Управление слабоформализуемыми многокомпонентными системами на основе агентных технологий Щербатов Иван Анатольевич

Содержание к диссертации

Введение

ГЛАВА 1. Краткая характеристика вопросов анализа, моделирования и управления сложными слабоформализуемыми системами в условиях неопределенности 24

1.1. Понятие сложной слабоформализуемой технической системы 24

1.2. Классификация неопределенностей сложных слабоформализуемых технических систем 27

1.3. Формулировка нового классификационного признака слабоформализуемых многокомпонентных систем 33

1.4. Понятие слабоформализуемой многокомпонентной системы в условиях неопределенности 37

1.5. Робототехническая система как активная компонента слабоформализуемой многокомпонентной системы 54

1.6. Слабо формализуемый технологический процесс как пассивная компонента слабоформализуемой многокомпонентной системы 56

1.7. Краткая характеристика математического моделирования и управления сложными слабоформализуемыми системами в условиях неопределенности 57

1.8. Постановка проблемы исследования 80

1.9. Результаты и выводы 82

ГЛАВА 2. Создание концепции системного анализа слабоформализуемых многокомпонентных систем в условиях неопределенности 83

2.1. Формирование основных концептов слабоформализуемых многокомпонентных систем 83

2.2. Разработка концепции системного анализа слабоформализуемых многокомпонентных систем в условиях неопределенности 89

2.3. Разработка методики системного анализа слабоформализуемых многокомпонентных систем в условиях неопределенности ПО

2.4. Результаты и выводы 119

ГЛАВА 3. Создание методологии управления слабоформализуемыми многокомпонентными системами в условиях неопределенности 120

3.1. Управление слабоформализуемыми многокомпонентными системами в условиях неопределенности 120

3.2. Создание методики коррекции глобальной цели 122

3.3. Создание методики множественности математического описания компонент 127

3.4. Разработка метода распределения локальных целей 130

3.5. Разработка методики снижения влияния неопределенностей 145

3.6. Разработка метода группового управления компонентами 152

3.7. Результаты и выводы 157

ГЛАВА 4. Управление группой активных компонент на примере робототехнических мобильных платформ 159

4.1. Постановка задачи управления группой роботов 159

4.2. Создание модели группы роботов на основе агентных технологий 163

4.3. Управление группой мобильных роботов 175

4.4. Анализ реализации управления группой роботов 184

4.5. Результаты и выводы 192

ГЛАВА 5. Управление группой пассивных компонент на примере слабоформализуемых производственно технологических систем 193

5.1. Постановка задачи управления слабоформализуемыми производственно-технологическими системами 193

5.2. Построение математической модели группы пассивных компонент... 196

5.3. Управление слабоформализуемой многокомпонентной системой состоящей из пассивных компонент 202

5.4. Реализация управления группой пассивных компонент 214

5.5. Результаты и выводы 221

ГЛАВА 6. Человеко-машинное взаимодействие в слабоформализуемых многокомпонентных системах с использованием агентных технологий на примере управления системой «активная компонента-человек» 222

6.1. Распознавание подвижных и неподвижных объектов в системе технического зрения робота 222

6.2. Создание мультиагентной системы планирования движения робота в частично-детерминированной динамической среде 230

6.3. Реализация голосового управления в системе робот-человек 238

6.4. Реализация информационного поиска при человеко-машинном взаимодействии в системе «робот-человек» 248

6.5. Результаты и выводы 258

Заключение 259

Список сокращений 2

• Формулировка нового классификационного признака слабоформализуемых многокомпонентных систем
• Разработка концепции системного анализа слабоформализуемых многокомпонентных систем в условиях неопределенности
• Создание методики множественности математического описания компонент
• Создание модели группы роботов на основе агентных технологий

Введение к работе

Актуальность темы исследования. В сложных технических системах (СТС) осуществляется взаимодействие на различных уровнях иерархии, присутствует не единственность математического описания, большое число взаимодействующих элементов, свойство эмерджентности. Отсутствие средств измерения или принципиальное незнание протекающих внутренних процессов приводят к тому, что модель системы является слабоформализуемой, а значит и СТС обладает свойством слабой формализуемости. Сложные системы функционируют в условиях неопределенности и неполноты информации о состоянии и поведении системы, наличии лица принимающего решение (ЛПР) как составляющей принятия решений.

