информатика, вычислительная техника и управление

УДК 004 052 Р. д. КАРАБцов

л. а. денисова

Омский государственный технический университет, г. Омск

проектирование нечёткой системы регулирования с использованием генетического

алгоритма оптимизации_

Рассмотрены вопросы проектирования системы автоматического регулирования (САР), реализованной с использованием нечетких информационных технологий. Исследованы нечеткие регуляторы с различным количеством функций принадлежности, оптимизированные с помощью генетического алгоритма. Осуществлен выбор нечеткой САР, обеспечивающей лучшее регулирование по принятым показателям качества. Модельные исследования САР выполнялись в среде MATLAB/Simulink/Fuzzy logic Toolbox/Global Optimization Toolbox.

Ключевые слова: система автоматического регулирования, цифровой регулятор, математическая модель, нечеткая логика, генетический алгоритм.

Введение. При проектировании систем автоматического регулирования (САР) технологическими процессами объектов теплоэнергетики необходимо учитывать неопределенность параметров объекта управления и возмущающих факторов, вызванных внешними условиями. Одним из эффективных подходов к усовершенствованию САР, работающих в условиях неопределенности, является стратегия управления, основанная на теории нечетких множеств .

Нечеткие системы управления и регулирования (англ. FCS - Fuzzy Control Systems), относящиеся к классу интеллектуальных систем , позволяют сохранить работоспособность системы в условиях помех и погрешностей измерений, а также, учитывая изменяющиеся условия протекания процессов, помогают снизить потери, вызванные неэффективным управлением. В работе приведены результаты разработки и исследования нечеткой системы регу-

лирования, структура и параметры которой определялись на основе использования методов математического моделирования и оптимизации.

Для оптимизации нечеткой САР использовались генетические алгоритмы (ГА), позволяющие находить глобальный экстремум многоэкстремальной целевой функции, характеризующей качество работы системы, которая, кроме того, может быть определена только на основании вычислений в процессе функционирования САР .

Исследование САР выполнялись в среде MATLAB/Simulink/Fuzzy Logic Toolbox/Global Optimization Toolbox.

Описание модели нечёткой САР. В качестве примера нечеткой САР рассмотрена система автоматического регулирования типового объекта автоматизации - давления в паровом коллекторе энергоблока . Исследования САР выполнены в интерактивной среде для научных и инженер-

Рис. 1. Математическая модель нечёткой САР с регулятором FC2

Рис. 2. Структура нечеткого регулятора

ных расчетов MATLAB с пакетами расширения Simulink и Global Optimization Toolbox . Для моделирования и оптимизации нечеткой системы регулирования создана Simulink - модель (рис. 1) и файлы-сценарии, обеспечивающие многократные вызовы модели САР, вычисление показателей качества и обработку данных генетическим алгоритмом.

Модель нечеткой САР содержит модели: цифрового нечеткого регулятора, исполнительного механизма (ИМ) с регулирующим клапаном (РК) и технологического объекта управления и подсистему нечеткого регулирования (REG FIS) . Для учета дискретизации сигналов во времени применен экстраполятор нулевого порядка (Zero-Order Hold). При исследовании рассмотрены четыре варианта реализации нечеткой САР, отличающиеся количеством функций принадлежности (ФП) и параметрами термов для лингвистических переменных нечетких регуляторов.

В рассматриваемых вариантах САР, реализующих нечеткое управление, использованы следующие лингвистические переменные: входные переменные e (ошибка регулирования) и de/dt (скорость изменения ошибки регулирования), выходная переменная Vcv (скорость открытия / закрытия РК). Также для всех вариантов нечёткой САР выбраны следующие типы ФП входных переменных: сигмоидная sigmf (для боковых термов) и гауссова gaussmf (для центральных термов). Для выходной переменной использованы синглтонные функции принадлежности.

На рис. 2 показана обобщенная функциональная структура нечетких регуляторов, которая традиционно включает следующие блоки :

Блок фазификации, преобразующий четкие данные параметров процесса (ошибку регулирова-

ния e и скорость ее изменения de/dt) в нечеткие величины (и и LL. ,..);

Блок базы правил, содержащий набор лингвистических правил, отражающих алгоритм работы системы;

Блок нечеткого вывода, который содержит алгоритм получения функций принадлежности выходной величины (LVcv);

Блок дефазификации преобразует функции принадлежности выходной величины в физическую величину (Vcv - скорость изменения управляющего воздействия на исполнительные механизмы).

Рассмотрены варианты нечетких регуляторов со следующими наименованиями (обозначениями): Fuzzy Control 1 (FC1), Fuzzy Control 2 (FC2), Fuzzy Control 3 (FC3), Fuzzy Control 4 (FC4). Данные регуляторы отличаются друг от друга количеством функций принадлежности. Например, в регуляторе FC1 заданы по три ФП для входных переменных (e, de/dt) и пять ФП для выходной переменной (V). В других регуляторах количество функций принадлежности изменялось для входных переменных (рассматривались варианты с 3 - 5 ФП), для выходной лингвистической переменной количество функций принадлежности оставалось постоянным.

