Содержание к диссертации
Введение
1. Формализация задачи оптимизации управления многокритериальной конфликтной системой в условиях неопределенности на основе нейросетевого подхода 11
1.1 Анализ архитектур, методов обучения и возможностей искусственных нейронных сетей 11
1.2 Постановка задачи синтеза алгоритма управления многокритериальной конфликтной системой в условиях неопределенности в нейросетевом базисе 17
1.3 Анализ игровых подходов к решению задач многокритериальной конфликтной оптимизации в условиях неопределенности 22
1.4 Формализация задачи обучения нейросетевого ансамбля на основе многокритериального подхода 24
1.4.1 Постановка задачи обучения карты Кохонена в виде задачи многокритериальной оптимизации в условиях неопределенности 25
1.4.2 Постановка задачи обучения многослойного персептрона в виде задачи многокритериальной оптимизации в условиях неопределенности 32
1.5 Выводы 34
2. Разработка методики синтеза алгоритмов НСА-управления многокритериальной конфликтной системой в условиях неопределенности 35
2.1 Разработка структурно-функциональной модели нейроконтроллера, реализующего построение стабильно-эффективного компромисса 35
2.2 Разработка процедуры обучения карты Кохонена 44
2.2.1 Формирование обучающей выборки для карты Кохонена 44
2.2.2 Построение матрицы весовых коэффициентов карты Кохонена 47
2.2.3 Маркировка нейронов карты Кохонена 55
2.2.4 Оптимизация структуры карты Кохонена 57
2.3 Разработка процедуры обучения многослойного персептрона 58
2.4 Выводы 61
3. Исследование эффективности алгоритмов НСА-управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга в условиях конфликта и неопределенности 62
3.1 Исследование эффективности алгоритмов НСА-управления в условиях неопределенности на тестовой модели многокритериальной конфликтной системы 62
3.1.1 Разработка тестовой модели многокритериальной конфликтной системы 62
3.1.2 Решение тестовой задачи на основе разработанной методики синтеза алгоритма НСА-управления 67
3.1.3 Сравнительный анализ эффективности алгоритмов НСА-управления на тестовой задаче 84
3.2 Сравнительный анализ эффективности алгоритмов НСА-управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга в условиях конфликта и неопределенности 89
3.2.1 Разработка модели системы передачи данных многоканальной системы дистанционного мониторинга 90
3.2.2 Постановка задачи оптимизации управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга в условиях конфликта и неопределенности 93
3.2.3 Исследование предельных возможностей многоканальной системы дистанционного мониторинга 98
3.3 Выводы 109
4. Описание комплекса программных средств 110
4.1 Структура и назначение комплекса программных средств 110
4.2 Описание программы «Решатель эталонных задач» 112
4.3 Описание программы «Компоновщик обучающей выборки» 117
4.4 Описание программы «Нейро-имитатор» 120
4.5 Выводы 123
Заключение 124
Список литературы 126
- Анализ архитектур, методов обучения и возможностей искусственных нейронных сетей
- Разработка структурно-функциональной модели нейроконтроллера, реализующего построение стабильно-эффективного компромисса
- Разработка тестовой модели многокритериальной конфликтной системы
- Описание программы «Решатель эталонных задач»
Введение к работе
Актуальность работы. В настоящее время в различных областях практической деятельности широко используются распределенные системы обработки информации и управления, характеризующиеся высоким уровнем сложности. При исследовании и проектировании подобных систем принципиально необходимо учитывать следующие факторы: многокритериальность целей управления, несогласованный (конфликтный) характер взаимодействия подсистем, функционирование в условиях неопределенности.
Как известно, указанные факторы наиболее полно могут быть учтены игровыми подходами. В частности, одним из перспективных является направление, основанное на комбинировании теоретико-игровых принципов оптимальности, что позволяет находить решения игровых задач управления с заданными свойствами, например, стабильно-эффективный компромисс, обладающий свойствами предельной эффективности и устойчивости. Однако, существующие методы и алгоритмы поиска стабильно-эффективных игровых решений обладают высокой вычислительной сложностью и не позволяют решать задачи оптимизации управления многокритериальными конфликтными системами (МКС) в режиме реального времени, что является определяющим при решении практических задач.
