.1. Management și optimizare în sisteme centrate pe rețea.

2.2. Control inteligent al obiectelor în mișcare.

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

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

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

În plus, în unele sisteme, în special în cele micromecanice și cuantice, utilizarea metodelor clasice de descriere în timp continuu sau discret este complicată de faptul că forțele de interacțiune interne și/sau externe emergente, precum și acțiunile de control, sunt trecătoare. , de natură impulsivă și nu poate fi calculată cu precizie . Sistemul pare să funcționeze pe diferite scale de timp: real (lent) și rapid (puls). O astfel de diversitate temporală este o proprietate internă a multor sisteme moderne de control, inclusiv sisteme cu control pe mai multe niveluri, în care nivelurile superioare folosesc modele calitative și discrete, iar nivelurile inferioare folosesc adesea 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. O sarcină la fel de presantă este dezvoltarea metodelor de sinteză a controlului optim al unor astfel de sisteme continuu-discrete, atât deterministe cât și stocastice.

În plus, în condiții de incertitudine și lipsă de informații a priori, sarcinile 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 multi-nivel si descentralizate de natura organizationala si tehnica

2.1. Management și optimizare în sisteme centrate pe rețea

Sistemele organizatorice și tehnice moderne complexe se caracterizează prin dimensiuni mari, descentralizare, management pe mai multe niveluri, necesitatea unei planificări eficiente a activităților ținând cont de instruire, decizii multicriteriale și reflectarea subiecților gestionați.

Problemele de planificare și control al sistemelor multi-conectate distribuite discrete și continue de mare dimensiune sunt, de asemenea, caracterizate de procesele multi-scale nu numai în timp, ci și de distribuția și natura multi-scală a spațiului și reprezintă una dintre cele mai complexe. și clase de probleme de optimizare cu forță de muncă intensivă. Din acest motiv, este recomandabil 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 interacțiunea de grup, componentele organizaționale descentralizate sisteme tehnice(sisteme centrate pe rețea, sisteme de producție, calcul, telecomunicații și alte rețele etc.) în contextul restricțiilor privind canalele de comunicație și complexitatea de calcul, caracteristicile proceselor de procesare a informațiilor, precum și restricțiile privind timpul de luare a deciziilor, capacitățile de calcul și capacitatea canalului sunt de mare importanță comunicațiile. Prin urmare, este relevant să se dezvolte metode de optimizare (ținând cont de limitările enumerate) a structurii sistemelor organizatorice și tehnice complexe, inclusiv cu luarea în considerare simultană a mai multor criterii: detalierea datelor inițiale, eficiența colectării informațiilor, planificarea și deciziile reflexive. realizarea, productivitatea limitată a computerelor individuale, reducerea dublării muncii, precum și ponderea calculelor auxiliare asociate cu transmiterea datelor de întreținere.

Sistemele multinivel și descentralizate se caracterizează prin luarea deciziilor distribuite în timp real în condiții de contracarare a informațiilor, precum și informații incomplete și eterogene, adesea de natură calitativă și subiectivă multicriterială. Din acest motiv, este necesar să se elaboreze metode de creare a unor sisteme informaţionale adecvate şi de susţinere a luării deciziilor strategice şi operaţionale în condiţii de informare incompletă şi contracarare. În acest scop, 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 de informațieși mijloace de prezentare a informațiilor despre mediul extern și cunoașterea agenților inteligenți.

2.2. Control inteligent al obiectelor în mișcare

Modelele cantitative nu pot fi create întotdeauna pentru a rezolva problemele atribuite, prin urmare, împreună cu 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 clarificarea 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 concepte și metode teoretice ale inteligenței artificiale au fost transformate în tehnologii inteligente aplicate bazate pe cunoaștere.

Particularitatea generației moderne de sisteme inteligente este că 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 din mediu și relațiile lor între ele. 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 a capacității de memorie a computerelor.