База нечетких правил САР создана как набор логических высказываний, соответствующих логической операции нечеткой импликации.

Диапазон изменения переменной e (ошибка регулирования) разбивается на термы: NL - отрицательная большая, Z - малая, NZ - отрицательная малая, PZ - положительная малая, ZZ - отсутствие ошибки, PL - положительная большая. Диапазон изменения переменной de/dt (скорость изменения ошибки регулирования) разбивается на термы: N - отрицательная высокая, NZ - отрицательная, Z - низкая, PZ - положительная, P - положительная высокая, терму Z соответствуют малые значения скорости изменения de/dt, которые принимаются как характеризующие установившийся процесс.

Диапазон изменения переменной Vcv - скорости перемещения ИМ, разбивается на термы: NL - отрицательная высокая, NM - отрицательная средняя, NZ - отрицательная, Z - отсутствие перемещения, PZ - положительная, PM - положительная средняя, PL - положительная высокая. В табл. 1 показана сформированная база нечётких правил для рассматриваемых вариантов нечётких регуляторов.

В дальнейшем из четырех вариантов регуляторов были выбраны только два, потому что, как

База нечётких правил

отрицательная большая

отрицательная

отсутствие перемещения

положительная малая

положительная большая

отрицательная высокая

отрицательная

PZ положительная P положительная высокая

показали исследования, при настройке регуляторов эмпирически использование большого количества функций принадлежности отрицательно сказывается на качестве работы регулятора (в связи со слишком большим количеством параметров настройки). При расчетах наблюдалась следующее. Чем больше ФП имеет каждая лингвистическая переменная, тем чаще вынужден срабатывать регулятор, выполняя, возможно, ненужные действия, так как диапазоны изменения переменных, выбранные на основании экспертных оценок, являются небольшими.

В результате проведенного исследования сделан вывод, что при настройке регуляторов эмпирически, экспертом на основе только собственного опыта, наилучшим регулятором для исследуемой САР является нечеткий регулятор с наименьшим числом функций принадлежности. Варианты нечетких регуляторов с большим количеством ФП в некоторых случаях работают хуже, чем традиционный оптимально настроенный линейный регулятор (например, работающий по пропорционально-интегральному закону), потому что эксперту сложно проводить настройку большого количества параметров, и по этой причине регуляторы плохо настроены.

Принималось во внимание, что даже оптимально настроенные на моделях регуляторы должны иметь возможность настройки в реальныо ус ло виях на объекте управления, то есть предпочтительно иметь меньшее количество изменяемых па]оаме-тров.

В итоге для дальнейшего исследования выбр аны нечеткие САР с регуляторами FC1 и FC2, которые оптимизировались с помощью генетического алго -

ритма для увеличения быстродействия и точности управления.

Описание алгоритма оптимизации нечёткой САР с помощью ГА. Запуск Simulink-модели САР и вызов генетического алгоритма реализованы с помощью созданного m-файла - сценария, работающего с функциями пакета MATLAB / Global/ Optimization Toolbox, устанавливающего необходимые опции и осуществляющего контроль выполнения оптимизации.

Поиск минимума критерия качества работы системы выполняется функцией ga, а создание структуры опций генетического алгоритма - оператором gaoptimset. Генетический алгоритм применяется к математической модели нечёткой САР с регулятором FC2 в среде MATLAB/Simulink/Fuzzy Logic (рис. 1).

Рассмотрим поэтапно работу процедуры оптимизации нечеткой САР, основанной на использовании генетического алгоритма.

Этап 1. Вызывается функция ga, которая начинает работу генетического алгоритма.

Задается вектор параметров: x = (ks, kf, Ка2,

kc2,kai,kci,ka6,kc6), где ks и kf - коэффициенты передачи по скоростк ИМ (медленно - slow, быстро - fast); параметры функций принадлежности: Ка2, К

c2" Ка4, К c4 Каи, К

На основе экспертных данных апраделяетая диапазон поиска значений входных переменных (нижняя lb и верхняя ub границы), е е .

Этап 2. Генетический алгоритм начинает работу с некоторого случайного набора исходных решений, который называется популяцией (Population Size - число особей в каждом поколении). Каж-

дый элемент из популяции называется хромосомой и представляет некоторое решение проблемы в первом приближении. Хромосома представляет собой строку символов (в нашем случае - параметров настройки ФП). Хромосомы эволюционируют на протяжении множества итераций, носящих название поколений или генераций (Generations). В ходе каждой итерации хромосома оценивается с использованием некоторой меры соответствия (англ. fitness function, в нашем случае - критерия качества работы САР). Для создания следующего поколения новые хромосомы, называемые отпрысками, формируются либо путем скрещивания (англ. crossover) двух хромосом - родителей из текущей популяции, либо путем случайного изменения - мутации (mutation) одной хромосомы.