Наличие (отсутствие) признаков рационального (псевдоинтеллектуального) поведения, совместно с вопросами самоорганизации, когда элементы СТС объединяются в организационные структуры (компоненты) для достижения локальной цели постулируют свойство многокомпонентности. В процессе функционирования структура организации системы может перестраиваться и образовываться различными наборами компонент. При этом наличие плана рационального поведения и механизмов его реализации относит компоненту к активным, а их отсутствие к пассивным в поведенческом смысле. К пассивным компонентам относятся сложные производственно-технологические системы (ПТС) газопереработки, актуальность исследования которых определяется положениями «Генеральной схемы развития газовой отрасли России до 2030 г.». Робототехнические системы (РТС) являются активными компонентами. Согласно «Стратегии развития отрасли информационных технологий в РФ на 2014-2020 годы и на перспективу до 2025 года» робототехника включена в число нескольких приоритетных направлений технологического развития страны. В свете актуальной проблемы импортозамещения развитие отечественной робототехники становится крайне важным направлением.

Становится возможным выделить новый подкласс сложных систем -слабоформализуемые многокомпонентные системы (МС). Важная роль в принятии решения при управлении МС отводится ЛПР, поэтому актуальность также приобретает задача реализации эффективного человеко-машинного взаимодействия, особенно для РТС. В этой связи появляется необходимость формирования единого методологического базиса, который обеспечит анализ и синтез систем управления МС в условиях неопределенности. Для этого необходимо рассмотреть вопросы взаимодействия элементов внутри системы в условиях неопределенности. Поэтому появляется необходимость совершенствования механизмов анализа, моделирования и управления МС, основанных на эффективном решении задач взаимодействия компонент с использованием агентных технологий.

Наличие большого числа неопределенностей и учет опыта экспертов определяют необходимость применения теории нечетких множеств и нечеткого когнитивного моделирования. Этот аспект наряду с выделением компонент постулирует необходимость формирования единого концептуального подхода к управлению МС.

Степень разработанности темы. Формированию структур целей СТС посвящены работы Лукьяновой Л.М., Ломако Е.И., Новикова Д.А., Губко М.В., Edwin V.K., Jing Н., Huget, М., Scott A. DeLoach и др. В работах Новикова Д.А., Тихонова В.П., Волковой В.Н., Денисова А. А., Гаскарова Д.В., Люггера Дж., Павлова В.В., Советова Б.Я., Цапко Г.П. решаются задачи математического описания и моделирования СТС. Множественность математического описания сложных систем рассматривается в работах Мышкиса А.Д., Бусленко Н.П., Павловского В.Е., Максимова В.И., Воссага N., Fiona А.С., Horling В. Подходы к решению проблемы управления различными классами сложных систем представлены в работах Прангишвили И.В., Макарова И.М., Ускова А.А., Арнольда В.И., Неделько С.Н., Колесникова А.А., Jennings N. R., Zhang F., Karuna H., Chan S. Активно ведутся работы в области моделирования и управления ПТС и РТС.

Однако, несмотря на существенные успехи, достигнутые в области моделирования и управления СТС, отсутствует комплексный подход к управлению МС в условиях неопределенности на основе механизмов организации структуры систем.

Актуальность темы диссертационного исследования определяется необходимостью разработки комплексных методов управления ПТС и РТС, обусловленная недостаточной изученностью научной проблемы создания концепции системного анализа и методологии управления МС в условиях неопределенности с использованием агентных технологий в приложении к робототехническим и производственно-технологическим системам.

Основные разделы исследования выполнены в рамках государственного контракта с Фондом содействия развитию малых форм предприятий в научно-технической сфере по программе СТАРТ в 2012 г., а также госбюджетных научно-исследовательских работ ФГБОУ ВПО «АГТУ» «Управление техническими системами в условиях неопределенности» в 2009-2011 гг, «Системный анализ и моделирование слабо формализуемых технических систем» в 2012-2013 гг., «Модели и алгоритмы интеллектуального управления сложными слабоформализуемыми многокомпонентными системами» в 2014 г. Их содержание отвечает положениям «Генеральной схемы развития газовой отрасли России до 2030 г.», Стратегии развития отрасли информационных технологий в РФ на 2014-2020 годы и на перспективу до 2025 года.

Объект исследования - слабоформализуемые многокомпонентные системы.

Предмет исследования - модели, методы и алгоритмы управления слабоформализуемыми многокомпонентными системами (на примере производственно-технологических и робототехнических систем).

Цель диссертационной работы - повышение эффективности управления слабоформализуемыми многокомпонентными системами за счет совершенствования концепции системного анализа и методологии управления в условиях неопределенности на основе агентных технологий.