Prezența unui model al mediului extern permite sistemelor moderne inteligente de control 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 în condiții de supraîncărcare de informații, timp limitat și stres.

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

2.3. Modelarea și optimizarea sistemelor de informații 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 (ICS RV) 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 din această clasă poate fi rezolvată cu succes pe baza dezvoltării unei teorii unificate și a metodelor aplicate orientate pe programe 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 structurii modulare optime a I&C RT orientate pe obiecte cu o arhitectură deschisă conform diverselor criterii de eficiență. 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 RV, se sintetizează interfața sistemului și se determină structura software-ului și a suportului de informații pentru procesarea fluxurilor de intrare de cereri.

Pentru planificarea acțiunilor și sprijinirea luării deciziilor în condiții de incertitudine, perturbări structurale și situații de urgență, este recomandabil să se utilizeze metode de analiză a scenariilor și sinteza acțiunilor de control eficiente în ICS RV. În acest caz, se va forma un model matematic de propagare a perturbațiilor structurale și a situațiilor de urgență în limbajul graficelor cu semne ponderate sau funcționale. Pe baza acestui model, vor fi sintetizate scenarii raționale pentru gestionarea obiectelor folosind conceptele de potențial de performanță, durabilitate și supraviețuire a elementelor lor constitutive. Sinteza scenariilor pentru eliminarea cauzelor și consecințelor situațiilor de urgență în obiectele țintă multimodale se va realiza 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 control al 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 probleme fundamentale ale teoriei controlului care împiedică implementarea proiectelor promițătoare de importanță națională importantă în domeniul managementului sistemelor complexe dinamice și inteligente cu aplicații pentru controlul mișcării obiectelor și proceselor tehnice în domeniul tehnologic și organizatoric. sisteme.

Cercetările vor fi efectuate pe următoarele subiecte generale.

Direcția 1

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

· Dezvoltarea metodelor de observare si control robust si adaptativ sub modele deterministe, probabiliste si alte modele de incertitudine a parametrilor obiectului de control si mediului de operare.

· Dezvoltarea de metode și algoritmi pentru calitative și analiza cantitativă 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.

· Studiul problemei controlului optim al unei noi clase de sisteme mecanice care se deplasează în medii rezistive 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 de metode pentru controlul optim al sistemelor discret-continue și dinamice de impuls.

· Dezvoltarea unor metode de control 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 evaluarea stării și sintetizarea controlului multinivel al sistemelor 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 gestionare inteligentă descentralizată a 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 interconectate 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 managementul informaţieiîn structuri de rețea multi-agenți.

Direcţie2.2

· Dezvoltarea unor modele generalizate de management situațional, care să reflecte caracteristicile includerii elementelor fuzzy, rețelei neuronale și logico-dinamice în structura modelelor.

· Dezvoltarea unei metode de planificare a rutei care să asigure proprietatea de stabilitate a comunicării unui grup de obiecte dinamice controlate, eterogene (cantitative și calitative) în reprezentarea lor pe model.

· Dezvoltarea de metode de analiză și sinteză a platformelor adaptive de modelare în timp real care iau în considerare neliniaritatea, multiconectivitatea și 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 de conflict, ținând cont de interacțiunea lor de grup, multi-criterii, 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, orientate pe mai multe niveluri, 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 multimodale pentru controlul obiectelor în mișcare.

· Dezvoltarea de metode și algoritmi de identificare inteligentă a obiectelor neliniare nestaționare pentru îmbunătățirea eficienței controlului prin formarea unei baze de cunoștințe tehnologice bazate pe informații a priori despre obiectul de control.

· Tehnologii de geoinformație pentru modelarea complexelor natural-tehnogenice în problemele de gestionare a ecosistemelor mega-orașe.

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

· Modele și metode de management al procesului 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, obiecte 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 informatice suport pentru sarcinile de management si suport pentru luarea deciziilor strategice si operationale in conditii de informare incompleta si contracarare.