Этап 3. Вызывается m-функция, реализующая циклический запуск модели САР и многократное вычисление критертя качества ее работы J=K(x) при различных наборах параметров функций принадлежности, изменяемых в заданных пределах с помощью ГА, который определяет оптимальное значение критерия работы САР е = [(ф) при найденных оптимальных параметрах

ф = (К" Hf< Hg\" Ыдл ЫчТ ЫсТ" Ыч(, Ыс(" Ыч6" Ысб).

Этап 4. Происходит проверка завершения работы: все ли особи в поколении были рассмотрены (Population), все ли поколения сгенерированы (Generations) и завершилось ли время работы (Time limit). Использование параметра Time limit позволяет предотвратить слишком долгую работу алгоритма. Если алгоритм останавливается из-за этого условия, а оптимизация не завершена, значит, можно улучшить результаты за счет увеличения значения параметра Time limit .

Этап 5. Сохранение результатов оптимизации. Завершение работы.

РезуЫьтатьЫ оытимизыции нечётких регуляторов. Принималось во внимание, что нечеткие САР п]чеднтзначены ч^я работы в условиях неопределен-нохти, когда параметры объекта управления неизвестны и, кроме того, могут изменяться в широком еи=пазо н е.

Для моделирования САР принято, что пере-дат=ЧЫая функция оЫъеЫта упЫавлЫния соответствует инерционному звену первого порядка : W(s) = K0 /(T0s + 1), где K0 - коэффициент передачи; Т0 - постоянная времени. На основе имеющейся экспертной информации приняты базовые (исходные) значения параметров объекта управления: K0 = 0,25 кгс/см2/%, Т0 = 60 с. Исследование нечётких регуляторов проводилось при варьировании параметров объекта K0 и Т0 на ±30 %, ±50 % и ±70 % от принятых значений. Для определения качества работы каждого из исследуемых регуляторов и выбора структуры нечеткой САР (количества функций принадлежности) использованы традиционные для теории автоматического управления показатели качества : установившаяся ошибка регулирования 5 и время установления переходного процесса t. Под установившейся (статической) ошибкой системы 5 понимается разница между заданным и текущим значениями выходного сигнала в установившемся режиме. Длительность (время установления) переходного процесса t - это время, необходимое выходному сигналу системы для того, чтобы приблизиться к своему заданному значению. Для определения времени переходного процесса задана требуемая точность (±1 % от заданного значения регулируемой величины).

Рис. 3. Функции принадлежности для термов входных и выходной переменных регуляторов FC1, FC2, полученные: a) по экспертным оценкам; б) после настройки

генетическим алгоритмом регулятора FC2; в) после настройки генетическим алгоритмом регулятора FC1

При проведении исследоваий исходные параметры ФП лингвистических переменных принимались, исходя из экспертных оценок (рис. За): пять ФП для входной переменной e, три ФП для входной

Варьирование коэффициента передачи объекта управления

Наименование регулятора Исходные параметры К Т О 0 Варьирование параметров

К0 + 0,3К0 К0-0,3К0 К0 + 0,7К0 К0-0,7К0 К0 + 0,5К0 ^0-0,5^0

5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с 5, % Ь, с 5, % Ь, с

БС1 0,1 45 0,2 50 0,25 65 0,25 45 1,5 110 0,1 40 1,2 85

БС2 0,05 40 0,2 30 0,15 60 0,05 30 1,2 100 0,05 35 0,9 75

Таблица 3

Варьирование постоянной времени объекта управления

Наименование регулятора Исходные параметры К Т0 Варьирование параметров

Т0 + 0,5Т0 Т-0,5Т0 Т0 + 0,3Т0 Т0-0,3Т0 Т0 + 0,7Т0 Т0-0,7Т0

5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с 5, % 1, с

БС1 0,1 45 0,3 75 0,15 45 0,6 60 0,1 40 0,25 70 0,3 30

БС2 0,05 40 0,2 65 0,1 30 0,2 55 0,05 35 0,05 65 0,25 35

Рис. 4. Зависимости статической ошибки и времени установления при нечетком регулировании от изменения параметров объекта управления

переменной de/dt и пять ФП для выходной переменной V. После оптимизации с помощью генетического алгоритма рассматриваемых нечетких регуляторов FC1 и FC2 параметры ФП изменялись (рис. 3б и рис. 3в), обеспечивая требуемое качество регулирования.

Результаты сравнения работы оптимально настроенных нечетких регуляторов показали следующее. Как и ожидалось, в обоих случаях (для каждого из двух вариантов FC1 и FC2) системы, настроенные генетическим алгоритмом показали лучшие результаты, чем системы, работающие на экспертных

настройках. Установившаяся ошибка 5 в системах, оптимизированных генетическим алгоритмом, примерно в два раза меньше, чем до оптимизации. Время установления t уменьшилось примерно на 10 %.

При варьировании параметров объекта управления сравнивалась работа регуляторов FC1 и FC2 (с разным количеством функций принадлежности для входной переменной e) с целью выбора структуры регулятора. Следует заметить, что, с одной стороны, выбор регулятора с меньшим количеством функций принадлежности (а значит, и с меньшим количеством настраиваемых параметров) предпо-

чтительнее в силу его более простой реализации. Но, с другой стороны, нежелательно значительное ухудшение качества работы САР, особенно снижение точностных показателей.