Для достижения поставленной цели требуется решить следующие задачи:

1. определить новый подкласс сложных систем - слабоформализуемые
многокомпонентные системы на основе сформулированных

классификационных признаков;

1. для данного подкласса сформулировать концепцию системного анализа и управления в условиях неопределенности;

2. на основе сформированной концепции разработать методологию управления слабоформализуемыми многокомпонентными системами в условиях неопределенности;

3. реализовать методики и методы в виде алгоритмического и программного обеспечения;

4. реализовать приложение разработанных методик, методов и алгоритмов к решению задач управления робототехническими и производственно-технологическими системами, а также организации человеко-машинного взаимодействия в слабоформализуемых многокомпонентных системах;

5. провести исследование эффективности применения предложенных моделей, методов и алгоритмов на эффективность управления робототехническими и производственно-технологическими системами.

Научная новизна. Предложены концепция системного анализа и методология управления слабоформализуемыми многокомпонентными системами в условиях неопределенности с использованием агентных технологий, включающие в себя:

1. методику коррекции глобальной цели, отличающуюся использованием нечетких множеств второго рода для описания целевой ситуации, при которой требуется ее изменение на основе необходимых и достаточных условий;

2. методику математического описания, отличающуюся представлением в матричной форме связей между основными составляющими «глобальная цель, набор локальных целей, модель, управление», что совместно с применением Байесовского подхода обеспечивает выбор требуемой математической модели для целей управления на требуемом уровне абстракции;

3. методику снижения влияния неопределенности, позволяющую уменьшить степень ее воздействия на структуру, цели и данные, отличающуюся формированием компонент системы на основе расчета индекса целостности и показателя совместимости;

4. метод распределения локальных целей компонент, отличающийся использованием оригинального синтеза парето-оптимальных стратегий распределения взаимосвязанных локальных целей и обеспечивающий решение задач: прямой - назначение целей компонентам и обратной - формирование компонент, обеспечивающих достижение фиксированного набора целей;

5. метод группового управления компонентами, обеспечивающий
комплексное решение проблемы управления МС при рассмотрении системы
сверху вниз «глобальная цель системы, набор локальных целей компонент,
набор задач элементов компонент», отличающийся использованием
оригинальных алгоритмов на всех уровнях представления МС.

Теоретическая значимость работы:

1. определен новый подкласс сложных систем - слабоформализуемые многокомпонентные системы и сформулирован его классификационный признак;

2. разработаны концепция системного анализа и методология управления слабоформализуемыми многокомпонентными системами в условиях неопределенности на основе агентных технологий;

3. на основе разработанной методологии поставлены и решены задачи управления тремя взаимодействующими группами компонент: «активная компонента - активная компонента» (для группы РТС); «пассивная компонента

- пассивная компонента» (для группы ПТС); взаимодействие активной
компоненты с ЛПР (для организации человеко-машинного взаимодействия в
системе «РТС-ЛПР»).

Практическая значимость работы:

1. разработано алгоритмическое и программное обеспечение системы
управления, реализующие следующее:

методику коррекции глобальной цели слабоформализуемой многокомпонентной системы;

метод группового управления компонентами для сложных производственно-технологических и робототехнических систем;

2. разработаны и зарегистрированы алгоритмы и программы, реализующие
новые, оригинальные алгоритмы, методики и методы управления
слабоформализуемыми многокомпонентными системами.

Результаты внедрены в ООО «АГТУ Роботикс» (г. Астрахань) при разработке человеко-машинного интерфейса для проекта «MobileBot». Программное обеспечение нечеткого когнитивного моделирования внедрено в ООО ПКФ «Бест Софт» (г. Астрахань) для повышения эффективности реализации крупномасштабных проектов энергетического профиля. Результаты внедрены в ООО «Наногальваника» (г. Тамбов) при разработке систем управления сложными слабоформализуемыми процессами нанесения наномодифицированных гальванических покрытий из электролитов с добавками углеродных нанотруболк «Таунит». Учебный вариант разработанного программного обеспечения используется в ФГБОУ ВПО «Астраханский государственный технический университет» и ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А.» (г. Саратов) для подготовки научных и инженерных кадров.

Методология и методы исследования: системный анализ и инженерия знаний, теория управления, агентные технологии, теория нечетких множеств, когнитивное и имитационное моделирование, теория принятия решений, методы распознавания образов, методы планирования экспериментов, теория вероятностей и математическая статистика.

Положения, выносимые на защиту:

1. выделены новые классификационные признаки, на основе которых определен новый подкласс сложных систем - слабоформализуемые многокомпонентные;

2. методики коррекции глобальной цели, математического описания и снижения влияния неопределенностей слабоформализуемых многокомпонентных систем;

3. метод распределения взаимосвязанных локальных целей компонент;

б

4. метод группового управления компонентами;

5. результаты, подтверждающие эффективность использования методологии управления слабоформализуемыми многокомпонентными системами.