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

Dezvoltare fundamente teoretice rezolvarea complexei probleme triuniste de control-calcul-comunicare (problema - " Controla- Calcul- Comunicare„) pentru sisteme complexe de informare și control, inclusiv în condiții de restricții privind canalele de comunicații și defecțiuni ale subsistemului;

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

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

Îmbunătățiți calitatea, accelerați și reduceți costul dezvoltării soluțiilor de proiectare prin algoritmizarea și automatizarea procesului de dezvoltare a sistemului de control.

În continuare, controlul este înțeles într-un sens larg, incluzând rețea de comunicații, 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 noi concepte, termeni și blocuri care nu au fost întâlnite anterior în dezvoltări și, prin urmare, în literatura științifică;

Sistemele inteligente sunt capabile să sintetizeze un obiectiv, să ia o decizie de a acţiona, să furnizeze acţiuni pentru atingerea scopului, să prezică valorile parametrilor rezultatului acţiunii şi să le compare cu cei reali, să formeze 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 cunoștințelor, se sintetizează un scop și se ia decizia de a acționa. 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, un scop poate fi sintetizat.

Un scop 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 decizia de a lua măsuri.

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

Controlul prezentat sub formă codificată este convertit într-un semnal fizic și trimis către actuatori.

Obiectul de control, care primește un semnal de la actuatoare, efectuează una sau alta acțiune, ale cărei rezultate, prezentate sub formă de parametri, sunt transmise centralei diesel prin circuitul de feedback 2, unde sunt comparate cu cele prezise. . În același timp, parametrii rezultatului acțiunii, interpretați în conformitate cu proprietățile scopului și care intră 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 scopul este atins din toate punctele de vedere, atunci managementul este întărit. În caz contrar, are loc corectarea controlului. Când obiectivul este de neatins, obiectivul este ajustat.

Trebuie remarcat faptul că, odată cu schimbări bruște în starea mediului, sau a obiectului de control, sau a sistemului în ansamblu, este posibil să sintetizezi un nou scop și să organizezi realizarea lui.

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

Blocul 1 – sinteza scopului Blocul II – implementarea scopului

Figura 13.1 – Diagrama bloc IC

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 CU T ,

unde T este un set de momente în 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 unui IS pot fi descrise în spațiul stărilor. Operatorii intelectuali 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 deciziilor. Toate aceste aspecte ar trebui să stea la baza construcției DES care funcționează în timp real și în lumea reală.

Un sistem expert dinamic este o entitate complexă capabilă să evalueze starea sistemului și a mediului, să compare parametrii rezultatelor dorite și reale ale unei acțiuni, să ia decizii și să dezvolte management 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 sistemul 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, în mod firesc, în clasele și proprietățile obiectelor de mediu din spatele acestor termeni. Aceasta include și conexiunile, relațiile și dependențele dintre concepte și proprietățile lor, conexiuni abstracte exprimate și în cuvinte și termeni. Cunoașterea conceptuală este sfera în principal a științelor fundamentale, având în vedere că 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 această utilizare a acestor termeni le subminează oarecum sensul. Orice cunoaștere poartă informații și poate fi prezentată sub formă de date; cunoașterea faptică este ceea ce mașinile de calcul s-au confruntat întotdeauna și cu ce se confruntă încă mai ales. Forma modernă de acumulare de date este de obicei numită baze de date. Desigur, pentru a organiza baze de date și a căuta informațiile necesare în ele, trebuie să se bazeze pe cunoștințele conceptuale;

3) cunoștințe algoritmice, procedurale - aceasta este ceea ce se numește de obicei cuvintele „deprindere”, „tehnologie”, etc. În calcul, cunoștințele algoritmice sunt implementate sub formă de algoritmi, programe și subrutine, dar nu toate, ci acelea care pot fi transferate din mână în mână și utilizate fără participarea autorilor. Această implementare a cunoștințelor algoritmice se numește produs software. Cele mai comune forme de produse software sunt pachetele software de aplicație, sistemele software și altele axate pe un domeniu specific de aplicare a DES. Organizarea și utilizarea pachetelor de aplicații software se bazează pe cunoștințe conceptuale.