Результаты модельных исследований нечетких регуляторов представлены в табл. 2 и табл. 3. При варьировании параметров объекта управления сравнивались значения установившейся ошибки 5 и времени установления t, полученные в результате исследования нечетких регуляторов, оптимально настроенных на базовые значения параметров объекта (с помощью ГА). Цветом выделены лучшие результаты. Как видно из таблицы, регулятор FC2 с пятью функциями принадлежности для входной переменной e работает точнее и быстрее, чем регулятор FC1 с тремя функциями принадлежности. Кроме того, важным является то, что регулятор FC2 работает стабильнее, чем FC1, при разных параметрах объекта управления.

Для исследуемых вариантов регуляторов при варьировании параметров объекта управления построены соответствующие графики (рис. 4). На графиках видно, что при значительном изменении параметров объекта управления регулятор FC2 (с пятью ФП для переменной e) обеспечивает более точное регулирование, чем FC1 (с тремя ФП для переменной e). При увеличении постоянной времени или уменьшении коэффициента передачи объекта управления на 70 % установившаяся ошибка уменьшается примерно на 25 %. Также при использовании FC2 в случае увеличения постоянной времени или коэффициента передачи объекта на 70 % время установления сокращается примерно на 10 %.

Анализ результатов позволил определить наиболее предпочтительную структуру регулятора. Сделан вывод, что FC2 работает эффективнее, чем FC1. При выбранной структуре САР значения установившейся ошибки и времени установления наименьшие при изменении параметров объекта управления. Это означает, что увеличение количества функций принадлежности повышает робаст-ность нечеткой САР, то есть нечувствительность к изменению параметров объекта, обусловленных возмущающими воздействиями.

Заключение. В результате проведенного исследования сделан вывод, что предлагаемый метод оптимизации на основе генетического алгоритма эффективен для проектирования нечетких систем регулирования. Кроме того, получено, что увеличение количества функций принадлежности повышает нечувствительность системы к изменению параметров объекта управления, а значит, позволяет обеспечивать высокое качество регулирования

в условиях неопределенности и параметрической нестабильности.

Библиографический список

1. Нечеткая логика - математические основы. URL: http://www.basegroup.ru/library/analysis/fuzzylogic/math/ (дата обращения: 10.09.2017).

2. Кудинов Ю. И., Дорохов И. Н., Пащенко Ф. Ф. Нечеткие регуляторы и системы управления // Проблемы управления. 2004. № 3. С. 24-36.

3. Денисова Л. А. Многокритериальная оптимизация на основе генетических алгоритмов при синтезе систем управления: моногр. Омск: Изд-во ОмГТУ, 2014. 172 с.

4. Денисова Л. А. Синтез систем регулирования с коррекцией задающего воздействия на основе нечеткого логического вывода // Омский научный вестник. 2009. № 1 (77). С. 184-191.

5. Карабцов Р. Д., Денисова Л. А. Оптимизация нечёткой системы регулирования // Информационные технологии и автоматизация управления: материалы VIII Всерос. науч.-практ. конф. Омск: Изд-во ОмГТУ, 2016. С. 84-91.

6. Заде Л. А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных/ интеллектуальных систем / пер. с англ. И. З. Батыршина // Новости искусственного интеллекта. 2001. № 2-3. С. 7-11.

7. Денисова Л. А., Надточий П. Н., Раскин Е. М. Реализация системы регулирования с нечеткой компенсацией статической ошибки в среде автоматизированного проектирования TEPROL // Автоматизация в промышленности. 2012. № 8. С. 33 38.

8. Методы классической и современной теории автоматического управления. В 5 т. Т. 3. Синтез регуляторов систем автоматического управления / Под ред. К. А. Пупкова, Н. Д. Егупова. М.: Изд-во МГТУ им Н. Э. Баумана, 2004. 616 с. ISBN 5-7038-2191-6 (Т. 3), ISBN 5-7038-2194-0.

9. Дьяконов В. В., Круглов В. И. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001. 480 с.

КАРАБцОВ Роман Дмитриевич, аспирант кафедры «Автоматизированные системы обработки информации и управления». Адрес для переписки: [email protected] ДЕниСОВА Людмила Альбертовна, доктор технических наук, доцент (Россия), профессор кафедры «Автоматизированные системы обработки информации и управления».

Нечеткие системы (независимо от того, являются ли они нечеткими моделями или нечеткими контроллерами) (рис. 6) включают два главных компонента:

· Базу знаний (БЗ), в которой хранятся доступные или приобретенные знания о задаче, требующей решения, в форме нечетких правил;

· Механизм инференции, использующий методы нечетких рассуждений, базирующиеся на базе правил и входных сигналах, для получения выходного сигнала системы.

Оба этих компонента должны быть спроектированы так, чтобы построить систему для конкретного приложения:

· БЗ формируют из знаний экспертов или путем обучения с помощью машинных методов;

· Механизм инференции строят путем выбора нечетких операторов для каждого компонента (конъюнкция, импликация, дефаззификация и т.п.).

