Академический Документы
Профессиональный Документы
Культура Документы
5
5
74–115
ИСКУССТВЕННЫЙ
ИНТЕЛЛЕКТ
УДК 658.012.011.56
74
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ 75
дом полезного ресурса [7]. В связи с отмеченными во Введении целью и ожидаемым результатом, ста&
вится следующая задача: разработать КА проектирования самоорганизации робастных БЗ в ИСУ в ре&
альном времени с применением квантовых вычислений. Детально это обсуждается ниже в рамках
этапа 2 проектирования робастных БЗ на основе модели квантового нечеткого вывода (КНВ)). Как
следствие, одной из составных подзадач является создание на базе КА технологии проектирования ро&
бастных БЗ в нечетких регуляторах (НР) для реализации процесса корректировки параметров тради&
ционных пропорциональных интегрально&дифференциальных (ПИД) регуляторов1 в реальном вре&
мени, которая решается в составе указанной общей задачи. Поэтапное решение поставленных задач
приводит, в конечном счете, к повышению уровня робастности структуры ИСУ и надежности функци&
онирования ОУ в условиях риска и нештатных ситуаций.
2. Особенности решения проблемы проектирования робастных БЗ в условиях непредвиденных ситуаций
управления. Рассмотрим кратко некоторые основные особенности проблемы разработки информаци&
онной технологии проектирования ИСУ в условиях риска и непредвиденных ситуаций управления,
которые учитываются при создании КА и этапов процесса проектирования самоорганизующихся ро&
бастных БЗ в разд. 3.
А. Исследованная модель самоорганизации и используемые результаты. В [1] задача проектирования
свойства робастности (как самостоятельного свойства самоорганизации) ИСУ подробно изучена на
основе новых видов интеллектуальных вычислений, таких, как мягкие и квантовые вычисления. Пред&
ложена модель КА самоорганизации ИСУ, базирующаяся на принципах минимума информационной эн&
тропии (в “интеллектуальном” состоянии сигналов управления) и обобщенной термодинамической мере
производства энтропии (в системе “объект управления + регулятор”). Основным результатом применения
процесса самоорганизации является приобретение необходимого уровня робастности и свойства гибкости
(адаптивности) воспроизводимой структуры. Отмечено, что свойство робастности (по своей физиче&
ской природе) выступает составной частью самоорганизации, а требуемый уровень робастности ИСУ
достигается за счет выполнения отмеченного выше принципа минимума производства обобщенной
энтропии. Принцип минимума производства энтропии в ОУ и системе управления [7] служит физиче&
ским принципом оптимального функционирования с минимальным расходом полезной работы и ле&
жит в основе разработки робастной ИСУ. Данное утверждение базируется на том, что для общего слу&
чая управления динамическими объектами оптимальное решение конечной вариационной проблемы
определения максимума полезной работы W эквивалентно, согласно [8], решению конечной вариаци&
онной проблемы нахождения минимума производства энтропии S. Таким образом, исследование усло&
вия максимума функционала max(W ) (где qi , u – обобщенные координаты ОУ и сигнал управления соот&
qi ,u
ветственно) эквивалентно, согласно [7, 9], исследованию ассоциированной проблемы минимума произ&
водства энтропии, т.е. min(S ). Следовательно, в разработанной модели КА используемый принцип
qi ,u
минимума информационной энтропии гарантирует необходимое условие самоорганизации – мини&
мум требуемой исходной информации в сигналах обучения; термодинамический критерий минимума
новой меры обобщенного производства энтропии обеспечивает достаточное условие самоорганиза&
ции – робастность процессов управления с минимальным расходом полезного ресурса.
Б. Прикладные проблемы реализации ИСУ. Важной проблемой в создании и эффективной реализа&
ции ИСУ является разработка методов и алгоритмов повышения надежности и качества управления
исполнительского (нижнего) уровня системы автоматического управления (САУ) в виде традицион&
ного ПИД&регулятора. При этом выполняется принцип “не разрушения исполнительского уровня” [10,
11], что дает возможность наиболее полно использовать существующие промышленные технологиче&
ские процессы. Эффективное применение интеллектуальных вычислений в задачах проектирования
робастного управления показало на практике повышение надежности функционирования ОУ в не&
предвиденных ситуациях управления за счет повышения интеллектуальности нижнего исполнитель&
ского уровня традиционных систем автоматического управления [12–14]. Использование НР совмест&
но с ПИД&регулятором привело к созданию гибридных ИСУ с различными уровнями интеллектуаль&
ности в зависимости от полноты и корректности спроектированной БЗ [2]. Одной из трудностей
разработки ИСУ для непредвиденных ситуаций управления и условий риска остается решение пробле&
мы проектирования соответствующей БЗ, использующей объективные знания о поведении ОУ и не&
четких ПИД&регуляторов. Поэтому одной из сложных и ключевых проблем разработки основы инфор&
мационной технологии проектирования ИСУ для такого широкого класса ОУ является организация
процесса извлечения объективных знаний [11, 15], на базе которого осуществляется конкретизация
этапов проектирования робастных БЗ в непредвиденных ситуациях для исполнительского уровня
.
1 Авторы благодарят рецензента за обсуждение данного вопроса
решения по
Принятие
принципу
Состояние со
Проектирование с предсказанием
ОС
скрытой квантовой
Квантовый алгоритм управления информации
самоорганизацией
Начальное
= (Динамическая эволюция) Проблемно&ориентированная
корреляция состояние
Случайный (классический/квантовый) поиск
Тип корреляции Биосостояния
Естественная Модельные
Уровень 2 самоорганизация описания
ика
Алгоритмический
Уровень 1 Интеллектуальные вычисления инструментарий
Принятие
П АП
подходы: 1) адаптация (обучение, эволюция), в рамках которой система корректирует свое поведение,
чтобы справиться с изменением событий; 2) упреждение (когнитивность), проявляющаяся в том, что
система может “предсказать” изменения ситуации и уточнить свое поведение (это свойство выступает
специальным случаем адаптации и не требует от системы оценки ситуации до ее возникновения); 3)
робастность, состоящая в том, что система способна функционировать и достигать цели при возник&
новении непредвиденных возмущений определенного вида. Данное свойство в природных системах
достигается на основе модульности, вырождения, распределенности или за счет наличия избыточно&
сти. Надежное функционирование естественных самоорганизующихся систем обеспечивается путем
использования их отдельных свойств, комбинации указанных подходов и алгоритмического формиро&
вания комплекса свойств в изменяющихся или непредвиденных условиях. В работе свойство робаст&
ности БЗ достигается путем применения КА проектирования самоорганизации в процессе интеллек&
туального управления, что отражено схематично на рис. 1.
Программно КА встроен в структуру ИСУ для реализации требуемого свойства самоорганизации.