Este clar că cunoștințele conceptuale sunt categoria superioară, definitorie a cunoștințelor, deși, din punct de vedere practic, alte categorii pot părea mai importante.

Acesta este probabil motivul pentru care cunoștințele conceptuale sunt rareori întruchipate într-o formă care poate fi procesată de computere. Și dacă este întruchipat, cel mai adesea este incomplet și unilateral. În cele mai multe cazuri, o persoană rămâne purtătoarea cunoștințelor conceptuale. Acest lucru încetinește automatizarea multor procese.

Reprezentările cunoștințelor conceptuale, sau mai precis, sistemele care implementează toate cele trei categorii de cunoștințe, dar evidențiază cunoștințele conceptuale în prim-plan și funcționează pe baza utilizării intensive a acesteia, se numesc baze de cunoștințe.

Crearea și utilizarea pe scară largă a bazelor de cunoștințe în sistemele informaționale este una dintre sarcinile cele mai presante. Vom numi partea conceptuală a bazei de cunoștințe un 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 pusă formal - dacă este scrisă o specificație formală pentru ea. Acesta din urmă trebuie să se bazeze pe o anumită bază de cunoștințe. Modelul de domeniu descrie mediul general în care a apărut sarcina, iar specificația descrie conținutul sarcinii. Luate împreună, ele 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 oferă instrumentele specifice 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 de intrare pentru executarea acestor algoritmi, datele lipsă trebuie să fie cuprinse în specificație.

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

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

2) traducerea problemei într-un limbaj automat adecvat;

3) difuzarea și execuția programului.

Construcția unui program abstract este asociată cu reprezentarea și procesarea cunoștințelor conceptuale într-un IS 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 teoremelor, inferența logică etc.).

Funcțiile DES sunt, de asemenea, evaluarea rezultatelor rezolvării unei probleme, formarea parametrilor pentru rezultatul viitor al unei acțiuni, luarea deciziilor cu privire la management, dezvoltarea managementului și compararea parametrilor rezultatelor dorite și reale. Aceasta presupune modelarea proceselor pentru a evalua posibilele consecințe și corectitudinea rezolvării problemei.

Rețineți că în cazuri reale există o problemă de descriere a obiectelor studiate. O astfel de descriere nu este considerată pe bună dreptate parte a specificației sarcinii, deoarece, de regulă, multe sarcini sunt puse cu privire la un obiect, care, desigur, trebuie luate în considerare atunci când se formează o bază de cunoștințe. În plus, se poate dovedi că problema care a apărut nu poate fi rezolvată complet automat, de exemplu, din cauza incompletității specificației sau descrierii obiectului.

Prin urmare, în IS este indicat în anumite etape să existe un mod interactiv de lucru cu DES. Trebuie să ne amintim că modelul domeniului descrie situația generală (cunoașterea), iar specificația descrie conținutul sarcinii. Probleme foarte importante sunt crearea unui mediu software unificat și sinteza algoritmilor bazați direct pe enunțul problemei.

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

Figura 13.2 – Structura DES de primul tip

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

Apoi rezolvarea problemei apărute 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 evaluare de specialitate și pentru a lua o decizie cu privire la necesitatea managementului. Apoi, pe baza unui algoritm de control adecvat disponibil în baza de cunoștințe, este generată o acțiune de control.

Eficacitatea și consistența acestui impact, înainte de a ajunge la obiectul de control, este evaluată folosind un model de simulare matematică. Evaluarea trebuie efectuată mai rapid decât procesele efective din IS.

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

Spre deosebire de DES de primul tip, conceput pentru a găsi o soluție optimă și bazat pe metode matematice stricte și modele de optimizare, DES de al doilea tip se concentrează în principal pe rezolvarea problemelor dificil 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 într-o anumită zonă problematică și a metodelor euristice de găsire a unei soluții.