В ряде случаев операторы также параметризуются и могут быть настроены автоматическими методами.

Рис. 7

Проектирование БЗ затрагивает две подзадачи:

1. Определение базы данных (БД):

· Универсум для переменных;

· Масштабирующие коэффициенты или функции;

· Гранулированность (число лингвистических терм) для каждой переменной;

· Функции принадлежности, описывающие термы.

2. Составление базы правил (БП): формулировка базовых правил.

Как уже отмечено, существуют два различных метода для проектирования базы знаний (БЗ): информация от экспертов и с помощью машинных методов обучения на основе численной информации, полученной с помощью нечеткого моделирования или путем симуляции проектируемой системы управления.

Классификация генетических нечетких систем

С точки зрения оптимизации, чтобы найти соответствующую нечеткую систему, надо ее представить как эквивалентную параметрическую структуру и затем определить значения параметров, обеспечивающих оптимум для конкретной функции приспособленности. Поэтому первый шаг в проектировании ГНЛС решить вопрос о том, какая часть нечеткой системы подлежит оптимизации путем кодирования ее параметров в хромосомы. В этом разделе мы представим классификацию ГНЛС, соответствующую различным частям нечеткой системы, кодируемым с помощью генетической модели.

Обычно методы проектирования ГНЛС разделяют на два процесса, настройка (т.е. адаптация) и обучение . При этом будем исходить из факта, существует или нет исходная БЗ, включая БД и БП. Тогда в рамках ГНЛС мы вводим следующее деление.

· Генетическая настройка. Если существует БЗ, мы применяем процесс генетической настройки для улучшения свойств нечеткой системы, но не изменяем БП. Т.е. мы настраиваем параметры НЛС с целью улучшения ее свойств, сохраняя неизменной БП.

· Генетическое обучение. Вторая возможность обучать компоненты БП, к которым можно отнести адаптацию механизма инференции. Т.е. мы затрагиваем обучение компонентов БП, наряду с другими компонентами НЛС.

1) Генетическая настройка базы данных. Осуществляется путем определения предварительно вида и параметров масштабирующих функций входа и выхода, а также функций принадлежности, и затем настройки этих параметров и тем самым изменения формы масштабирующих функций и функций принадлежности с помощью ГА (рис. 8).

2) Генетическое обучение базы правил . Генетическое обучение БП предполагает предопределенное множество функций принадлежности в БД, к которым правила обращается посредством лингвистических терм.

Когда рассматривается задача обучения базы правил, открывается широкий диапазон возможностей. Имеется три главных подхода: питтсбургский, мичиганский и итеративный методы обучения. Питтсбургский и мичиганский подходы являются наиболее распространенными методами для обучения правил, разработанные в области ГА. Первый из них характеризуется представлением всего набора (совокупности) правил как генетического кода (хромосомы), «хромосома=набор правил», сохраняя неизменной популяцию кандидатов на роль правил и, используя селекцию, и генетические операторы для создания новых поколений наборов правил. Мичиганский подход рассматривает другую модель, в которой члены популяции являются отдельными правилами, «хромосома=правило» и набор правил представляется всей популяцией. В третьем случае, итеративном методе с помощью хромосом кодируют отдельные правила, и новое правило настраивается и добавляется в набор правил, итеративным способом.

Разработайте и моделируйте системы нечеткой логики

Fuzzy Logic Toolbox™ обеспечивает функции MATLAB ® , приложения и блок Simulink ® для анализа, разработки и симуляции систем на основе нечеткой логики. Руководства по продукту вы через шаги разработки нечетких систем вывода. Функции обеспечиваются для многих общепринятых методик, включая нечеткую кластеризацию и адаптивное нейронечеткое изучение.

Тулбокс позволяет вам поведения сложной системы модели, использующие простые логические правила, и затем реализуйте эти правила в нечеткой системе вывода. Можно использовать его в качестве автономного нечеткого механизма логического вывода. Также можно использовать нечеткие блоки вывода в Simulink и моделировать нечеткие системы во всесторонней модели целой динамической системы.

Начало работы

Изучите основы Fuzzy Logic Toolbox

Нечеткое системное моделирование вывода

Создайте нечеткие системы вывода и нечеткие деревья

Нечеткая системная настройка вывода

Настройте функции принадлежности и правила нечетких систем

Кластеризация данных

Найдите кластеры в данных о вводе/выводе с помощью нечетких c-средних-значений или отнимающей кластеризации

Рассмотрены вопросы проектирования нечетких систем в пакете Fuzzy Logic Toolbox вычислительной среды MATLAB Даны необходимые сведения в области теории нечетких множеств и нечеткой логики. Приведен теоретический материал по проектированию нечетких систем. Изложены теория нечеткой идентификации, методы нечеткой кластеризации и их применение для экстракции нечетких правил, а также метод принятия решений в нечетких условиях на основе слияния целей и ограничений. Рассмотрены авторские расширения пакета для проектирования нечетких классификаторов, построения иерархических нечетких систем, обучения нечетких баз знаний типа Мамдани, а также для логического вывода при нечетких исходных данных. Книга может использоваться как учебное пособие к университетским курсам по интеллектуальным системам, искусственному интеллекту, теории принятия решений и методам идентификации.
Для проектировщиков систем, будет полезна научным сотрудникам, аспирантам и студентам старших курсов, интересующимся применением теории нечетких множеств в управлении, идентификации, обработке сигналов, а также разработчикам интеллектуальных систем поддержки принятия решений в медицине, биологии, социологии, экономике, политике, спорте и в других областях.