На рис. 1 показаны иерархические уровни процесса проектирования с применением КА, взаимосвязи
и взаимоотношения перечисленных свойств самоорганизации робастных БЗ. Из уровней, представ&
ленных на рис. 1, в [1] подробно рассмотрены уровни 3 (физическая модель и цель процесса управле&
ния самоорганизацией, а также физическая интерпретация основных операторов КА управления са&
как гигантски коррелированные (супер) состояния. Таким образом, отрицательность условной энтро&
пии указывает на наличие запутанных состояний в составной квантовой системе и определяет ниж&
нюю границу их корреляции. Последнее означает, что информация о состоянии составной системы,
не максимальна, а подсистемы имеют более хаотическое поведение, чем составная система [10, с. 87].
Отмеченное свойство используется в модели КНВ при извлечении дополнительной квантовой инфор&
мации из классических сигналов управления. Следовательно, информационный анализ неопределен&
ности в состоянии составной квантовой системы позволяет четко разъяснить наличие необычных (не&
классических) свойств: игнорирование в ней части информации о состоянии подсистемы приводит к уве&
личению квантовой неопределенности. В результате, количества квантовой неопределенности в “части”
(подсистеме) больше, чем в “полной” (составной) квантовой системе. Такой эффект отсутствует в класси&
ческих системах в силу свойств меры информационной энтропии Шеннона. Подобное странное для клас&
сических систем свойство, когда о составной системе имеется полная информация (энтропия равна ну&
лю), а о подсистемах – только часть информации, характеризует способность квантовых систем к са&
моорганизации за счет использования свойства суперкорреляции (квантовой корреляции),
содержащейся в запутанных состояниях. Именно из&за наличия квантовой корреляции у смешанных
составных состояний появилась возможность сформировать чистое состояние. Приведенный резуль&
тат характеризует особое свойство синергетического эффекта, присущего квантовой составной систе&
ме и принципиально отсутствующего в классической системе. Этот факт свидетельствует о глубоком
различии между классическими и квантовыми состояниями. Поэтому избыточное количество инфор&
мации, скрытое в подсистемах, можно извлечь и использовать как дополнительный информационный ре&
сурс. Описанный информационный эффект самоорганизации и выявленные возможности (наличие до&
полнительного количества информации за счет квантовой корреляции) применяются в модели КНВ
при формировании робастного сигнала управления из двух неробастных сигналов с привлечением но&
вых видов квантовой корреляции (см. описание в разд. 5).
3.3. П р и н ц и п ы и э т а п ы п р о е к т и р о в а н и я р о б а с т н ы х Б З. На рис. 2 показана логи&
ческая взаимосвязь принципов и этапов информационной технологии проектирования робастных БЗ
в условиях непредвиденных ситуаций управления (нештатных ситуаций). Введенный в [10, c. 124; 13,
23, 24] принцип проектирования робастных БЗ в общем случае для интегрированных нечетких ИСУ
(ИНИСУ) отражен на рис. 2 и согласован с принципом самоорганизации через отмеченный на рис. 1
термодинамический критерий, алгоритмически поддерживаемый моделью КНВ. Структурно оптими&
затор БЗ (ОБЗ) на мягких вычислениях создает в алгоритме проектирования индивидуальные БЗ, вы&
ходные сигналы продукционных правил (как реакции на ошибку управления) которых кодируются и
рассматриваются как начальные состояния в КА самоорганизации (состояния со скрытой квантовой
информацией на рис. 1, уровень 3). После применения КА самоорганизации осуществляется проекти&
рование робастной БЗ в режиме реального времени. Алгоритмическая и программная поддержка про&
цесса проектирования робастных БЗ подробно изложена в разд. 5 и на конкретном примере проиллю&
стрирована в разд. 7. На уровнях 2 и 3 (рис. 1) проявляется роль и важность модели КНВ, выбора про>
блемно ориентированной корреляции и роль квантовой суперпозиции начальных состояний, содержащих
скрытую квантовую информацию в классических сигналах управления. Отмеченный на рис. 2 блок
ПАП реализует упомянутые особенности процесса проектирования, подробно рассмотренные в
разд. 4.
Обсудим структуру технологии проектирования робастных БЗ на основе оптимизаторов на мягких
(SCOptKBTM) и квантовых (QCOptKBTM) вычислениях (содержательное описание торговой марки оп&
тимизаторов дано в [21]), использующую перечисленные выше особенности КА самоорганизации ро&
бастных БЗ.
3.4. С т р у к т у р а т е х н о л о г и и п р о е к т и р о в а н и я р о б а с т н ы х Б З н а о с н о в е о п &
т и м и з а т о р о в н а м я г к и х и к в а н т о в ы х в ы ч и с л е н и я х. Общая иерархическая структура
и этапы выполнения информационной технологии, встроенной в процесс проектирования ИНИСУ,
для автономных или взаимосвязанных объектов управления различной физической природы (так на&
зываемые port&controlled Hamiltonian systems [11, 23]) показана на рис. 3. Эта технология применяет
интеллектуальные вычисления для проектирования БЗ в НР нижнего исполнительского уровня. Ос&
новную роль в структуре данной технологии играет разработка робастных БЗ на базе соответствующих
оптимизаторов (см. блок “Информационная технология проектирования”, выделенный пунктиром).
Отметим некоторые структурные и функциональные особенности этапов проектирования рис. 3.
На первом этапе технологии проектирования ОБЗ на мягких вычислениях SCOptKBTM осуществля&
ет формирование робастных БЗ для фиксированной обучающей ситуации управления.
На втором этапе с помощью квантового оптимизатора QCOptKBTM реализуется процесс проекти&
рования обобщенной робастной БЗ гибридных нечетких ПИД&регуляторов, функционирующих в не&
предвиденных ситуациях управления.
Информационная технология
проектирования робастных
ИНИСУ
Сложный ОУ
Проектирование Квантовый НР
простых структур НР
для физической
реализации “Мудрое“ управление
“мудрого“ управления
сложными объектами
управления в Принцип самоорганизации
непредвиденных
(внештатных)
ситуациях управления Модели КНВ
“Остроумное“
управление
ОБЗ
Принцип
проектирования
Алгоритм проектирования
Рис. 2. Блок&схема логической взаимосвязи принципов и этапов информационной технологии проектирования ро&
бастных БЗ
Информационная
проектирования
Процесс проектироваия индивидуальных БЗ
технология
Технология проектирования (этап 2), основанная на КНВ
СУ е
Н ани
Ведомые
я И ов
блоки
И
е
Ведущий Проектирование
дл тир
ны
Агрегированный
БЗ уаль
блок индивидуальных
БЗ оек
HP координатор
р
БЗ
ид
П
HP1
ив
НР с интегральной БЗ
нд
HPn
И
Координатор управления
распределением БЗ Индивидуальные
з.с. ε ПИД& U U* Объект (X) БЗ
регулятор управления Ведущий
+ − + +
блок HP Ведомые
m1(t) HP1 блоки
НР с интегральной БЗ
mn(t) HPn
ε U U* (X)
з.с. – задающий сигнал
ПИД1 ОУ1
+ − + +
ПИДn ОУn
Методы и система m1(t) ОУ
проектирования ИНИСУ ПИД mn(t)
Информационная технология
1. Ввод индивидуальных БЗ и ОС проектирования (этап 1)
Информационная
2. Выбор типа корреляции в КНВ технология проектироваиня
(этап 2)
Построение суперпозиции
KHB
KHB
Определение коэффициентов Выбор лучшего типа корреляции.