Una dintre principalele probleme la 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 folosite ca astfel de dispozitiv. Cu toate acestea, cercetarea principală este efectuată în contextul unei interpretări algoritmice (deterministe) a sistemului de producție cu schema sa secvenţială inerentă pentru găsirea unei soluţii.

Modelele rezultate sunt adesea inadecvate zonelor 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 pe combinarea DES din primul și al doilea tip într-un DES logic de calcul de al treilea tip, în care baza de cunoștințe combină o descriere sub formă de formule matematice stricte cu informații de experți și, în consecință, matematică. metode de găsire a unei soluții cu metode euristice nestrictive, cu ponderea uneia sau a celeilalte componenta este determinată de posibilitatea descrierii adecvate a domeniului subiectului și a metodei de găsire a unei soluții (Fig. 13.4).

Figura 13.3 – Structura centralei motorine de nivelul doi

La dezvoltarea 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 a descrie procesele informaționale în sistemele informaționale;

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

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

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

Figura 13.4 – Structura centralei diesel de nivelul trei

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

Dinamic sisteme expert operează ca parte a IS-urilor care au conexiuni de feedback și, prin urmare, este important să se asigure funcționarea stabilă a unor astfel de IS.

Din punct de vedere tradițional, putem presupune că durata de reacție a centralei diesel la intrare influențează, i.e. timpul petrecut procesând informațiile de intrare și dezvoltării unei acțiuni de control este o întârziere pură. Pe baza analizei de frecvență, este posibil să se evalueze modificarea proprietăților de fază ale sistemului și, prin urmare, să se determine marja de stabilitate. Dacă este necesar, puteți corecta sistemul folosind filtre.

Cu toate acestea, din punctul de vedere al teoriei clasice de control, IS-urile sunt sisteme multi-obiect, multi-conectate, a căror analiză de stabilitate folosind 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 80), a apărut din problemele practice presante de sinteză a sistemelor de control liniar multidimensional care funcționează în condiții de diferite tipuri de perturbări și modificări ale parametrilor.

Puteți aborda 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. Daca in timpul functionarii sistemului este posibila organizarea primirii informatiilor, este indicat sa le folosesti in procesul de management.

Dar până de curând, implementarea unui astfel de control combinat a întâmpinat dificultăți insurmontabile în determinarea algoritmului de selectare 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 să construim un sistem de control combinat.

Unul dintre conceptele principale din teoria controlului robust este conceptul de incertitudine. Incertitudinea obiectului reflectă inexactitatea modelului de obiect, atât parametrice, cât și structurale.

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

Semnalele au următoarea interpretare: r - semnal de intrare master; u - semnal de intrare (intrare) al obiectului; d - tulburare externă; y este semnalul de ieșire (ieșire) al obiectului măsurat.

Figura 13.5 – Sistem cu o intrare și o ieșire

În teoria controlului, incertitudinea este specificată convenabil în domeniul frecvenței. Să presupunem că funcția de transfer a unui obiect normal este P și să considerăm un obiect perturbat a cărui funcție de transfer este

,

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

–funcție de transfer stabilă arbitrară care satisface inegalitatea .

Vom numi o astfel de tulburare 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 nedeterminat poate fi astfel considerat ca un set de obiecte.

Să alegem o anumită caracteristică a sistemelor de feedback, de exemplu stabilitatea. Controlerul C este robust în ceea ce privește această caracteristică dacă oricare din setul de obiecte definit de incertitudine o are.

Astfel, conceptul de robustețe presupune prezența unui regulator, 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. Să atingem doar problema sensibilității minime: construirea unui controler C care stabilizează un sistem închis și minimizează influența perturbațiilor externe asupra ieșirii y, cu alte cuvinte, minimizează norma matricei funcțiilor de transfer de la perturbațiile externe la ieșirea y .