Степень достоверности исследования обусловлена корректным
применением методов исследования, подтверждается вычислительными и
имитационными экспериментами, проверкой адекватности предложенных
решений, полученных на основе экспериментальных данных,
результативность и эффективность решений подтверждена

соответствующими актами внедрения результатов работы в различных организациях и учреждениях.

Апробация научных результатов. Основные результаты работы докладывались и обсуждались на 3rd International Conference on Advanced Research in Scientific Areas, ARSA-2014 (Словакия, 2014), Международных научно-технических конференциях «Интеллектуальные системы, AIS и Интеллектуальные САПР, CAD» (Москва, 2006, 2009), XX-XXVII Международных научных конференциях «Математические методы в технике и технологиях» (Ярославль, 2007; Саратов, 2008, 2010; Волгоград, 2012; Нижний Новгород, 2013; Тамбов, 2014), VI Всероссийской научно-практической конференции (с международным участием) «Современные информационные технологии в науке, образовании и практике» (Оренбург, 2007), I Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Прогрессивные технологии и перспективы развития» (Тамбов, 2010), Международной научно-практической конференции, посвященной 80-летию Астраханского государственного технического университета (Астрахань, 2010), International Congress on Information Technologies, ICIT-2012 (Саратов, 2012), XIV Международной научно-практической конференции «Техника и технология: новые перспективы развития» (Москва, 2014), XIII Международной научно-практической конференции «Приоритетные научные направления: от теории к практике» (Новосибирск, 2014).

Основные теоретические и прикладные результаты диссертационной работы изложены в 1 монографии, 25 статьях в периодических и научно-технических журналах, рекомендуемых ВАК РФ, 2 статьях в журналах, индексируемых в SCOPUS, 21 статье в сборниках материалов всероссийских и международных научных конференций. Получено 5 свидетельств о государственной регистрации программ для ЭВМ. Без соавторства опубликовано 19 работ.

В работах, опубликованных в соавторстве, личное участие автора заключалось в определении проблемы исследования, постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследования.

Структура и объем диссертации. Диссертация содержит введение, 6 глав, заключение, библиографический список из 368 наименований, 10 приложений. Основная часть диссертации изложена на 337 страницах и содержит 101 рисунок и 49 таблиц.

Формулировка нового классификационного признака слабоформализуемых многокомпонентных систем

Исследование системных связей и закономерностей функционирования сложных технических систем является важным аспектом анализа, моделирования и реализации систем управления ими. Сложность систем, высокая размерность моделей, распределенность параметров и необходимость применения развитого математического аппарата для синтеза законов (систем) управления приводит к смене подходов к управлению и принципов организации функционирования.

Существует несколько основных определений термина «сложная система»: система, свойства которой уникальны и поведение слабопредсказуемо [210]; система с большим числом взаимосвязанных и взаимозависимых элементов трудно поддающаяся описанию, пониманию, предсказанию, управлению, проектированию, а также изменению [95]; система, которая строится для решения многоцелевой, многоаспектной задачи [332]; в [9] предлагается определять сложность в зависимости от числа элементов, силы их взаимодействия, временных рамок образования системы, изменчивости и разнообразия элементов, окружающей среды и ее воздействия, а также цели деятельности системы. Разработано значительное число классификационных разделений систем по степени сложности [173, 181]. Существует ряд признаков сложных систем, основным из которых является развитая уровневая структура взаимодействия подсистем и элементов внутри подсистем. Сложные системы являются многомерными и многосвязанными. Выделим набор признаков, определяющих сложную систему (рисунок 1.1): развитая уровневая псевдоиерархичность, когда взаимодействие происходит не только сверху вниз, но и, наоборот, в связи с этим возникает потребность в реализации адаптивных, в т.ч. интеллектуальных систем управления с изменяемой структурой (на рисунок 1.1 признак отражен двунаправленными стрелками, показывающими взаимодействие подсистем внутри сложной системы и элементов внутри подсистем) - (свойство Prl); множественность описания, фиксирующая большое число вариантов математического описания, поэтому требует применения высокоскоростных методов и алгоритмов ранжирования и выбора возможной реализации модели системы - (свойство Рг2); различные виды неопределенности, которые инициируют слабопрогнозируемые динамические процессы, возникающие в сложной системе в результате взаимодействия подсистем - (свойство РгЗ); присутствие синергетического эффекта и наличие свойства эмерджентности [231], приводящее к многовариантности поведения подсистем и элементов подсистем (свойство Рг4).

Под СТС обычно понимается система, взаимодействующая и включающая некоторый технический (технологический) процесс, обеспечивающий превращение входных потоков в продукцию [65, 95, 134]. При этом внешняя среда и человек (оператор, ЛПР) в составе системы не рассматриваются.