шкалирования на основе ГА. Само& Выдача выходного сигнала на основе
Выдача выходного сигнала организация коэффициентов шкалирования
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
Самоорганизация робастной структуры
Проблемная ориентация ОУ
⎛ Эволюция процесса⎞
⎝ самоорганизации ⎠ •⎛
Квантовые⎞
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎭
= • ( Тип и вид корреляции )
⎝ вычисления⎠
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
(5.1)
Квантовый случайный поиск Классическая, квантовая, смешанная
⎧ “Строительные” блоки ⎫
⎪ ⎪ ⎛ Воспроизводится заданным или ⎞
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎭
⎨ |Начальное состояние〉 ⎬•⎝ ⎠
,
⎪ ⎪ естественным инструментарием
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
⎩ Биоинспирированные состояния ⎭
где (•) означает применение соответствующего инструментария или операции (действие операторов
справа налево). В результате в общем случае достигается решение классической алгоритмически не&
разрешимой задачи на основе применения эффективных квантовых стратегий принятия решений.
Рассмотрим частный случай (5.1).
5.2. К А у п р а в л е н и я с а м о о р г а н и з а ц и е й з н а н и й. Математическая модель КА самоор&
ганизации знаний в продукционных правилах БЗ гибридного ПИД&регулятора следует из (5.1) как
частный случай КА самоорганизации и имеет следующий вид:
⎝ вычисления⎠
Квантовый случайный поиск
⎛ Проблемная ориентация ОУ ⎞
⎜ ⎟ (5.2)
⎛ Выбор типа и ⎞
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎭
⎧ “Строительные” блоки ⎫
⎪ ⎪ ⎛ Реакция продукционных правил⎞ •
⎝ БЗ в НР на мягких вычислениях⎠
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎭
⎪ |Начальное состояние〉 ⎪
⎨ ⎬• .
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
Модель (5.2) описывает математическую структуру КНВ, разработанную в [10, 22–24]. Поэтому мо&
дель КА в КНВ выступает как частный случай обобщенной модели КА самоорганизации, представлен&
ной на рис. 1 (уровень 3). Рассмотрим в этой связи кратко математические особенности этапов и вы&
числительные аспекты КА (5.2) в модели КНВ для проектирования робастных БЗ на основе синерге&
тического принципа самоорганизации. На первом этапе алгоритма (5.2) с помощью ОБЗ на мягких
вычислениях создаются “строительные” блоки самоорганизации знаний на основе ГА в виде законов
управления коэффициентами усиления нечеткого ПИД&регулятора с привлечением продукционных
правил БЗ. Полученные траектории законов управления интерпретируются как классические состояния –
хаотические пути интеллектуального коллективного движения частиц в “толпе” – с информационным
взаимодействием (swarm intelligence) и обменом информацией. Такое описание является одним из эф&
∫
где ωijk = Ai (e) ⋅ B j (e) ⋅ C k ( e), и “⋅” – символ операции нечеткого умножения;
Этап 4. Создание лингвистических переменных для входных значений (ошибка управления, скорость
ошибки управления, интегральная ошибка управления) НР. С помощью ГА (ГА1) определяется оптималь&
ное число функций принадлежности для каждой входной лингвистической переменной, а также выбира&
ется оптимальная форма представления их функций принадлежности (треугольная, гауссовская и т.д.). В
качестве критерия оптимальности той или иной конфигурации лингвистических переменных использует&
ся максимум совместной информационной энтропии и минимум информации о сигналах в отдельно&
сти. На рис. 7, а показан пример построения лингвистических переменных с помощью ОБЗ на мягких
вычисления. Для описания входных значений ошибки управления ОБЗ с помощью ГА выбрал восемь
функций принадлежности (рис. 7, а).
Этап 5 (создание, оптимизация и настройка БЗ). В разработанном оптимизаторе используются три ГА,
подробно описанные в [15]. На этапе создания БЗ применяется специальный алгоритм отбора наиболее
“робастных правил” в соответствии с принятыми критериями: 1) “суммарный” критерий: выбрать только
_ fs ≥ TL , где TL (threshold level) – заданный
l
те правила, которые удовлетворяют следующему условию: Rtotal
Самосборка
Квантовое III ⎝ 1, P⎠ 1, P
I Выбор 0.8
Нормирование состояние p(x)
состояний Скрытая
(Q&bit) 0.6 квантовая P(x)
KFC2 Вычисление информация
Невзаимосвязанные элементы
0.4
Квантовая
. 2 дополни&
⎛ y 1 ⎞ = P { |1〉 } тельность
. Самоорганизация Вместо этапов ⎝ 1, P⎠ 1, P
(IV)&(V)
. 1. Суперпозиция 0
0.5 0.6 0.7 0.8 0.9 1.0
VI Квантовый
P { | 1〉 } =
алгоритм 1, P
1!!
2>
Гровера = 1 – P { | 0〉 }
Вход max. Амплитуды (Q&Gate) 1, P
0.9
Виртуальное
2. Корреляция вероятности
состояние
состояние
Реальное
3+
V |1〉 |0 〉
можно использовать Закон сохранения вероятности 1, P 1, P
0.6
От
Извлечение
вет
3.Интерференция скрытой Процесс реального
квантовой времени 1.0 ?!