Una dintre caracteristicile rezolvării acestui lucru și, într-adevăr, a întregului set de probleme de control robust, este faptul că în prealabil, în procesul de proiectare a controlerului, stabilim restricții privind influențele de intrare și incertitudinea obiectului sub formă a inegalităţilor.

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.

Similar cu robust sistem adaptiv controlul este construit pentru obiecte, informații despre care sau impactul asupra cărora nu sunt disponibile la începutul funcționării sistemului. Cel mai adesea, proprietatea de adaptare se realizează prin formarea, explicit sau implicit, a unui model matematic al unui obiect sau influență de intrare.

Aceasta distinge atât controlul adaptiv al căutării, care se bazează pe căutarea și menținerea extremumului indicatorului de calitate a controlului, cât și controlul non-căutare, care se bazează pe compensarea abaterii modificărilor reale ale coordonatelor controlate de la modificările dorite corespunzătoare cerințelor necesare. nivelul indicatorului de calitate. În continuare, conform modelului rafinat, controlerul adaptiv este reglat.

Astfel, principala caracteristică a sistemelor de control adaptiv este capacitatea de a obține informații în timpul funcționării și de a utiliza aceste informații pentru control.

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

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

Desen. 13.6–Sistem de control adaptiv

Diferența formală față de circuitul 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 dezavantajele fiecăruia dintre regulatori, este recomandabil să încercați să folosiți avantajele acestora propunând o schemă combinată de control al obiectului. Un sistem adaptiv, folosind un bloc de adaptare, generează unele informații despre starea mediului extern. În special, în cazul în cauză, este posibil să se obțină 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 un domeniu de frecvență destul de larg și impune restricții stricte 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 slabă a controlului și poate chiar pierde stabilitatea.

Proprietățile controlului robust și adaptiv discutate mai sus conduc la concluzia că în timpul funcționării sistemului, în unele cazuri este avantajos să se utilizeze control robust, în altele - adaptiv, i.e. să poată combina controlul în funcție de starea mediului extern.

Control combinat. Principala întrebare la 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 oferite de 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 selectarea 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 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 o trecere de la un tip de control la altul în funcție de condițiile de funcționare ale sistemului.

Figura 13.6 – Schema de control combinat

Să luăm în considerare mai întâi ce informații pot fi folosite pentru a opera unitatea inteligentă 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 de frecvență 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.

Cealaltă limită este determinată de capacitățile sistemului studiat (viteza de acționare, alimentarea cu energie etc.). Între aceste două granițe se află o zonă în care are sens să folosești controlul adaptiv.

Figura 13.7 – Schema de control combinat

Deoarece algoritmul adaptiv este sensibil la etapa inițială a funcționării sistemului, în această etapă este recomandabil să se utilizeze un control robust, care este destul de insensibil la rata de modificare a interferențelor externe. 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 treceți de la control robust la control adaptiv.

Controlul adaptiv vă permite să urmăriți mai precis semnalul de intrare în prezența informațiilor de interferență. Controlul adaptiv necesită bogăția spectrului semnalului de intrare și, de exemplu, cu semnale care se schimbă lent, procesele de adaptare pot eșua sau pot fi încetinite foarte mult. Într-o astfel de situație, este necesar să treceți din nou la un control robust, care garantează stabilitatea sistemului.

Din cele de mai sus rezultă că pentru ca sistemul să funcționeze este necesar să existe informații despre spectrul de frecvență al semnalului de interferență util și 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, puteți crea o bază de date în care sunt introduse în prealabil informații specifice fiecărei clase de obiecte. 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 într-o bază de cunoștințe, care se formează sub formă de reguli. În funcție de proprietățile specifice ale sistemului, puteți seta comutarea între două tipuri de control. Regulile necesare sunt formate într-unul dintre sistemele logice potrivite pentru cazul în cauză.

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

Figura 13.8 – Schema bloc a unui sistem cu o unitate inteligentă (IB)

Partea inteligentă a sistemului funcționează discret, pornit la intervale specificate timp. Figura 13.8 prezintă o diagramă bloc a unui sistem cu o unitate inteligentă de securitate a informațiilor care permite selectarea tipului de control.