Перспективным инструментом решения в режиме реального времени задач управления, оптимизации, идентификации является аппарат искусственных нейронных сетей (ИНС). Благодаря своим способностям к самоорганизации и обучению в отношении объекта управления, возмущений, внешней среды и условий функционирования, ИНС все более активно используются при реализации сложных систем обработки информации и управления.
В то же время распространение технологии нейроуправления на задачи оптимизации управления МКС в условиях неопределенности требует разработки новых нейросетевых архитектур, а также новых эффективных обучающих процедур, позволяющих гибко и качественно учитывать особенности решаемых задач.
Все вышесказанное обусловливает актуальность темы диссертационного исследования.
Цель работы - разработка формализованного подхода к решению в режиме реального времени задачи оптимизации управления МКС в условиях неопределенности на основе нейросетевых технологий.
Поставленная цель предполагает решение следующих основных задач:
обоснование целесообразности использования ИНС при решении задач оптимизации управления структурно-сложными системами, для которых характерны многокритериальность целей управления, несогласованный (конфликтный) характер взаимодействия подсистем, функционирование в условиях неопределенности;
разработка архитектуры ИНС с учетом особенностей решаемой задачи;
разработка алгоритмического обеспечения обучения ИНС;
разработка методики синтеза алгоритмов многокритериального нейроуправления в условиях конфликта и неопределенности;
проектирование программного обеспечения, реализующего разработанную
методику применительно к задаче оптимизации управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга.
Объект исследования - процессы управления в многокритериальных конфликтных системах, функционирующих в условиях неопределенности.
Предмет исследования - нейросетевые технологии оптимизации управления многокритериальными конфликтными системами в условиях неопределенности.
Методы исследования. При решении поставленных задач применялись методы теории искусственных нейронных сетей, многокритериальной оптимизации и принятия решений в условиях конфликта и неопределенности, дискретной математики, теории информации, выпуклого анализа. При проведении экспериментов использовались вычислительные методы и моделирование на ЭВМ.
Научная новизна. В диссертации сформирован комплексный формализованный подход к решению в режиме реального времени задачи оптимизации управления многокритериальной конфликтной системой, функционирующей в условиях неопределенности, на основе нейросетевых ансамблей (НСА).
В рамках предложенного подхода получены следующие основные научные результаты:
Постановка задачи оптимизации управления МКС в условиях неопределенности формализована в нейросетевом базисе. Для решения поставленной задачи предложено использовать принцип стабильно-эффективных игровых компромиссов.
Разработана структура НСА, компоненты которого осуществляют построение множеств конфликтно-оптимальных решений, соответствующих выбранным принципам оптимальности.
Разработаны процедуры обучения компонентов НСА, основанные на формализации постановок задач обучения компонентов НСА в виде конечномерных задач многокритериальной оптимизации в условиях неопределенности и применении комплекса генетических алгоритмов многокритериальной оптимизации (ГАМО) в условиях конфликта и неопределенности.
Практическая ценность. Научные результаты диссертации доведены до уровня инженерной методики синтеза алгоритмов многокритериального нейроуправления в условиях конфликта и неопределенности.
Разработанная методика реализована в виде комплекса программных средств и использована при исследовании эффективности управления нагрузкой в каналах связи многоканальной системы дистанционного мониторинга, функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных информационных потоков.
Реализация результатов работы. Научные и практические результаты диссертации реализованы в ряде научно-исследовательских работ (НИР), выполняемых в ФГУ «1 ЦНИИ МО РФ». Имеется акт о внедрении результатов диссертационной работы. Результаты работы используются в учебном процессе на кафедре «Управление и моделирование систем» МГУПИ при проведении практических занятий и лабораторных работ по дисциплине «Технологии системного моделирования».
Апробация работы. Основные результаты работы представлены на конферен-
циях: VII Международный симпозиум «Интеллектуальные системы» (Россия, Краснодар, 2006 г.); Всероссийская научно-практическая конференция «Инженерные системы - 2008» (Россия, Москва, 2008 г.); VIII Международный симпозиум «Интеллектуальные системы» (Россия, Краснодар, 2008 г.); XI Международная научно-практическая конференция «Фундаментальные и прикладные проблемы приборостроения, информатики и экономики» (Россия, Сочи, 2008 г.); школа-семинар «Задачи системного анализа, управления и обработки информации» (Россия, Москва, МГУП, 2008 г.).