Признаки слабоформализуемых технологических процессов (СФТП) введены в [288], по аналогии введем понятие сложной слабоформализуемой технической системы (ССТС) - СТС, обладающая свойствами Prl, Рг2, РгЗ и Рг4, функционирующая в условиях неопределенности, обусловленной действием двух факторов: невозможностью получения данных (РгЗ.1) и принципиальным незнанием закономерностей протекания процесса (Рг3.2) (рисунок 1.2). F - внешняя среда;

В работе будем рассматривать два этапа жизненного цикла СТС - проектирование и функционирование [272]. Незнание закономерностей протекания процесса определяется неопределенностью структуры модели (свойство РгЗ.2.1) и неопределенностью цели (свойство РгЗ.2.2). Неопределенность вида РгЗ.2.1 приводит к тому, что процесс построения математической модели крайне сложен (не возможен в ряде случаев). Неопределенность вида РгЗ.2.2 характеризует невозможность постановки цели и, соответственно, необходимость ее уточнения (корректировки).

Принципиальная возможность учета неопределенности совместно с выбранной методикой снижения ее влияни, а также принятие допущений о не рассмотрении конкретного вида неопределенности могут существенным образом влиять на результат, например, на адекватность модели или качестве синтезированного закона управления.

Наличие неопределенностей различных типов в ССТС приводит к необходимости снижения их влияния на этапах проектирования и функционирования. Неопределенность вызвана недетерминированными источниками, например, внешней средой, ЛПР и пр. Однако существует другая трактовка понятия неопределенности, например, в [153] неопределенность характеризует ошибки между моделью и реальной системой.

Анализ неопределенности - крайне важная задача, обеспечивающая получение требуемого качества управления системой [5]. Выделяют структурированную (известна функция изменения неопределенности, однако не известны параметры этой функции) и не структурированную неопределенность (функция изменения не известна, а величина неопределенности ограничена) [49]. Подробная классификация типов неопределенностей сложных систем приведена в [141, 347]. Можно выделить неопределенность входных данных [76], структуры модели [36, 154], средств измерения (наблюдения) [70], цели [57].

Для анализа неопределенности существует значительное число способов и методов, использующих различный математический аппарат [18, 58-59, 68, 100, 103, 112, 145]. Неопределенность является важнейшим элементом проблемы построения математической модели системы [108] и синтеза законов управления, что следует учитывать на всех этапах анализа и синтеза сложных систем.

Важным аспектом является то, что при решении задач управления СТС часто приходится вводить различные виды неопределенности (например, искусственно введенная неопределенность решения), поскольку они служат стимулирующим фактором для адаптации и самоорганизации сложных систем и как следствие к повышению качества и надежности их функционирования.

Рассмотрим основные виды неопределенности, описанные в литературных источниках [33, 51, 63, 79, 109, 125, 141, 143] (рисунок 1.3). На рисунке 1.3а представлена общая классификация неопределенностей, которая включает 4 вида, описанных в таблице 1.1. По аналогии с СТС введено классификационное деление неопределенностей, которые присущи двум ключевым этапам жизненного цикла (рисунок 1.36) -проектирование и функционирование (таблица 1.2).

В исследовании операций применительно к задачам принятия решений различают три типа неопределенностей: целей; знаний об окружающей обстановке и действующих факторах (природы); действий активного или пассивного партнера или противника [176]. В приведенной классификации неопределенность рассматривается с позиций определенного элемента математической модели.

Разработка концепции системного анализа слабоформализуемых многокомпонентных систем в условиях неопределенности

В течение периода функционирования МС могут изменяться не только КС МС, а также глобальная цель, которая корректируется ЛПР. В соответствии с теоретико-множественным представлением системы [181], введенным определением компоненты и выделенными признаками слабоформализуемых многокомпонентных систем получим: S = (I,MH,CN), (2.14) где I - совокупность целей (глобальных IG и локальных Iz); МН - механизмы, реализующие систему; CN - совокупность внутренних и внешних факторов существования системы.

Принцип мультиструктурности (П2) - возможность анализировать компоненты системы и их взаимосвязи в рамках конкретной КС, влияющей на текущее состояние системы и траекторию ее перехода из одного состояния в другое (наряду с управляющим воздействием).

Принцип означает, что в общем случае для достижения глобальной цели G может быть выделена (на этапе анализа и формирования системы упрощений и допущений, с учетом различающихся мнений экспертов) или образована в процессе функционирования не единственная компонентная структура.

В ряде случаев целостность МС может обеспечиваться не для единственной КС. В этом случае имеется вариативность КС, что является следствием выполнения принципа мультиструктурности для МС. Наличие не единственного набора компонент в МС и связей между ними влияет на то, что достижение глобальной цели в общем случае возможно различными вариантами КС. На рисунке 2.2 приведена графическая иллюстрация принципа мул ът иструктурност и.