Semnalul r și semnalul măsurat de ieșire al obiectului y sunt recepționați la intrarea blocului. În blocul prelucrării preliminare a informațiilor BPOI, pe baza caracteristicilor temporale ale semnalelor r(t), y(t), a caracteristicilor de frecvență ale semnalului de intrare r(w) și a perturbației externe d(w), relativul poziția spectrelor r(w) și d(w) și valorile caracteristice raportului semnal-zgomot r(w)/d(w). Toate aceste informații intră în baza de date. Blocul decizional BPR, folosind baza de cunoștințe generată și datele bazei de date, elaborează o decizie în conformitate cu care se activează unul dintre tipurile de control. 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 multele rezultate particulare posibile și fiecare rezultat are o probabilitate de apariție calculată sau evaluată de expert;

alegerea deciziilor în condiții de incertitudine, când una sau alta acțiune are ca rezultat multe rezultate particulare, dar probabilitățile lor sunt necunoscute.

Metodele probabilistice oferă condiții adecvate pentru luarea deciziilor și garanții semnificative ale calității alegerii. Se presupune că judecățile despre semnificații, preferințe și intenții reprezintă abstractizări valoroase ale experienței umane și pot fi procesate pentru a lua decizii. În timp ce judecățile privind probabilitatea evenimentelor sunt calificate prin probabilități, judecățile privind dezirabilitatea acțiunilor sunt reprezentate de concepte. Metodologia bayesiană consideră utilitatea așteptată U(d) ca o estimare a calității deciziei. În conformitate cu aceasta, 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 în general înțeles ca fiind probabilitatea (amenințarea) ca o persoană sau organizație să-și piardă o parte din resurse, să piardă venituri sau apariția unor cheltuieli suplimentare ca urmare a implementării unei anumite politici financiare.

Nivelul de risc se referă la probabilitatea obiectivă sau subiectivă de producere a pierderilor. Obiectivul este o măsură cantitativă a posibilității de a avea loc un eveniment aleatoriu, obținută prin calcule sau experiență, permițând cuiva să se evalueze probabilitatea de a detecta un anumit eveniment. Subiectivul este o măsură a încrederii și adevărului judecății exprimate și se stabilește prin mijloace experte.

Nivelul riscurilor este cel mai ușor de stabilit cu ajutorul evaluărilor atributive precum „ridicat”, „mediu”, „mic”. Un tip de evaluare a riscului de atribut este codificarea literelor. 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 – risc maxim.

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

Dintre toți indicatorii posibili, cel mai potrivit în acest scop este raportul curent de lichiditate (CLR) - 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, sunt construite diagrame cauză-efect („arborele cauzelor”) și diagrame de dependență. O diagramă cauză-efect este o reprezentare formală a structurii unei situații probleme sub forma unui grafic deschis ierarhic, ale cărui vârfuri corespund elementelor problemei, reflectând motivele apariției acesteia, iar arcurile corespund. la legăturile dintre ele. Legătura dintre elemente și subprobleme este afișată sub forma unei relații „cauză-efect” (Fig. 11.1).

OLTR – mijloc de stocare a datelor și de procesare promptă a tranzacțiilor; OLAR – mijloc de prelucrare online a informațiilor.

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

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;

masa de decizie pentru formarea si selectarea optiunilor de decizie;

metode de predicție a rezultatelor deciziei;

modele de funcționare a întreprinderii și mediul 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-probleme situate la nivelurile inferioare ale ierarhiei arată că în multe cazuri ele fac posibilă formularea de soluții la probleme mai mult nivel înalt. De exemplu, ca opțiuni pentru rezolvarea problemei reducerii volumului producției și vânzărilor, sunt posibile alternative:

variația prețului;

diferite forme de plată;

reducerea numărului de angajați;

reducerea ponderii costurilor semifixe în costurile de producție;

reducerea timpilor de onorare a comenzilor;

consolidarea serviciului de marketing.