Публикации. По теме диссертации опубликовано 7 печатных работ, в том числе одна статья в издании, рекомендованном ВАК для опубликования научных положений диссертационных работ.
Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы из 112 наименований. Объем работы составляет 135 страниц, включая 48 рисунков и 11 таблиц.
Анализ архитектур, методов обучения и возможностей искусственных нейронных сетей
Возрастающая сложность технических средств и необходимость повышения качества управления техническими и организационно-экономическими объектами приводят к появлению в различных прикладных областях интеллектуальных систем [39, 68 и др.]. В рамках концепции интеллектуальных систем идет активное развитие нейросетевых технологий (НСТ). ИНС позволяют в режиме реального времени решать задачи распознавания образов, прогнозирования, идентификации, управления, оптимизации и т.д. [8, 15, 16, 19, 21, 22, 40, 53, 67, 69, 83 и др.]. К настоящему времени сложилась довольно четкая классификация ИНС по топологиям (рис. 1) и методам их обучения (рис. 2) [29, 40, 69].
ИНС в общем случае рассматривается как орграф со взвешенными связями. Узлами графа являются элементарные процессорные элементы - искусственные нейроны. Структурно ИНС делятся на два основных класса: сети прямого действия, в которых выход сети не оказывает влияния на ее вход, и сети с обратными связями, где выходной сигнал сети передается обратно на ее вход.
К нейронным сетям прямого действия относятся следующие типы ИНС. Однослойный персептрон - простейшая сеть прямого действия с одним слоем нейронов, обычно имеющих пороговую функцию активации. Методы обучения однослойного персептрона основаны на постулате обучения Хебба, определившем возможность обучения ИНС без учителя [69], и «дельта-правиле» Розенблатта, реализовавшем обучение с учителем [54]. Данная сеть применяется для решения задач классификации образов. Основные недостатки однослойного персептрона - невозможность корректной работы с линейно-неразделимыми функциями, а также чувствительность к искажениям и смещениям входных образов.
Многослойный персептрон (МП) - наиболее распространенное семейство ИНС прямого действия слоистой структуры, в которых нейроны соединены однонаправленными связями, идущими от входа или предыдущего слоя к следующему слою или выходу сети.
Для обучения многослойных ИНС применяются технологии нелинейного программирования [15, 40 и др.]. Одним из наиболее эффективных методов обучения МП с любым числом скрытых слоев и условием дифференцируемости ак-тивационной функции нейронов является метод обратного распространения ошибки, основанный на вычислении градиента минимизируемого критерия ошибки обучения МП [45]. А.Н.Горбань внес большой вклад в развитие теории многослойных ИНС, предложив «принцип двойственности», позволяющий организовать экономные вычисления векторов градиента сложных функций [20]. Кроме того, существуют комбинированные методы обучения многослойных ИНС, повышающие вероятность нахождения глобального минимума критерия ошибки обучения [16].
МП успешно применяется для решения задач распознавания образов, прогнозирования, регулирования, оптимизации [10, 44, 64, 67, 86, 92, 93, 95, 97] .Активно исследуются проблемы синтеза алгоритмов многокритериального нейроуправления (НУ) в условиях неопределенности. В работе [73] на основе МП построена адаптивная система НУ приводом поворота промышленного робота, функционирующая в условиях неопределенности. Постановка задачи обучения МП сформулирована как конечномерная задача многокритериальной оптимизации в условиях неопределенности, для решения которой используется принцип векторного минимакса [41]. При обучении МП используется генетический алгоритм многокритериальной оптимизации (ГАМО) [56].
Самоорганизующиеся карты Кохонеыа (англ. Self-Organizing Map, SOM) -класс однослойных ИНС прямого действия, обучаемых без учителя [33]. SOM релизуют отображение нелинейных статистических взаимосвязей на легко интерпретируемые двухмерные решетки и часто используются для анализа, визуализации и классификации многомерных данных. Особенностью SOM является наличие боковых связей между нейронами слоя. Их действие проявляется в том, что изменение вектора весов одного нейрона влечет за собой соответствующую модификацию весов нейронов его «окрестности». Для сетей Кохонена разработаны методы конкурентного обучения [47, 69], которые реализуют процедуру кластеризации входных векторов.