информации
0.8
a б
Функция суперпозиции и вычисление амплитуд вероятностей
Функция распределения вероятности
1.0
0 2
( y 1, P ) = P { |0〉 1, P }
0.8
p(x)
0.6 P(x)
(нормализованные
0.4
значения К)
1 2
( y 1, P ) = P { |1〉 1, P }
0
0.5 0.6 0.7 0.8 0.9 1.0
P { |0〉 1, P } + P { |1〉 1, P } = 1
K сигнал
из FC.pat |1〉 1, P |0〉 1, P
Нормализованный
1.0
состояние состояние
0.8
0.6 Квантовый бит:
0.4 квантовое состояние для kp(ti)
0.2
0 FC1 1 0 1
0 400 800 1200 1600 2000 |k P 〉 = ( y 1, P ⋅ |0〉 1, P + y 1, P ⋅ |1〉 1, P )
ti 2
Рис. 5. Структурная реализация процесса самоорганизации в модели КНВ: а – функциональная структура модели
КНВ; б – интерпретация реализации процесса самоорганизации на основе формирования квантового состояния су&
перпозиции в модели КНВ (этап 4); в – процесс формирования суперпозиции кубита и вычисление амплитуд вероят&
ностей
|0〉 1 1 |0〉
БЗ1
KP ( ti ) H ( 1 + |1〉 1 ) КНВ&алгоритм
|0〉 2 2 ⊗
1
БЗ2
KP ( ti ) H ( |0〉 2 + |1〉 2 )
|0〉 3 2 ⊗
1
БЗ1
KD ( ti ) H ( |0〉 3 + |1〉 3 )
2 ⊗
БЗ2 |0〉 4 1
KD ( ti ) H ( |0〉 4 + |1〉 4 )
Суперпозиция 2
1 ( α |0 0 0 0 〉 + α |0 0 0 1 〉 + α |0 0 1 1 〉 + ... α |1 1 1 1 〉 )
= 1 1 2 3 4 2 1 2 3 4 3 1 2 3 4 n 1 2 3 4
n
2 Реальное состояние Виртуальные состояния
l
(вручную или выбранный автоматически) уровень активации правила. Переменная Rtotal _ fs вычисляется по
следующей формуле:
N
l
Rtotal _ fs = ∑R l
fs (t k ) , и
k =1
R lfs (t k ) = ∏ ⎡⎣μ l
j1(x1(t k )), μ j 2 (x1(t k )),..., μ jn(x n (t k ))⎤
l l
⎦,
где t k – моменты времени,k = 1,..., N , а N равно числу точек в управляющем сигнале; µ ljk (x k ), k = 1,..., n, –
функции принадлежности входных переменных, l & индекс правила в БЗ; символ “Π“ – операция нечеткой
конъюнкции (в частности, может интерпретироваться как произведение); 2) “максимальный” критерий: вы&
брать только те правила, которые удовлетворяют условию max R lfs (t ) ≥ TL. Далее с помощью серии ГА про&
t
исходит оптимизация БЗ и ее настройка. Применение ГА позволяет спроектировать, как следствие,
оптимальную структуру ННС (вид функций принадлежности и их параметры, количество внутренних
слоев и др.), аппроксимирующей обучающий сигнал с требуемой ошибкой. Объединение методологий
стохастического и нечеткого моделирования ИСУ в инструментарии (разработанном авторами [18])
ОБЗ позволило повысить уровень робастности проектируемых БЗ и решать сложные задачи формиро&
вания объективных знаний. Пример построенной с помощью ОБЗ оптимальной БЗ для НР, решающе&
го задачу управления рассматриваемого ОУ (см. разд. 6), показан на рис. 7, б, из которого видно, что
Рис. 7. Проектирование БЗ на основе ОБЗ на мягких вычислениях: а – пример выбора функций принадлежности; б –
пример проектирования оптимальной БЗ
полная структура БЗ для данного НР состоит из 290 304 продукционных правил. Однако, используя этап 5
проектирования, ОБЗ выбрал оптимальную структуру БЗ, состоящую из 105 активных правил, суще&
ственно сократив избыточное количество правил. Моделирование оптимальных сигналов управления
коэффициентами усиления ПИД&регулятора осуществляется в среде MatLab/Simulink со встроенным
блоком ОБЗ SCOptKBTM согласно структурной схеме, представленной на рис. 8. Процедуры необхо&
димых программных действий также приведены на рис. 8. В результате на вход блока КНВ поступают
в реальном времени сигналы управления из спроектированных индивидуальных независимых БЗ на
мягких вычислениях (шаг “Вход” на рис. 5, а) в виде реакции НР на ошибку управления (рис. 8, блок
“Ошибка управления”).
Б. Нормирование сигналов управления. Следующим шагом является процесс нормирования (блок I
на рис. 5, а) полученных сигналов управления в интервале [0,1] путем деления амплитуд траекторий
сигналов управления на максимальные амплитуды (блок m ax K совместно с блоком I на рис. 5, а). На
рис. 9а, б соответственно показаны процесс формирования нормированных сигналов управления и
программная реализация в среде MatLab/Simulink согласно структурной схеме на рис. 8. Вычисление
нормированного сигнала управления пропорциональным коэффициентом усиления K P по схеме на
рис. 9, а осуществляется программным путем. Пример вычисления трех максимальных коэффициентов
усиления K P , K D, K I и формирование файла FC2.pat нормированных сигналов управления от НР2 приве&
ден на рис. 9, б.
В. Определение функции плотности распределения вероятностей и формирование виртуального
квантового состояния. После нормировки сигналов осуществляется формирование квантового состояния в
виде квантовых битов (блок II на рис. 5, а) из текущих значений нормированных сигналов управления. С
этой целью с помощью встроенной в среде MatLab/Simulink операции предварительно определяются
функции плотности распределения вероятностей по представительным выборочным траекториям
сигналов управления, полученным с помощью ОБЗ на мягких вычислениях. Далее путем операции ин&
тегрирования функций плотности распределения вероятностей рассчитываются интегральные функ&
ции распределения вероятностей (блоки Р и II на рис. 5, а). Пример программной реализации форми&
рования дифференциальной и интегральной функций вероятностей в стандартном блоке среды Mat&
Lab/Simulink (рис. 6, шаг 1) содержится на рис. 9, в. На рис. 9, г показан обобщенный процесс
формирования нормированного сигнала управления и соответствующей интегральной функции веро&
ятностей в заданной ситуации обучения. Для текущего реального нормированного состояния сигнала
управления 0 с помощью интегральной функции распределения вероятностей определяется его веро&
ятность P ( 0 ) (промежуточные выкладки (рис. 5, б, в) и подробное описание см. в [10]). Из закона сохра&
нения вероятностей рассчитывается вероятность виртуального состояния 1 нормированного сигнала
управления P ( 1 ) = 1 − P ( 0 ). Используя тот же интегральный закон распределения вероятностей, пу&
тем обратного отображения P ( 1 ) вычисляется значение соответствующего виртуального состояния
сигнала управления (рис. 5, в).
Г. Определение суперпозиции квантового состояния. Полученные таким образом функции распределе&
ния вероятностей позволяют выделить “виртуальные” состояния 1 сигналов управления для формирова&
ния суперпозиции с помощью преобразования Адамара (5.5) из текущего состояния введенных сиг&
налов управления. При этом применяется закон вероятностей типа P ( 0 ) + P ( 1 ) = 1, где P ( 0 ) и
P ( 1 ) – вероятности текущего реального и виртуального состояний сигнала управления соответ&
ственно (рис. 5, в). Суперпозиция двухуровневой квантовой системы “реальное состояние 0 – вир>
туальное состояние 1 ” имеет следующий вид:
Сигналы управления
коэффициентами усиления
++
Объект управления
+
−
ПИД
Ошибка
управления
П р и м е р 2. Так, например, из рис. 5, б следует, что для реального состояния 0 имеем значение
0.92 и вероятность данного значения 0.8. Тогда вероятность виртуального состояния P ( 1 ) =
= 1 − P ( 0 ) = 0.2. Численное значение виртуального состояния равно 0.63, в то время как закон отри&
цания дает значение 1 – 0.92 = 0.08. Приведенный пример показывает принципиальное отличие кван&
товой дополнительности от закона классического логического отрицания.
Д. Выбор вида и типа квантовой корреляции при формировании квантовой суперпозиции. При вы&
боре вида и типа квантовой корреляции между реальными и виртуальными значениями амплитуд сиг&
налов управления коэффициентами усиления необходимо классифицировать сами виды корреляции
в суперпозиции (5.3) в структуре КА (5.2).