Предисловие

Глава 1. Краткий курс теории нечетких множеств
1.1. Исторический экскурс
1.2. Нечеткие множества
1.2.1. Основные термины и определения
1.2.2. Свойства нечетких множеств
1.2.3. Операции над нечеткими множествами
1.2.4. Функции принадлежности
1.3. Нечеткая арифметика
1.4. Нечеткие отношения
1.5. Нечеткая логика
1.5.1. Лингвистические переменные
1.5.2. Нечеткая истинность
1.5.3. Нечеткие логические операции
1.6. Нечеткий логический вывод
1.6.1. Логический вывод
1.6.2. Основы нечеткого логического вывода
1.6.3. Нечеткие базы знаний
1.6.4. Композиционное правило нечеткого вывода Заде
1.6.5. Нечеткий логический вывод Мамдани
1.6.6. Нечеткий логический вывод Сугено
1.6.7. Нечеткий логический вывод по синглтонной базе знаний
1.6.8. Нечеткий логический вывод для задач классификации
1.6.9. Иерархические системы нечеткого логического вывода
1.6.10. Нейро-нечеткие сети

Глава 2. Теория проектирование нечетких систем
2.1. Идентификация нелинейных зависимостей нечеткими базами знаний
2.1.1. Настройка нечеткой базы знаний Мамдани
2.1.2. Настройка нечеткой базы знаний Сугено
2.1.3. Настройка нечеткой базы знаний для задач классификации
2.2. Нечеткая кластеризация
2.2.1. Введение в кластеризацию
2.2.2. Кластеризация алгоритмами с-средних
2.2.2.1. Четкая кластеризация алгоритмом с-средних
2.2.2.2. Базовый алгоритм нечетких с-средних
2.2.2.3. Обобщения алгоритма нечетких с-средних
2.2.3. Кластеризация горным алгоритмом
2.2.4. Синтез нечетких правил по результатам кластеризации
2.3. Принятие решений в нечетких условиях по схеме Беллмана-Заде
2.3.1. Нечеткие цели, ограничения и решения
2.3.2. Нечеткий многокритериальный анализ вариантов
2.3.3. Нечеткий многокритериальный анализ бренд-проектов
2.3.4. «Что - если». Анализ вариантов

Глава 3. Пакет Fuzzy Logic Toolbox
3.1. Структура и возможности пакета
3.2. Быстрый старт
3.2.1. Разработка нечеткой системы типа Мамдани
3.2.2. Разработка нечеткой системы типа Сугено на основе экспертных знаний
3.2.3. Экстракция из данных нечеткой системы Сугено с помощью ANFIS-редактора
3.2.4. Экстракция нечеткой системы в режиме командной строки
3.3. GUI-модули
3.3.1. Fuzzy Inference System Editor
3.3.1.1. Меню File
3.3.1.2. Меню Edit
3.3.1.3. Меню View
3.3.1.4. Меню And method, Or method, Implication и Aggregation
3.3.1.5. Меню Defuzzification
3.3.2. Membership Function Editor
3.3.3. Rule Editor
3.3.3.1. Меню Edit
3.3.3.2. Меню Options
3.3.4. ANFIS Editor
3.3.4.1. Меню Edit
3.3.4.2. Область визуализации
3.3.4.2. Область свойств ANFIS
3.3.4.3. Область загрузки данных
3.3.4.4. Область генерирования исходной системы нечеткого вывода
3.3.4.5. Области обучения, тестирования и вывода текущей информации
3.3.5. Rule Viewer
3.3.6. Surface Viewer
3.3.6.1. Меню Options
3.3.6.2. Меню координатных осей
3.3.6.3. Поля ввода информации
3.3.7. Findcluster
3.3.7.1. Область визуализации
3.3.7.2. Область загрузки данных
3.3.7.3. Область кластеризации
3.4. Демо-примеры
3.4.1. Запуск основных демо-примеров
3.4.2. Предсказание топливной эффективности автомобиля
3.4.3. Нелинейное шумоподавление
3.4.4. Предсказание временного ряда
3.4.5. Прогнозирование количества автомобильных поездок
3.4.6. Идентификация процесса нагрева воздуха в фене
3.4.7. Жонглирование теннисным шариком
3.4.8. Удержание шарика на коромысле
3.4.9. Парковка грузовика
3.4.10. Регулятор воды в баке
3.4.11. Управление душем
3.4.12. Удержание перевернутого маятника на тележке
3.4.13. Управление рукой робота-манипулятора
3.4.14. Кластеризация алгоритмом нечетких с-средних
3.4.15. Кластеризация ирисов
3.4.16. Методы дефаззификации
3.4.17. Галерея функций принадлежности
3.4.18. Калькулятор чаевых
3.5. Справочник функций пакета Fuzzy Logic Toolbox
3.6. Структуры данных
3.6.1. Структура данных системы нечеткого вывода
3.6.2. Структура файла системы нечеткого вывода
3.6.3. Структуры данных для ANFIS-обучения и кластеризации
3.7. Взаимодействие с другими пакетами
3.7.1. Блоки для пакета Simulink
3.7.2. Си-код машины нечеткого логического вывода