Сеть встречного распространения (СВР) образована путем последовательного соединения сети Кохонена и входной звезды Гроссберга [69]. Обучение СВР сочетает два подхода: конкурентное обучение без учителя нейронов слоя Кохонена и обучение с учителем нейронов слоя Гроссберга. СВР используются для решения задач аппроксимации функций, распознавания и восстановления образов, сжатия данных, статистического анализа.
Сеть с радиально-базисной функцией нейронов скрытого слоя (РБФ-сеть) [29] осуществляет разбиение пространства входных векторов посредством ги персфер, в отличие от МП, где разбиение осуществляется гиперплоскостями. Это позволяет эффективно использовать сети РБФ для решения задач классификации в случае круговой симметрии входных данных. Сеть РБФ имеет скрытый слой радиальных нейронов и выходной линейный слой. Сети РБФ обучаются в два этапа - подобно СВР, но намного быстрее МП. Кроме того существуют алгоритмы, основанные на методе обратного распространения ошибки [48]. РБФ-сети применяются для аппроксимации функций, классификации образов, прогнозирования.
Сети прямого действия являются статическими в том смысле, что на заданный входной сигнал они вырабатывают в режиме реального времени один и тот же выходной вектор, не зависящий от предыдущего состояния сети.
В отличие нейронных сетей прямого действия сети с обратными связями, имеющие соединения выходных нейронов с нейронами входного слоя, являются динамическими, когда выход сети модифицирует ее вход, что в общем приводит к изменению состояния сети. Как правило, оптимизация параметров ИНС с обратными связями производится с помощью алгоритмов обучения без учителя.
К сетям с обратными связями относятся следующие основные структуры. Сети Хопфилда и Хэмминга [43, 69, 72] применяются для решения задач распознавания образов, комбинаторной оптимизации, в качестве ассоциативной памяти и для надежной передачи сигналов в условиях помех. Оба типа сетей имеют слой нейронов, замкнутых на себя. Сеть Хемминга имеет отдельный подающий слой нейронов и выдает не сам ассоциируемый образ как сеть Хопфилда, а лишь его номер. Методы обучения обоих типов сетей основаны на правиле Хебба. К недостаткам сетей Хопфилда можно отнести их тенденцию стабилизации в локальном минимуме целевой функции, что преодолевается с помощью класса сетей, называемых машинами Больцмана. Эти сети обучаются с помощью процедур, схожих с методами отжигом металла в металлургии, вследствие чего подобные методы часто называют имитацией отжига.
Адаптивная двунаправленная ассоциативная память (ДАЛ) [29, 69] реализует модель гетероассоциативной памяти и в этом смысле обладает гораздо более широкими возможностями, чем сеть Хопфилда, реализующая автоассоциа тивную память. При построении концепции ДАП использовались идеи Хопфил-да и Гроссберга [72]. К недостаткам ДАП относится проблема некорректной сходимости, когда сеть может произвести ассоциации, не имеющие отношения к входному вектору.
Теория адаптивного резонанса (Adaptive Resonance Theory - ART) [69] представляет одно из решений проблемы пластичности-стабильности, т.е. способности сети к запоминанию новой информации без уничтожения или изменения результатов предшествующего обучения. ART-сети применяются для решения задач кластеризации двоичных образов и аналоговых изображений.