П р и м е р 3. Полная, квантовая и классическая корреляции в процессе извлечения скрытой информа>
ции. Процесс оптимального извлечения ценной квантовой информации из классических состояний,
а
maxKHP1
FC2.pat
Нормализация:
norm
K P ( D, I ) = K P ( D, I ) /maxK P ( D, I ) .
Построение гистограмм:
функция Матлаба
46.6525
1.0
0.8
0.6 p(x)
0.4 P(x)
0.2
0
0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00
1.0
0.9
0.8
0.7
0.6
0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
г
Коэффициенты усиления
Ситуация обучения
K = { k P ( t ), k D ( t ), k I ( t ) }
FC1 simulation
with Sim. Model KHP1 maxKHP1, KHP1
HP1 S1
1.0 1.0
0.9 0.8
p(x)
0.8 0.6 P(x)
0.7 0.4
0.6 0.2
0.5 0
0 200 400 600 800 1000 1200 1400 1600 1800 2000 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00
Сигнал коэффицииента усиления Функция распределения
вероятностей
Аналогичная ситуация обучения
maxKHP2, KHP2
HP2 S2
рассмотренный выше в примере 1, базируется на следующих четырех фактах в квантовой теории ин&
формации: 1) существует эффективный КА сжатия данных; 2) в квантовом состоянии присутствует
“сцепленное” представление классической и квантовой информации; 3) полная корреляция в кванто&
вом состоянии представляет собой “смесь” классической и квантовой корреляций; 4) присутствует
скрытая (частично доступная извлечению) классическая корреляция в квантовом состоянии. На рис.
10а, б показаны перечисленные три вида и два типа корреляции. В качестве примера использованы
корреляции между законами управления коэффициентами усиления двух нечетких ПИД&регуляторов.
Для рассматриваемой ситуации возможны три вида квантовой корреляции (содержащих скрытую в
спроектированных БЗ ценную квантовую информацию): пространственная, временная и простран>
ственно>временная. В таблице приведены математические модели для данных типов корреляции для
сигналов управления соответствующими коэффициентами усиления гибридного нечеткого ПИД&ре&
гулятора.
П р и м е ч а н и е 6. Выбор вида корреляции определяется свойствами рассматриваемого ОУ [10,
11]. Так, в [11] многочисленные результаты моделирования сложных нелинейных ОУ показали, что
пространственная корреляция эффективна для проектирования робастных ИСУ глобально динамиче&
ски неустойчивыми ОУ; временная корреляция целесообразна для локально неустойчивых нелиней&
ных ОУ; для нелинейных ОУ с различными в структуре видами динамической неустойчивости (по части
обобщенных координат) может использоваться смешанная пространственно&временная квантовая кор&
реляция. Применение выбранного вида корреляции в сочетании с различными типами (внешними или
внутренними) корреляции между компонентами сигналов управления позволяют расширить ресурс и
увеличить потенциал квантовых корреляций. Данный подход рассмотрен ниже на конкретном приме&
ре. Отношение между полной, классической и квантовой типами корреляции (как меры неопределен&
ности квантового состояния), задается в следующем виде [11]:
Полная неопределенность =
(5.5)
= Классическая часть + Квантовая часть.
Соотношение (5.5) выполняется для замкнутых квантовых состояний при измерении без обмена сооб&
щениями между указанными частями. В открытой системе возможен дополнительно взаимный обмен
сообщениями между активными агентами (расположенными на классических и квантовых уровнях) и
Рис. 9. Процесс нормирования сигналов управления в модели КНВ: а – процедура нормированных сигналов управле&
ния; б – программная реализация процедуры нормирования в среде MatLab/Simulink и вычисления трех максималь&
ных коэффициентов усиления при формировании файла нормированных сигналов управления; в – пример про&
граммной реализации формирования дифференциальной и интегральной функций вероятностей в стандартном блоке
среды MatLab/Simulink; г – обобщенный процесс формирования нормированного сигнала управления и соответству&
ющей интегральной функции вероятностей в заданной ситуации обучения
а
Пространственная Временная Пространственно&временная
корреляция корреляция корреляция
|0〉 P |1〉 P
1 |k P〉 1 |k P〉
|1〉 P
1 |k P〉
|1〉 P t 0 |0〉 P t
0
t1 t2 ..... ti t1 t2 ..... ti
|1〉 D 0 |0〉 P t
1 1 |k D〉
|k D〉 t1 t2 ... ti ..... tj
0 t 0 t
t1 t2 ..... ti |0〉 D t1 t2 ..... ti
FC1
|k P 〉
четырех кубит
Внутренняя
корреляция
корреляция
Внешняя
FC1
KFC1 |k D 〉
FC1
|k I 〉
FC2
|k P 〉
KFC2 FC2
|k D 〉
FC2
|k I 〉
kP kD kI
уровнями самоорганизации [1]. Это означает, что присутствует взаимная (смешанная) корреляция
между реальным и виртуальным состояниями нормированных сигналов управления. Классическая
корреляция в этом случае выступает частным случаем полной квантовой корреляции. При этом пере&
дача сообщений, согласно разд. 5.2, выполняется по квантовым каналам, обеспечивающим организа&
цию передачи суперпозиции сигналов с различными видами корреляции между агентами. Согласно
[11], такие квантовые каналы передачи информации являются специальным классом квантовых корре&
лированных (между входом – выходом) каналов связи, в которых достаточно иметь конечную память и
возможно реализовать новые квантовые стратегии передачи сообщений с простым протоколом связи.
Кодирование сообщений в таких каналах связи с конечной памятью и особенности смешанных кана&
лов связи позволяют эффективно проводить передачу потоков информации через квантовые механиз&
мы извлечения (декодирования) данных. Следовательно, полная корреляция состоит из следующих ча&
стей: классическая (между реальными значениями нормированного сигнала управления); квантовая
(между виртуальными значениями нормированного сигнала управления) и смешанная (между реальны&
ми и виртуальными значениями нормированного сигнала управления). Первые два типа корреляций ис&
следуются в корреляционной теории случайных (классических и квантовых) процессов. При этом ин&
тенсивность квантовой корреляции выше классической корреляции (неравенство Белла).
Третий тип является новым в теории квантовых случайных процессов и отражает эффект интерферен>
ции классической и квантовой корреляций. Такой тип полной корреляции содержит скрытую классиче&
скую корреляцию в квантовых состояниях сформированной суперпозиции квантовых битов и служит
информационным ресурсом для извлечения дополнительной (ненаблюдаемой) ценной квантовой ин&
формации. Таким образом, физически классическая корреляция отвечает за самоорганизацию структу&
ры на макроуровне; квантовая и смешанная корреляции отвечают за микроуровень и передачу информа&
ции с микро& на макроуровни соответственно. С помощью внутренней и внешней типов корреляции
осуществляется обмен информацией и координированное управление между коэффициентами усиле&
ния проектируемого робастного нечеткого ПИД&регулятора. Рассмотрим эффект извлечения скрытой
и приращения дополнительной квантовой информации с точки зрения квантовой теории информа&
ции и его программное формирование в структуру КА самоорганизации БЗ.