Рисунок 2.2 - Графическая иллюстрация принципа мультиструктурности

На основе расчета индекса согласованности и показателя совместимости ряд КС могут быть исключены. Если все компоненты МС относятся к пассивным, то множество KS т может быть сведено к единственной КС итеративной процедурой последовательного исключения связей, реализуемой с применением тривиального алгоритма исключения КС (рисунок 2.3), основанном на вычислении индекса целостности и показателя совместимости для каждой полученной КС.

Алгоритм основан на исключении КС, для которых рассчитанные значения // и 1с меньше порогового значения. Теоретико-множественно представление МС (2.16) может быть дополнено следующим образом: S = (I,MH,CN,KS), (2.15) где KS - совокупность компонентных структур, реализующих цели, образованные конечным набором элементов системы Е. Принцип множественности описания (ПЗ) - использование нескольких математических моделей КС, которые определяются уровнем абстрагирования, типом решаемой задачи или поставленной глобальной цели, задаваемые множеством кибернетических, интеллектуальных [337] и аналитических моделей для описания отдельных компонент и МС в целом (данный принцип вытекает из принципа мультиструктурности). Тогда множество математических моделей М = {М1 ,M2,...Mh,...,Mk} МС будет иметь вид: Mh =

Активные и пассивные компоненты, выделенные в МС в зависимости от возможности их формализации на основании имеющихся способов математического представления и разделения на формализуемые, слабо формализуемые и не формализуемые могут быть описаны различными видами моделей (таблица 2.3). На основе сформулированного принципа мультиструктурности предложим способ представления КС МС.

Активная формализуемая компонента описывается гибридной математической моделью [160, 336, 345]. Гибридная математическая модель (ГММ) - модель, сочетающая аналитическое описание параметров компоненты и их связей, а также качественные описания, формализованные с помощью методологии ИИ. Построение ГММ состоит из набора этапов. 1. Изучение компоненты. Подробный анализ компоненты. 2. Построение диаграммы взаимного влияния факторов компоненты. Компонента представляется как набор параметров и их взаимосвязей. Связи внутри компоненты могут быть как явными, так и опосредованными. 3. Составление математического описания элемента компоненты. Производится получение аналитической или интеллектуальной модели элементов, входящих в состав модели активной компоненты. 4. Получение математической модели компоненты. Объединение ММ отдельных элементов с учетом уравнений связи, а также вводятся ограничения на диапазон изменения параметров. 5. Идентификация параметров модели. 6. Оценка адекватности математической модели. Построенная математическая модель должна адекватно описывать объект управления. Математическая модель активной формализуемой компоненты в общем виде может быть представлена следующим образом:

Активная слабоформализуемая компонента описывается интеллектуальной математической моделью (ИММ) [336]. Предложенный подход предполагает построение модели интеллектуальной деятельности человека. Требование к ИММ - необходимость расчетов в режиме реального времени. Основу интеллектуальной деятельности человека составляют знания, поэтому ИММ должна иметь возможность хранения и накопления знаний. В процессе интеллектуальной деятельности человек приобретает новые знания, следовательно, ИММ должна иметь возможности обучения.

Основной режим работы ИММ - реальное время, тогда должна существовать возможность получения и использования знаний, приобретаемых в текущий момент времени от оператора, а также непосредственно от информационно-измерительных каналов систем технического зрения и сенсорного очувствления.

ИММ должна реализовывать следующие функции: хранение знаний, реализация их формализации и обработка для выработки решения, продуцирование текущих знаний, оценка их качества, осуществление адаптации базы знаний, работа в реальном времени, выработка решения. Таким образом, ММ активной формализуемой компоненты в общем виде может быть представлена следующим образом: М2=Ф/(РС), (2.19)

Активная не формализуемая компонента описывается с помощью кибернетической математической модели (КММ) [179]. С точки зрения кибернетического подхода этот вид компонент представляется в виде «черного ящика», т.к. не известны процессы, протекающие в компоненте, или они не поддаются математическому описанию существующими методами.

КММ активной не формализуемой компоненты в форме «черного ящика» представлена на рисунке 2.4. В этом случае следует осуществить переход к модели «белого ящика», т.е. выбрать такую КС и ее ММ, которая наиболее близко обеспечивает отображение входных переменных компоненты в выходные с учетом возмущающих воздействий внешней среды.