Разработка структурно-функциональной модели нейроконтроллера, реализующего построение стабильно-эффективного компромисса
Цель настоящей главы - разработать методическое и алгоритмическое обеспечение методики синтеза алгоритмов многокритериального управления в условиях конфликта и неопределенности на основе нейросетевых ансамблей. В параграфе 1 разрабатывается структурно-функциональная модель нейроконтроллера, осуществляющего построение множества стабильно-эффективных решений задачи (1.4) в режиме реального времени. В параграфе 2 разрабатывается вычислительная процедура обучения самоорганизующейся карты Кохонена, реализующей построение множества активных равновесий или множества эффективных решений задачи (1.4). В параграфе 3 разрабатывается вычислительная процедура обучения многослойного персептрона, реализующего построение скалярного равновесия по Нэшу задачи (1.4). Разработка структурно-функциональной модели нейроконтроллера, реализующего построение стабильно-эффективного компромисса Для построения множества стабильно-эффективных решений Us{0) задачи (1.4) в условиях неопределенности разработан нейроконтроллер (НК), включающий в себя следующие составляющие [62] (см. рис. 1). Блок структурно-целевой декомпозиции - выделяет базовые принципы оптимальности, комбинирование которых позволяет определить множество стабильно-эффективных решений задачи (1.4), а именно активное равновесие, оптимальность по Парето и равновесие по Нэшу. Каждому из них ставится в соответствие коалиционная структура, обучающая выборка, ИНС, осуществляющая построение множества конфликтно-оптимальных решений с заданным свойством. Нейросетевой ансамбль - состоит из нескольких ИНС, осуществляющих независимое построение множеств конфликтно-оптимальных решений задачи (1.4) со свойствами, выделенными в блоке структурно-целевой декомпозиции, в режиме реального времени. В настоящей работе предлагается сформировать НСА, состоящий из 3 компонент, обоснование выбора которых изложено в п. 1.4: - SOMA, осуществляющая построение множества активных равновесий; - SOMn, осуществляющая построение множества эффективных решений; - МП, осуществляющий построение скалярного равновесия по Нэшу. Формирование обучающих выборок для обучения компонентов НСА осуществляется на основе рассмотренной игровой модели (1.4). Построение дискретных аппроксимаций множеств активных равновесий, Парето-оптимальных решений, а также скалярного равновесия по Нэшу, предназначенных для формирования обучающих выборок, реализуется с помощью комплекса ГАМО в условиях конфликта и неопределенности [57]. Блок агрегирования свойств конфликтно-оптимального решения осуществляет построение множества стабильно-эффективных решений задаче (1.4) на основе суперпозиции полученных НСА множеств конфликтно-оптимальных решений, а также уменьшение неопределенности построенного множества. Как уже отмечалось, множество стабильно-эффективных решений может быть построено на основе множеств активных равновесий и эффективных решений. Компромисс на основе скалярного равновесия по Нэшу позволяет уменьшить неопределенность множества US(Q). В случае отсутствия в задаче (1.4) Нэш-равновесия можно применять другие схемы компромиссов (например, равновесие на основе УКУ [27]). Приведем описание функционирования НК, предполагая, что на его вход поступила реализация вектора неопределенности Этап 1. Декомпозиция признаков стабильно-эффективного решения. Блок структурно-целевой декомпозиции НК, исходя из характера взаимодействия подсистем системы мониторинга, вырабатывает решение о необходимости построения тех множеств конфликтно-оптимальных решений, которые в условиях поставленной задачи требуются для формирования множества стабильно-эффективных решений.
Разработка тестовой модели многокритериальной конфликтной системы
В современных сложных распределенных СОИУ наблюдается постоянный рост требований к СПД в части одновременного обеспечения соответствующего качества передачи для нагрузки разного класса и интенсивности в условиях ограниченности сетевых ресурсов. В частности, передача голоса или видео в режиме реального времени требуют обеспечения минимальных временных задержек передачи, а при передаче данных необходимо минимизировать долю потерянных или поврежденных информационных пакетов [46]. Кроме того, физические каналы связи зачастую реализуются на основе различных технологий - начиная от витой пары и коаксиального кабеля и заканчивая волоконно-оптическими и радиорелейными линиями. Разнородность структуры СПД и характера информационной нагрузки предъявляет взаимно исключающие требования к согласованному управлению такой информационной средой с соблюдением гарантий качества передачи.
При проектировании СПД промышленного назначения часто возникает задача определения предельно допустимой нагрузки, которую могли бы передавать каналы системы с максимальным быстродействием и минимальным ущербом для передаваемой информации при сбалансированном использовании ресурсов системы. Возможна и обратная задача - расчет параметров предельно нагруженной СПД при известном уровне нагрузки и аналогичных требованиях к качеству передачи [50]. Проведение подобных исследований на реальной СПД, во-первых, не всегда осуществимо физически, а во-вторых, не позволяет получить достоверные результаты, поскольку фактическая скорость передачи информации сильно зависит от характеристик конкретного оборудования и каналов связи, используемого программного обеспечения, наличия внешних помех.
В то же время, математическое моделирование функционирования СПД позволяет не только с меньшими материальными и временными затратами рассмотреть несколько вариантов построения системы, отбросив заведомо несостоятельные, но и при необходимости произвести оценку того, насколько характеристики реальной системы будут отличаться от ее математической модели.