П р и м е р 4. Эффект извлечения скрытой квантовой информации. Без потери общности выделим
простую ситуацию одностороннего обмена данными при определенном количестве скрытой (нена&
блюдаемой) классической корреляции в квантовом состоянии. Будем интерпретировать процесс об&
мена данными между двумя БЗ (как процесс передачи информации по квантовому каналу связи) в виде
игровой ситуации, допускающей обмен данными между игроками A и B, в пространстве размерности
d = 2 . Согласно законам квантовой механики, с помощью матрицы плотности ρ описывается начальное
n
квантовое состояние, образованное двумя классическими состояниями (БЗ0 и БЗ1). Начальная матрица
ρ рассматривается как стартовый информационный ресурс и распределяется между подсистемами A
(БЗ0) и B (БЗ1) в пространстве размерности d,
d −1 1
ρ= 1 ∑∑
2d k = 0 t = 0
(
( k k ⊗ t t ) A ⊗ U t k k U t† ) B
.
Рис. 11. Программная реализация процесса формирования квантовой суперпозиции и выбора “интеллектуального со&
стояния” в КА: а – формирование и выбор компонент суперпозиции из различных сигналов управления и состояний
(реальных и виртуальных); б – процесс формирования квантовой корреляции (пространственной, внешней и внут&
ренней) между сигналами управления коэффициентами усиления K P и K D от двух БЗ; в – графический интерфейс
пользователя формирования квантовых состояний в суперпозиции и их кодирование; г – алгоритм вычисления про&
странственной корреляции и процесс формирования “интеллектуального” состояния; д – графический интерфейс
пользователя для формирования и вычисления “интеллектуального” квантового состояния по принципу максимума
амплитуды вероятностей; е – алгоритм вычисления амплитуды вероятностей квантового состояния и его реализация
в среде MatLab/Simulink; ж – пример результатов блока измерений квантовых состояний с максимальной амплитудой
вероятностей для трех коэффициентов усиления
а
1 | 0〉 1 Реальное
Индивидуальные БЗ, { |0〉 i, |1〉 i }
|0〉 1
2&х уровневая
KP(0) состояние:
тип нечеткого вывода,
продукционные правила, БД квантовая система i = 1, 2 Виртуальное |1〉
t состояние: 1
0 |1〉 1
t1 t2 ..... ti
из я 1
Реальное
| 0〉 2
й ени
и
н д Реальный |1〉2 состояние:
KD(0)
проектирования
на ве параметр
е з о по
Процесс
и
н г P
Виртуальное |1〉2
че ко H состояние:
вле чес Y& 1 KP(0)
з
И ами O
t
н
|0〉1 0 |0〉 2
ди t1 t2 ..... ti
(1) (0)
KP = KP ⋅ KP
0 t Н 1
( |0〉 + |1〉 )
1 1 2 Q?bits + 1Q?bit
t1 t2 ..... ti Одно
2
Параметры
ОБЗ состояние Измерение
1 Н
1
( |0〉 + |1〉 )
(1) (0) KD(0) 2 2 2
KD = KD ⋅ KD
Неклассическое КНВ
| 0〉 2 состояние Ускоритель
квантовых
1
Гауссовский Другие 0 t ( |0 0 〉 + |0 1 〉 + |1 0 〉 + |1 1 〉 ) вычислений
|1〉 2 2 1 2 1 2 1 2 1 2
шум типы t1 t2 ..... ti
шума Реальные Виртуальные
параметры параметры
Решение:
Виртуальный Квантовая ячейка
параметр Гровера KP, KD: t = ti
б
Формирование квантовых корреляций на основе
двух БЗ
Система { |0〉 i, |1〉 i }
из четырех ия
Индивидуальные БЗ
состояний i = 1, 2, 3, 4 з иц
о
е рп
KP(0) п KP(0)
су
ОБЗ KP =
(1)
KP ⋅
(0)
KP |0〉 1 |0〉 1
в
Амплитуды квантовых состояний
Quantum states Выбранный тип квантовой корреляции:
Квантовые состояния Amplitudes of quantum states
new
(a) KP1, 2 kD1, 2 → K P ( t i ) ⋅ gain P ;
FC0 FC1 new
I → K D ( t i ) ⋅ gain D ;
(b) KD1, 2 K1,
AFC0 AFC1 2
1&KP1_FC0
| 0〉 1 1&A1KP1_FC0
Согласно выбранному типу для случая (а)
2&KD1_FC0 построим следующее квантовое состояние:
3&KI1_FC0 2&A1KD1_FC0
3&A1KI1_FC0
|1〉1 4&KP0_FC0
Кодирование
1 2 1 2
5&KD0_FC0 4&A0KP0_FC0 |K P K P K D K D〉
6&KI0_FC0 5&A0KD0_FC0
7&KP1_FC1 6&A0KI0_FC0
|1〉 2
8&KD1_FC1 7&A1KP1_FC1
9&KI1_FC1 8&A1KD1_FC1 Размерность квантового состояния, n = 4
10&KP0_FC1 9&A1KI1_FC1
|0〉 2
⎛ α 1 | 0 0 0 0〉 + α 2 | 0 0 0 1 〉
11&KD0_FC1 10&A0KP0_FC1
11&A0KD0_FC1
⎞
12&KI0_FC1 ⎜+ … ⎟
12&A0KI0_FC1 ⎜ ⎟
⎝ + α |0 0 1 1〉 + …α |1 1 1 1〉⎠
n–1 n
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎩
Значения, соответствующие состояниям 4
|0> и |1〉 2 = 16 состояний αk = Pk
для НР1 (обозначенного как FC0)
и НР2 (обозначенного как FC1)
г
Внешняя корреляция
FC1 FC2 FC1 FC2
|k P 〉 ⊗ |k P 〉 ⊗ |k D 〉 ⊗ |k D 〉
Квантовое состояние суперпозиции
Классическое
Внутренняя
корреляция
сосотояние
1 ⎛ α ⋅ |0 0 0 0〉 + α ⋅ |0 0 0 1〉 + … + α
= ⋅ |1 1 1 0〉 + α 2n ⋅ |1 1 1 1〉⎞
n⎝ ⎠
1 2 n
2 –1
⎧
⎨
⎩
2
Квантовая Амплитуда
корреляция вероятности
16 состояний (n = 4)
Интерференция
⎧ 0 0 0 2
Оракул
⎪ α 1 = y 1, P ⋅ y 2, P ⋅ y 1, D ⋅ y 1, D
Измерение
max
α k ⋅ |a 1 a 2 a 3 a 4〉 ⎪
⎪ α 2 = y 01, P ⋅ y 02, P ⋅ y 01, D ⋅ y 21, D
⎨
⎪
…
Выбранное
“интеллектуальное“ ⎪
⎪ α 16 = y 11, P ⋅ y 12, P ⋅ y 11, D ⋅ y 11, D
состояние ⎩
Программная реализация
Quantum states
1 2 1 2
|K P K P K D K D〉
|1〉1
4&KP0_FC0 ⎜ … ⎟
⎝ |1111〉⎠
10 5
5&KD0_FC0
6&KI0_FC0
7&KP1_FC1 регистр 0000
|1〉2
8&KD1_FC1
11
9&KI1_FC1
10&KP0_FC1
|0〉 2
11&KD0_FC1 16 состояний
12&KI0_FC1
1 Вероятность состояния
Selector1 Out1
Product
Selector3
1 2 1 2
|K P K P K D K D〉
1 − виртуальное состояние,
0 & реальное состояние
ti, j = 0, 1, ... , 21
− моменты времени
управления
Новая Самоорганизующийся
квантовый НР Реакция на непредвиденную
ошибка ситуацию управления
управления (самосборка)
ции
НР1
Выбор типа квантовой
ганиза
самоор оцесс
Невзаимосвязан& КНВ
ные элементы корреляции
НР2 Проектирование
Пр
самоорганизующейся БЗ
Извлечение в реальном времени
скрытой квантовой
информации
Сигнал
Задающий управления K
(Y) + (X)
сигнал ПИД Объект
регулятор управления
− + +
(интеллектуальность
Робастное динамическое
Нижний уровень
“в малом“)
поведение ОУ
усиления
m(t)
Шум
Время
Непредвиденные ситуации задержки
управления
Такой эффект достигается только за счет использования законов квантовой теории информации в
разработанной структуре КНВ (см. выше краткое описание фактов из квантовой теории информации