Atunci când nu există date statistice necesare pentru a calcula probabilitatea obiectivă de risc, aceștia recurg la evaluări subiective bazate pe intuiția și experiența experților. J. Keynes a introdus conceptul de probabilitate subiectivă. Conform principiului indiferenței, evenimentele sau judecățile la fel de plauzibile trebuie să aibă aceeași probabilitate, care se scrie matematic după cum urmează:

A ~ B ≡ P(A) = P(B),

unde ~ este un semn care exprimă o atitudine 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). Evaluările subiective ale probabilității leagă valorile verbale și cantitative (Tabelul 4).

Tabelul 4

Atunci când se efectuează tranzacții pe piața valorilor mobiliare, există diferite 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 este riscul de a investi în valori mobiliare ale întreprinderilor aflate 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 norme legislative noi sau de modificări ale existente.

Riscul de inflație este riscul ca atunci când inflația este mare, veniturile pe care investitorii le primesc din titlurile de valoare să se deprecieze în valoare.

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

Riscul industrial este un risc asociat cu specificul industriilor individuale.

Riscul regional este un risc inerent regiunilor cu un singur produs (agricol, militar, industrie grea, usoara).

Riscul întreprinderii este riscul de pierderi financiare din investiția în titlurile de valoare ale unei anumite întreprinderi.

Riscul de credit este riscul ca emitentul care a emis titluri de valoare să nu poată plăti dobândă pentru acestea.

Riscul de lichiditate este un risc asociat cu posibilitatea unor pierderi la vânzarea unei valori mobiliare din cauza modificărilor evaluării acesteia.

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 portofoliului de valori mobiliare.

Există mai multe abordări populare pentru luarea deciziilor privind selecția portofoliului de investiții și alocarea fondurilor. Cel mai simplu, conform, presupune ca portofoliul să fie conceput astfel încât să îndeplinească cerințele specifice ale companiei care face investiția. În cadrul acestei abordări, investitorul realizează investiții fixe 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 care amestecă activele în funcție de fazele economiei naționale și globale se numesc alocare tactică a activelor. Alocarea tactică a activelor poate fi conformă, cu fonduri investite în acele active care au scăzut în preț. Atunci când proporția de fonduri investite în diferite clase de active se bazează pe unele estimări de prognoză ale parametrilor macroeconomici, această abordare se numește alocare de scenarii.

Cea mai larg acceptată abordare pentru selecția portofoliului este abordarea medie-varianță propusă de Harry Markowitz. Ideea principală este de a considera venitul viitor generat de un instrument financiar ca o variabilă aleatorie, adică venitul pe obiectele individuale de investiții variază aleatoriu în anumite limite. Apoi, dacă determinăm cumva probabilități destul de sigure de implementare pentru fiecare obiect de investiție, putem obține o distribuție a probabilităților de a primi venituri 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 volumul investiției și riscul, ceea ce face posibilă compararea diferitelor alternative de investire a capitalului din punctul de vedere al obiectivelor stabilite și, astfel, crearea unei scale de evaluare a diferitelor combinații. Ca o scară a veniturilor așteptate din serie venituri posibileîn practică, ele folosesc valoarea cea mai probabilă, care în cazul unei distribuții normale coincide cu așteptarea matematică.

La baza modelului Markowitz, selecția portofoliului este reprezentată ca o problemă de optimizare:

sub restricții

,

,

Unde n– numărul de titluri disponibile; - parte din portofoliul cuprins în valori mobiliare fel i;R i= E(r i) – suma estimată a veniturilor din titluri de valoare i;R p =E(r p) – nivelul țintă al venitului de portofoliu așteptat; σ ij– covarianța veniturilor pe titluri de valoare i Şi j;V p – dispersia veniturilor din portofoliu.

Această problemă este o problemă de programare pătratică.