Разработанная методика использована для решения задачи оптимизации управления нагрузкой в каналах связи МСДМ, функционирующей в условиях конфликтного взаимодействия подсистем и неопределенности входных информационных потоков [49]. МСДМ характеризуется большим количеством стационарных и мобильных объектов, взаимодействие между которыми осуществляется посредством СПД, построенной с использованием разнообразных технологий и протоколов передачи данных.
В состав МСДМ входят следующие компоненты (см. рис. 20): береговые пункты связи (ПС) и пункты управления (ПУ), подключенные к магистральному каналу связи (М) в узлах-ретрансляторах (РТР); ретранслирующие плавучие средства, космические и летательные аппараты; автономные подводные аппараты (АЛА), осуществляющие видеомониторинг подводных коммуникаций (неф-те- и газопроводы, кабели); гидроакустические буи (ГБ) с развертываемыми антенными решетками для освещения подводной обстановки; аппаратура подводного контроля (АПК), включающая датчики, предназначенные для мониторинга сейсмической активности, химических и физических параметров воды. Источники информации объединены в группировки (Гр). Связь между объектами системы осуществляется при помощи основных и дополнительных лазерных, гидроакустических и радиорелейных каналов, кабельных, в том числе, широкополосных волоконно-оптических, линии связи. Топология СПД претерпевает постоянные изменения вследствие подсоединения к ней и отсоединения от нее объектов МСДМ, использующих ее ресурсы для передачи различной звуковой и видеоинформации, данных об обстановке, телеметрической информации и пр.
Характер использования МСДМ обусловливает следующие основные требования к ней: должна быть обеспечена надежность доставки сообщений, и, кроме того, задержки при их передаче не должны превышать заданную величину в случае любой возможной нагрузки каналов связи. Как правило, подобные системы имеют несколько режимов работы, в частности, штатный и аварийный режимы, режимы запуска и остановки некоторых объектов и т.д. Штатный режим характеризуется тем, что нагрузка каналов МСДМ имеют хорошо предсказуемый и равномерный характер. В аварийном режиме потоки данных в отдельных каналах МСДМ могут сильно возрастать вследствие, к примеру, выхода из строя ретранслятора или линии связи. Дистанционный запуск и остановка оборудования также сопровождаются большим количеством контрольных и диагностических сообщений.
В случае применения при создании МСДМ оборудования с несоответствующими техническими характеристиками повышается риск потери информации, что повлияет на безопасность функционирования объектов системы и приведет к аварии, а устранение последствий аварий в морских условиях - занятие достаточно трудоемкое и дорогое. Поэтому МСДМ должна проектироваться с учетом возможной максимальной нагрузки на каналы связи и с использованием средств управления нагрузкой в основных и резервных линиях.
Большие вариации предложенной нагрузки характерны для «берегового» сегмента МСДМ, имеющего фиксированные топологию и маршруты передачи данных. Он включает магистральный канал связи (М), посредством которого взаимодействуют ПС и ПУ соответствующими группировками морских объектов, подключенные к магистрали через узловые РТР. Кроме того, между парами соответствующих абонентов организованы и прямые каналы связи. Соответствующие ПС получают информацию от объектов группировок и в зависимости от загруженности имеющихся каналов передают ее либо в магистраль, либо в прямые каналы. Узловые РТР осуществляют мультиплексирование и демультиплексирование магистральных потоков.
Описание программы «Решатель эталонных задач»
Обучение ИНС заключается в соответствующей настройке вектора весовых коэффициентов сети. Для обучения ИНС в ПСр «Нейро-имитатор» используется ГАМО в условиях неопределенности. При обученші ИНС используется обучающее множество, сформированное с помощью ПСр «Компоновщик обучающей выборки».