и детальное изложение доказательств в [10, 11]). При этом для формирования робастной БЗ в реальном
времени входом для КНВ могут служить сигналы, полученные из индивидуальных БЗ независимо от
применяемого программного инструментария моделирования (или экспериментально зарегистриро&
ванные сигналы обучения). На этапе 2 проектирования с привлечением модели КНВ уже не требуется
формирования новых продукционных правил. Достаточно в реальном времени получить реакцию
продукционных правил в используемых НР на текущую непредвиденную ситуацию управления в виде
выходных сигналов управления коэффициентами управления НР (рис. 12). Примечательно, что в этом
случае для работы модели КНВ знание активированных конкретных продукционных правил в инди&
видуальных БЗ самих НР не требуется [13, 22]. Для реализации процессов моделирования робастных
БЗ в структуре ИСУ, представленной на рис. 12, был разработан интеллектуальный программный ин&
струментарий в среде MatLab/Simulink. Рассмотрим некоторые его особенности.
6.2. П р о г р а м м н а я р е а л и з а ц и я (версия 1.1) м о д е л и К Н В. На рис. 13 отражена реализа&
ция блока квантовой самоорганизации БЗ в среде MatLab/Simulink на основе модели (5.2), используе&
мого в структуре ИСУ на рис. 12. Описание блоков на рис. 13 для процесса формирования входных сиг&
налов в модели КНВ в среде MatLab/Simulink содержится на рис. 14. На рис. 15 представлены блоки
формирования суперпозиции квантовых состояний для вычисления нового коэффициента усиления
пропорциональности K P , измерения максимального значения амплитуды вероятностей (рис. 14) и де&
кодирования результата работы модели КНВ (выполнение этапа 5 алгоритма, описанного на рис. 6).
На рис. 16 приведен программный интерфейс и рабочие окна для работы с моделью КНВ при модели&
ровании ИСУ в виде структуры на рис. 12. Общая схема моделирования робастных ИСУ в среде Mat&
Lab/Simulink показана на рис. 17 (с учетом процедуры вычисления обобщенных нормирующих коэф&
фициентов робастных коэффициентов усиления на основе ГА). Результаты выбора обобщенных нор&
мирующих коэффициентов робастных сигналов управления на основе ГА, используемых ниже в
примере разд. 7, представлены на рис. 18.
Квантовый алгоритм
КНВ
Коэффициенты
усиления НР2
Нечеткий регулятор 2
Рис. 13. Структурная реализация блока квантовой самоорганизации БЗ в среде MatLab/Simulink (первый уровень ин&
тегральной реализации)
|0〉 1
Информация от ОБЗ
Кодирование
Коэффициенты
|0〉 2
усиления
сформированной суперпозиции
Амплитуды вероятностей
квантовые состояния
Текущие значения
Квантовые состояния
сформированной
Из HP2 (FC2)
Рис. 14. Программная реализация блока квантовой самоорганизации БЗ для процесса формирования входных сигна&
лов в модели КНВ в среде MatLab/Simulink (второй уровень поблочной реализации)
Декодирование
n
new 1 2
K P ( t i ) =
n
∑ ( ai ) ⋅ maxK P
2 i=1
Блок декодирования
умножение на
шкалирующий
коэффициент:
new
K P ( t i ) ⋅ gain P
Рис. 15. Программная реализация блоков формирования суперпозиции квантовых состояний для вычисления нового
коэффициента усиления пропорциональности K P , измерения максимального значения амплитуды вероятностей и
декодирования результата работы модели КНВ
а
Индекс БЗ
1, 2, 3 1 , 2, 3
kp ( t ) ⊗ kp ( Δt )
new Выбор по
Тензорное
kp произведение минимуму
энтропии
Новый сигнал
управления
Квантовый ОБЗ
Выбранные БЗ
Функция
плотности
распределения
вероятностей
для каждого
сигнала
коэффициент_шкалы
= max kp ( kd, ki ) ⋅ scaling_factor
Выбор
квантовой
корреляции
Matlab модель
Сигналы управления
от трех НР Программная реализация
Рис. 16. Программный интерфейс и рабочие окна для работы пользователя с моделью КНВ: а – первый внутренний
уровень ОБЗ на квантовых вычислениях; б – второй внутренний уровень ОБЗ на квантовых вычислениях; в – про&
граммная реализация интерфейса пользователя модели КНВ в среде MatLab/Simulink; г – пример моделирования ОУ
в среде MatLab/Simulink (демонстрация результата моделирования системы “каретка – перевернутый маятник”)
Off&line
суперпозиционном
Оптимизация на
пространстве Модель ОУ
КНВ
++
ГА ПИД
−+
Ошибка
управления Параметры оптимизации: коэффициенты шкал в
КНВ
и КНВ (QFC)
50
TS1 on&line; FC1
FC2
max(FC1.simoutK)
QFC gains 111 ans = 99.6094 99.6094 83.2138
0
0 1 2 3 4 5 6 7 8 9 10
Time (S)
100
Kd gain
max(FC2.simoutK)
50 ans = 99.6094 99.6094
99.6094
0
0 1 2 3 4 5 6 7 8 9 10
100 Time (S)
Ki gain
max(QFC.simoutK)
50
ans = 49.8047 47.8470 46.2977
0
0 1 2 3 4 5 6 7 8 9 10
Time (S)
max(FC2.simoutK)/max(gsco.simoutK)
ans = 2.0741 Выбор ГА коэффициентов
max(FC1.simoutK)/max(gsco.simoutK) К на пространстве [0.01; 3]
ans = 1.9643
Рис. 18. Результаты выбора обобщенных нормирующих коэффициентов робастных сигналов управления на основе ГА
θ ⎛ ( u + ξ ( t ) ) + { a 1 z· + a 3 z } – mlθ· sin θ⎞
2
g sin θ + cos θ ⎜ ⎟ – kθ
·· ⎝ mc + m ⎠
θ =
m 4 m cos θ
2
l ⎛ – ⎞
⎝ 3 mc + m ⎠
2l Уравнения движения
Управляющая mc Шум
·2 ··
сила u
ξ(t) u + ξ ( t ) + { – a 1 z· – a 3 z } + ml ( θ sin θ – θ cos θ )
z·· =
mc + m
Параметры модели
Затухание В Коэффициент
mc, кг m, кг l, м упругой силы z
θ z
1.0 1.0 0.5 0.54 0.1 5.0
б
Ограничения на
|u| ≤ 5 управляющую
Модель ОУ
Ограничения
нелинейности
Задержка в датчике
Рис. 19. Динамическая система ОУ “маятник – каретка”: а – модель ОУ “каретка – маятник”; б – модель ОУ
“каретка – маятник” в MatLab
а
Процесс визуализации
Новая БЗ
на основе КНР
КНВ
Проектирование Ситуация&3
в on&line Коэффициенты шлалы
(2.0, 0.6, 0.7) Непредсказуемые
ситуации
Новая БЗ Ситуация&4
взвешенных ВНР
сумм
Объект управления
Тип неустойчивого поведения: 1
локальная неустойчивость,
глобальная неустойчивость,
неустойчивость по части обощенных координат и нелинейные связи.