Создание методики множественности математического описания компонент

Используя предложенный алгоритм построения многокомпонентной ММ рабочей зоны произведем синтез модели на примере частного случая группы мобильных роботов \Щ, состоящей из М=3 роботов и множества N=30 задач (расположенных внутри рабочей зоны). Локальная цель сформированной компоненты из трех роботов - патрулирование рабочей зоны (обход базовых точек). Размер рабочей зоны - 5x10 м. Проведем пошаговое моделирование на основе исходной информации.

На основе расчета эффективности выполнения роботами группы R задач множества {Z} происходит синтез стратегий выполнения задач и производится выработка управляющего воздействия.

Для проверки адекватности используется эталонная модель рабочей зоны группы роботов. За основу работы контуров самонастройки принимается ошибка рассогласования выходных переменных основной ММ и модели-эталона. Для обеспечения возможности корректировки математической модели при изменении условий внешней среды система дополнена контуром корректировки.

Для проверки адекватности математической модели робота используется атрибут энергоемкость. Учитывая, что выходные координаты модели представлены четкими величинами, адекватность модели оценивается традиционными методами с использованием критерия Фишера по выходным координатам - энергоемкость батарей робота.

Проверка адекватности модели производится сравнением полученных расчетных данных (4.11) и экспериментальной выборкой. Сравнение происходит в точках несовпадающих с первой экспериментальной выборкой, производимой для формирования математической модели.

Количество связей 1=1, объем выборки N=10. В результате расчетов получено F=3,61, а табличное значение 3. Обе выборки принадлежат одной генеральной совокупности, основания отвергать нулевую гипотезу отсутствуют, а ММ адекватно описывает группу роботов (таблица 4.4).

Средняя квадратичная относительная ошибка расчетов по модели в рабочем диапазоне не превышает Д= 0,8% (рисунок 4.5). Максимальная относительная ошибка расчетов не превышает 1,6%.. Максимальная относительная ошибка расчетов по модели энергоемкости батареи робота не превышает 4%.

Построенная модель рабочей зоны группы мобильных роботов адекватно описывает процессы, происходящие внутри рабочей зоны, и может быть использована для дальнейших расчетов.

В частном случае время функционирования МС ограниченно временным промежутком, на протяжении которого будет неизменна ее КС. Поэтому при формировании множества возможных стратегий отсутствует необходимость синтеза стратегии на протяжении времени, за которое обеспечивается достижение всех локальных целей компонент. Таким образом, необходимо определить значение временного промежутка At, за которое КС не изменится. Продолжительность промежутка времени представляется функцией, зависящей от значения энергоемкости f, времени изменения КС LT и возможность исключения ЛПР /-ого робота из группы L0.

Значение %f - динамический параметр, определяемый в любой дискретный момент временного промежутка Т выполнения множества задач. Временной промежуток гтах - время работы /-го робота, в течение которого не понадобится заряд аккумуляторных батарей, однако на нем может произойти выход робота из группы из-за неисправности. Таким образом, необходимо определить факторы, от которых зависит такт управления группы мобильных роботов.

Изменение значения LT может произойти в течение глобального промежутка tG » t, поэтому LT = const, а ее значение вводится оператором. Переменная L0 не может быть определена на промежутке времени t, однако может быть представлена вероятностью возникновения ситуации изменения состава группы роботов. Функции времени T\f ,Lr,L0) имеет неопределенный характер на промежутке времени At, т.к. в нее входит параметр L0. Для устранения неопределенности и формализации этой функции используется лингвистическая переменная, описывающая возможность изменения состава группы роботов R (терм-множество «состав группы изменился», «состав группы не изменился»). Функция принадлежности juT є [0;Т] имеет вид:

Следовательно, можно определить момент времени, в течение которого состав группы роботов постоянен, т.е. существует ограничение вида 0 Т Т у .

Вторым ограничением при поиске оптимального управляющего воздействия является среднее значение функции эффективности ус : где і J - номер робота; v - номер задачи; I 3fv - расстояние между робота «через задачу»; /min - минимальное значение функции эффективности задается оператором, а значит ЛПР необходимо иметь начальную оценку этого параметра. Проведем имитационное моделирование задачи в форме (4.13). Параметр максимально допустимое расстояние между роботами «через задачу» L [x = L к, где L - длина стороны рабочей зоны, к - расчетный геометрический коэффициент. При исследовании примем к = 2.23.

Первая часть эксперимента - определение варъируемости параметра уср при изменении количества задач (для 5 базисных точек, числа роботов М = 2,4,6,8,10, количества задач N = 2;50 при условии, что N М, размеры рабочей зоны: длина стороны равна 100). Исследование показало (рисунок 4.6), что при увеличении количества задач N значение параметра уср стремится к значению 0.35, уср - 0,35, при 7V- oo.