Моделирование ИНС заключается в подаче на вход сети некоторого входного вектора и вычислении выходного сигнала. При моделировании обученной ИНС и подачи на ее вход вектора с заранее известным откликом осуществляется проверка качества обучения сети путем сравнения требуемого и фактического выходных сигналов сети. ПСр «Нейро-имитатор» позволяет осуществлять обучение и моделирование функционирования ИНС следующих типов: - многослойный персептрон (до 3 слоев нейронов); - самоорганизующаяся карта Кохонена. Структурная схема ПСр «Нейро-имитатор» представлена на рис. 8. Назначение и состав функциональных модулей ПСр: - основной функциональный модуль - осуществляет координацию работы остальных модулей, обработку событий, поступивших от других модулей, выработку сообщений пользователю; - модуль графического интерфейса - реализует построение основной графической формы программы, обеспечивает взаимодействие пользователя с программой, ввод и предварительную обработку входных данных формы, а также отображение результатов, как в графическом, так и в текстовом виде; - модуль ГАМО - осуществляет поиск множества эффективных решений задачи обучения ИНС с помощью ГАМО; - модуль моделирования - реализует процедуру моделирования обучен ной ИНС, осуществляет предварительную обработку входных векторов сети, передачу их модулю ИНС для вычисления выходных векторов, последующее масштабирование выходных векторов сети; -модуль ИНС - осуществляет вычисление значения выходного сигнала сети при подаче на нее входного вектора; -модуль файлового ввода-вывода - осуществляет загрузку из внешнего файла и предобработку обучающего множества, загрузку и сохранение параметров ИНС и ГАМО. Запуск ПСр производится путем вызова на исполнение файла gui_main.m в среде MatLAB 7. После запуска открывается основная форма программы (см. рис. 9) с установленными по умолчанию параметрами задачи. Входные данные ПСр «Нейро-имитатор» следующие: - параметры ГАМО: число ТТО популяции, число поколений эволюции, вероятности скрещивания, мутации и инверсии; - параметры МП: число входов сети, число выходов сети, число слоев сети, число нейронов в слоях, активационные функции нейронов, диапазон изменения весовых коэффициентов; - параметры SOM: число входов сети, число нейронов в слое Кохонена; - входной вектор - в режиме моделировании сети. Вышеперечисленные данные указываются в соответствующих текстовых элементах основной формы программы. Кроме того, к обязательным входным данным ПСр относится обучающая выборка, которая загружается из файла формата MatLAB data (.mat). Обучающие выборки хранятся в поддиректории IN директории основной программы Также в качестве входных данных ПСр могут служить ранее созданные и обученные ИНС, сохраняемые в виде файлов формата MatLAB data (.mat) в поддиректории OUT директории основной программы. 121 При моделировании сети возможна загрузка набора входных векторов из файла формата MS Excel (.xls). В файле каждый входной вектор должен занимать одну строку, не допускается наличие промежуточных пустых строк. Файлы наборов входных векторов хранятся в поддиректории IN директории основной программы. Выходными данными ПСр «Нейро-имитатор» являются: - файл формата MatLAB data (.mat), содержащий параметры ИНС и ГА-МО. Используется для последующей загрузки в данную программу в целях моделирования или дальнейшего обучения сети; - файл векторного рисунка (.emf), содержащий график положений всех ТТО последнего поколения или положений лучших точек популяций всех поколений в критериальном пространстве. Легенда к рисунку содержит основную информацию о параметрах выполненного эксперимента по обучению сети; - файл параметров ИНС (.xls), содержащий ее весовой вектор; - файл результатов моделирования сети (.xls), содержащий как набор входных векторов, так и соответствующих им выходных векторов. Все файлы сохраняются в поддиректории OUT директории основной программы. 1. Разработан комплекс программных средств, реализующий предложенную методику и применимый для решения широкого круга задач оптимизации управления многокритериальной конфликтной системой в условиях неопределенности. 2. Разработано программное средство, предназначенное для решения эталонных задач построения множеств конфликтно-оптимальных решений. 3. Разработано программное средство, предназначенное для построения обучающих выборок для карты Кохонена и многослойного персептрона на основе решений эталонных задач. 4. Разработано программное средство, предназначенное для обучения компонентов нейросетевого ансамбля с помощью сформированных обучающих выборок. В диссертационной работе получены следующие основные научные и практические результаты. 1. Постановка задачи оптимизации управления многокритериальной конфликтной системой в условиях неопределенности сформулирована в нейросете-вом базисе. Для решения поставленной задачи предложено использовать принцип стабильно-эффективных игровых компромиссов. 2. Разработана схема нейронного управления многокритериальной конфликтной системой в условиях неопределенности, используемая для построения стабильно-эффективного решения оптимизационной задачи в режиме реального времени, которая включает нейроконтроллер с компонентами: нейросетевой ансамбль, блок агрегирования свойств конфликтно-оптимальных решений. 3. Разработана структура нейросетевого ансамбля, включающая в себя в качестве базовых элементов самоорганизующиеся карты Кохонена и многослойный персептрон, что позволяет гибко учитывать свойства конфликтно-оптимальных решений.