Глава 4. Расширение пакета Fuzzy Logic Toolbox
4.1. Настройка нечетких моделей Мамдани средствами Optimization Toolbox
4.2. Экстракция нечетких моделей Мамдани через нечеткую кластеризацию
4.3. Проектирование нечетких классификаторов
4.4. Нечеткий вывод при нечетких исходных данных
4.5. Проектирование иерархических нечетких систем
4.5.1. Первый способ
4.5.2. Второй способ

Заключение
Литература
Приложение. Интернет-ресурсы по нечетким системам

Основным признаком классификации нечетких систем управления является место нахождения блоков нечеткого логического вывода в системе управления: либо нечеткая система сама формирует управляющие сигналы, либо сигналы с нечеткой системы управляют параметрами традиционной системы управления (например ПИД-контроллером). К последним также относятся системы, с так называемыми, нечеткими комплексными моделями, в которых математическое описание объекта или контроллера представлено ансамблем традиционных моделей (обычно линейных), а переход между данными моделями (либо плавный, либо скачкообразный) происходит посредством сигналов с блоков нечеткого вывода.

Системы управления с нечеткой логикой можно разделить также на неадаптивные и адаптивные. В неадаптивных база знаний после проектирования и настройки системы остается неизменной. В адаптивных база знаний подстраивается в процессе работы в зависимости от складывающейся в процессе управления ситуации.

Независимо от того адаптивной или нет, является нечеткая система управления, основным вопросом при ее проектировании является формирование базы знаний в виде нечетких продукционных правил.

Основным методом здесь является заимствование знаний специалистов по управлению рассматриваемым объектом (в частности, обычно, путем экспертного опроса) К разновидностям данного метода можно отнести автоматическую генерацию нечетких продукционных правил в процессе слежения за действиями человека-оператора.

Некоторым формализующим подспорьем в данном процессе могут служить исследования зависимости нелинейных операторов, реализуемых нечеткими системами, от параметров баз знаний, числа термов нечетких лингвистических переменных, вида функций принадлежности, алгоритма нечеткого вывода и т.п.

Часто проще в начале получить нечеткую (лингвистическую) модель объекта управления, а затем уже по ней формировать нечеткую модель управления. В этой связи следует отметить следующие работы. В публикации описан синтез нечеткой системы управления по модели объекта первого порядка, однако обобщить данный метод на объекты произвольного порядка достаточно сложно. В работе рассматривается лингвистический синтез регулятора по заданным лингвистическим моделям объекта и замкнутой системы. Синтез производится исходя из предположения, что сигналы в системе суть лингвистические переменные, принимающие значения на конечном множестве нечетких переменных. В работе на основе лингвистического описания объекта управления синтезируется лингвистическое описание контроллера обратной связи, таким образом, чтобы выполнялось достаточное условие устойчивости системы согласно второму методу Ляпунова с функцией в виде квадратичной формы. При таком подходе из поля зрения выпадает влияние функций принадлежности отдельных термов, алгоритма нечеткого вывода, вид приведения к четкости, поэтому при применении данной методики к системе с четкими сигналами результат будет мало предсказуем.

Другим подходом к синтезу нечеткой системы управления, используя нечеткую модель объекта, является применение методов обратной динамики. В данном методе нечеткая система строится так, чтобы наилучшим образом соответствовать обратному оператору объекта. В работах также рассмотрен синтез нечеткой модели объекта управления на основе вероятностных методов. Как отмечают авторы, совместное применение принципа обратной динамики и вероятностных моделей позволят полностью исключить из синтеза нечетких систем управления субъективную составляющую т.е. полностью формализовать процедуру синтеза. В рассматриваемых работах приводятся примеры синтеза нечетких регуляторов и их сравнение с традиционными, показывающие эффективность предложенных методов. В тоже время, данный метод имеет и существенные недостатки: обратный оператор объекта в общем случае может быть реализован только приближенно, не гарантируются качества полученной нечеткой системы, особенно это проявляется при нестабильности параметров объекта.

Следующим направлением в синтезе является разработка нечетких аналогов методами традиционной теории управления. Так были получены аналоги интеграла свертки, передаточной функции, принципа инвариантности, второго метода Ляпунова и др. Обзор работ по данному направлению приводится в. Следует отметить, что указанные аналоги получены при условии действия в системе нечетких сигналов (отсутствии блоков деффазификации), данное обстоятельство значительно ограничивает применение данных методов.