Создание модели группы роботов на основе агентных технологий

Предложенный подход позволяет обеспечить простоту реализации системы интерпретирования голосовых команд для мобильного робота и возможность изменения синтаксиса. Использование виртуальной машины позволяет легко изменить систему интерпретации, либо совмещать несколько версий синтаксиса с различным функционалом.

Такой подход построения системы позволяет обеспечить максимально простое и эффективное управление роботом, а также группой роботов [339]. Однако для более сложных конструкций [350] необходимы системы интерпретации грамматики естественного языка, а также построение более сложной и масштабной системы упорядочивания информации.

Реализация информационного поиска при человеко-машинном взаимодействии в системе «робот-человек» Мультиагентные системы представляют эффективную модель для решения слабо формализуемых задач с помощью распределенных вычислений. Покажем возможности применения мультиагентного подхода к построению системы информационного поиска робототехнической системы, применяемой при формировании ответов на голосовые поисковые запросы пользователя. Ключевым понятием в любой многоагентной системе является агент. Агент должен обладать следующими основными характеристиками [312]: коммуникабельность, которая выражается в общении с другими агентами по определенному протоколу; активность, это означает, что агент должен целенаправленно получать знания о других агентах и о свойствам постоянно изменяющейся среды; 249 автономность - агент, на основе своей базы знаний о внешних объектах (других агентах, внешней среды, связями между агентами и средой), а также знаний о предметной области решаемой задачи, должен с помощью правил вывода получать логические выводы независимо от других агентов; адаптация и обучаемость. Каждый агент решает небольшую строго определенную задачу.

Мулътиагентная архитектура представляет собой совокупность автономных агентов, решающих различные подзадачи, соединенными между собой каналами связи. Одним из самых распространенных механизмов общения между агентами является механизм «Доски объявлений» [325].

В рамках разработки многоагентной поисковой системы введем следующие понятия [255]: лексема - слово, словосочетание, формула, устойчивая последовательность символов и пр; документ - это последовательность лексем, связанных между собой семантической связью; семантический вес лексемы - это условная степень важности лексемы, входящей в документ; термин - это лексема в документе, имеющая семантический вес больше порогового. Пороговое значение выбирается в зависимости от обрабатываемой информации; индекс - это компактное представление связей между терминами и документами. С каждым документом di ассоциируется набор терминов Т = (tl,t2,...,tn), в то время как с каждым термином t. ассоциируется набор документов D = (dx, d2,..., dm), в которых он встречается.

Часто бывает нужно определить документ (группу документов) с наибольшим семантическим весом по ключевому термину. Покажем фрагмент многоагентной поисковой системы. Выделим три класса агентов: анализатор - в его задачу входит семантический анализ документов и получение индекса для компактного хранения знаний о документе; хранитель знаний - в его задачу входит добавление новых знаний, полученных от агента-анализатора и быстрый поиск по индексам в базе знаний; обработчик индексов - в его задачу входит получение индексов от хранителя знаний по ключу. При этом абсолютно не важно, как общаются между собой эти агенты (рисунок 6.15), либо через прямые каналы связи, либо через «Доску объявлений». объединение двух и более коллекций документов, относящихся к ключевому термину, принадлежащих разным агентам «хранителям знаний». Для решения поставленной задачи предлагается использовать структуру данных - фибоначчиева куча. В общем случае этот вид кучи работает с однородными объектами, которые имеют отношение порядка на множестве, другими словами с теми объектами, которые можно сравнить. В рамках поставленной задачи в качестве однородных объектов выступают документы, а в качестве параметра, по которому будут сравниваться документы, семантический вес термина. В таблице 6.5 представлена асимптотическая сложность операций, заявленных в актуальной проблеме.

Как видно из таблицы 6.5 асимптотическая сложность всех операций (даже операции объединения двух куч) не связанных с удалением и изменением приоритета выполняется за константное время. Все вышеперечисленное делает фибоначчиеву кучу очень привлекательным инструментом для решения поставленной задачи.

Был проведен эксперимент на рабочей станции с процессором Intel Core2Duo Т5250 1.5 Ггц, RAM до 2ГБ на платформе Windows 7. В эксперименте участвовали 2 агента «анализаторов», 1 агент «хранитель знаний» и 8 агентов «обработчиков индексов». В результате работы агенты обрабатывали заданное количество документов, получая индексы по 1024 терминам. Каждый документ содержит не более 200 терминов.

В эксперименте использовались высокоскоростные помехоустойчивые каналы связи. Поэтому временем на обмен сообщениями в данном случае можно пренебречь. Как видно по графику зависимость практически линейная. Это в первую очередь связано с тем, что только 1 из 4 обрабатываемых операций имеет логарифмическую сложность.