В целом ряде работ рассматривается синтез нелинейного оптимального закона управления с помощью теории оптимальных систем управления с последующей аппроксимацией полученных операторов нечеткой системой. Приведем несколько примеров. В работе рассматривается аппроксимация характеристик нечетких систем обычными нелинейными функциями и получение для них инвариантной системы, как это делается в традиционной теории управления. В работах оптимальный закон управления синтезируется на основе теории аналитического конструирования регуляторов (АКОР) и затем аппроксимируется нечеткой системой. В работах рассматривается система, в которой производится автоматическая динамическая коррекция параметров ПИД - регулятора сигналами, подаваемыми с систем нечеткого логического вывода, аппроксимирующих нелинейные операторы, полученные используя принцип максимума. К недостаткам данного подхода относится следующее: найти оптимальное управление удается только в простейшем случае, необходимо знать точную модель объекта управления, открытым остается вопрос о том каким образом аппроксимировать полученный оптимальный закон нечеткой системой, отсутствие каких либо гарантий качества синтезированной системы управления при изменении параметров объекта.

Блоки нечеткого логического вывода представляют собой нелинейные звенья системы управления, поэтому логично применить к такой системе методы известные из традиционной нелинейной теории автоматического управления, и на основе результатов анализа выбрать наилучшую структуру и параметры системы. При этом получается гибридная технология сочетающая как качественные принципы синтеза нечетких систем, так и количественные принципы традиционной теории управления .

Наиболее приспособлен для получения аналитических методов алгоритм нечеткого логического вывода Такаги-Сугэно (Takagi-Sugeno), предложенный в работе, этим и объясняется наибольшее количество работ, в которых рассматривается аналитическое исследование систем, использующих указанный алгоритм . В работе предложен критерий устойчивости нечетких систем управления с нечеткой с моделями Сугэно, в которых анализ устойчивости сводится к анализу устойчивости отдельных подсистем. Несмотря на свою простоту, данный метод дает возможность определить лишь небольшую часть истинной области устойчивости. Значительно лучший результат дает применение второго метода Ляпунова. Применение данного метода является наиболее распространенным среди других подходов. Приведем некоторые из современных работ относящиеся к этому направлению.

Интерес представляют работы в которых динамически подстраиваются параметры нечеткого регулятора с целью обеспечить на каждом шаге переходного процесса отрицательность первой разности функции Ляпунова, т.е. выполнения достаточного условия устойчивости системы. Авторы указанных работ относят данную систему к адаптивным.

В работах предложено для исследования нечетких систем применять методы теории абсолютной устойчивости. Дальнейшее развитие данное направление получило в работах, в частности получены зависимости величины сектора нахождения нелинейной зависимости от параметров соответствующей нечеткой системы и развито применение частотных геометрических критериев устойчивости для систем управления с нечеткой логикой. Как известно данные методы анализа при выполнении определенных условий позволяют получить области устойчивости системы не уже чем с помощью второго метода Ляпунова с квадратичной функцией. В работах методы теории абсолютной устойчивости распространены на случай систем управления с многомерными блоками нечеткого логического вывода.

Целым рядом авторов предлагалось для анализа и синтеза систем с нечеткой логикой применять гармоническую линеаризацию (метод гармонического баланса) см., например. Достоинства, этого подхода: простота и логическая прозрачность получаемого условия устойчивости. Однако, и недостатки данного подхода хорошо известны. В отличие от простейших нелинейностей (насыщение, зона нечувствительности, люфт и т.п.) связь между параметрами для системы нечеткого логического вывода и ее гармонически линеаризованной передаточной функцией не может быть выражена в аналитическом виде, либо имеет очень сложный вид; громоздкость решения уравнения гармонического баланса (соизмеримая с затратами на численное моделирование системы); приближенность метода; необходимость выполнения гипотезы фильтра. Поэтому широкого распространения данный подход не получил.

Общими достоинствами методов синтеза нечетких систем управления основанных на аналитических методах исследования нелинейных систем относится гарантия заданных характеристик синтезируемой системы. Недостатки также представляются достаточно очевидными: необходимость иметь достаточно формализованную модель объекта управления, грубость получаемых оценок, применимость только в простейших случаях.

Несмотря на развитие методов синтеза систем управления с нечеткой логикой, основным методом синтеза, как и в первых моделях нечетких регуляторов, по-прежнему остается эмпирический синтез набора нечетких продукционных правил базы знаний и выбор алгоритма нечеткого вывода, с последующей настройкой параметров системы на реальном объекте управления или его модели, путем имитационного моделирования различных режимов работы. Достоинством такого метода является, во-первых, надежность (в смысле гарантированности свойств) получаемой системы, и, во-вторых, применимость при наличии самой общей информации об объекте управления. (Заметим, что при полном отсутствии такой информации нельзя экспертным путем сформировать базу знаний нечеткой системы, и система управления, в какой-то степени, становится подобна нейросетевой.)

Отчетность