Случайная структура или параметрические возмущения
Тип описания модели:
математическая модель
физическая модель
слабо структурированная математическая и нечеткая физическая модель
Система измерения:
шум в датчиках, 3
временная задержка съема сигнала, Различные типы структур 5
случайная задержка шума в датчиках традиционных регуляторов
Рис. 20. Тестирование робастности ИСУ в условиях непредвиденных ситуаций управления: а – схема и алгоритм те&
стирования; б – источники непредвиденных ситуаций управления в ИСУ
20 1.0
S1:FC1 HP2 HP1 S1:FC1
0.8 FC2
0 0.6
0.4
−10 Падение маятника
0.2
−20
0 5 10 15 20 25 30 35 40 45 50
0
10 −0.2
5 −0.4 KHB
X: angle
0 −0.6
−5 Самообучение −0.8
−10 −1.0
0 1 4 5 6 7 8 9 10 0 5 10 15 20 25 30 35 40 45 50
Time (S) Time (S)
Самоадаптация Самоорганизация управления
10 100
Integral control error2
Ki gain
8
50
6 S1, on&line; FC1
HP2 FC2
4 HP1 KHB 0 QFI sp
0 1 2 3 4 5 9 10
2 100
0
Ki gain
0 5 10 15 20 25 30 35 40 45 50
50
150
S1:FC1 0
0 1 2 3 4 5 6 7 8 9 10
Integral error2
FC2
100 HP1 QFI sp 100
HP2
Ki gain
50 50
KHB
0 0
0 5 10 15 20 25 30 35 40 45 50 0 1 2 3 4 5 6 7 8 9 10
Time (S) Time (S)
в
Производство энтропии в ОУ и Обобщенное производство энтропии в
в интеллектуальном НР системе “ОУ + НР”
×105
40 10
Entropy prod. of Plant
S1:FC1
9 FC2
30 QFI sp
20 8
S1:FC1
6
0
0 5 10 15 20 25 30 35 40 45 50
5
×104
Entropy prod. of Controller
2.0
4
1.5 3
HP1 HP2
1.0 2
0.5 1
KHB
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Time (S) Time (S)
5 г 0.040
4 Gaussan noise 1
0.035
3
0.030
2
1 0.025
ξ(t), N
0 0.020
−1 0.015
−2
0.010
−3
−4 0.005
−5 0
0 5 10 15 20 25 30 35 40 45 50 −5 0 5
5 д 0.040
@ noise 1
4 0.035
3
0.030
2
1 0.025
ξ(t), N
0 0.020
−1 0.015
−2
0.010
−3
−4 0.005
−5 0
0 5 10 15 20 25 30 35 40 45 50 −5 0 5
T, sec ξ(t), N
Ki gain
S1Jb: FC1
50
10 FC2 S1Jb: on&line, FC1
0 FC2
QFI sp QFI sp
1000 1 2 3 7 8 9 10
X: angle
Ki gain
0 50
0
−10 1000 1 2 3 4 5 6 7 8 9 10
Ki gain
Изменение типа шума
50
−20
0 10 20 30 40 50 60 70 80 90 100 0
0 1 2 3 4 5 6 7 8 9 10
Падение маятника
Движение каретки
10 1.0 S1Jb: FC1
0.8 FC2
QFI sp
0.6
5 @ position 2 0.4
X: angle
0.2
0 0
−0.2
−0.4
−5
−0.6
−0.8
−10 −1.0
0 1 2 3 4 5 6 7 8 9 10 0 10 20 30 40 50 60 70 80 90 100
Time (S)
а
Шум с переменной во времени функцией распределения вероятностей
5
Gaussian&Uniform noise
4
3
2
1
0
−1
−2
−3 Равномерно
Гауссовский шум
−4 распределенный шум
−5
0 10 20 30 40 50 60 70 80 90 100
б
Рис. 22. Результаты моделирования модели ОУ в условиях новой непредвиденной ситуации: а – динамическое пове&
дение ОУ и законы изменения коэффициентов усиления ПИД&регулятора; б – внешний шум с переменной во време&
ни функцией распределения вероятностей (случайные амплитуды шероховатости поверхности движения каретки)
ной практики в части эффективного применения технологии квантовых и мягких вычислений при
проектировании ИСУ. За счет внедрения квантовых эффектов проявляется редукция избыточной ин&
формации в классических законах управления коэффициентами усиления нечеткого ПИД&регулято&
ра. Данный эффект достигается в результате использования новой ценной квантовой информации,
которая извлекается из реакций классических НР на непредвиденную ситуацию управления в реаль&
ном времени с помощью новых видов и типов квантовой корреляции. Созданные в реальном времени
Рис. 21. Результаты моделирования модели ОУ в условиях непредвиденной ситуации: а – динамическое поведение ОУ;
б – динамическая точность управления и законы изменения коэффициентов усиления ПИД&регулятора; в – произ&
водство энтропии в ОУ, в интеллектуальном НР и обобщенная энтропия “ОУ + НР”; г – гауссовский шум; д – рэлеев&
ский шум
СПИСОК ЛИТЕРАТУРЫ
1. Литвинцева Л.В., Ульянов С.В. Интеллектуальные системы управления. I. Квантовые вычисления и алгоритм
самоорганизации // Изв. РАН. ТиСУ. 2009. № 6. С. 69–97.
2. Ulyanov S.V. Self&organized control system // US patent № 6, 411, 944 B1. 2002.
3. Васильев С.Н., Жерлов А.К., Федосов Е.А. и др. Интеллектное управление динамическими системами. М.: Физ&
матгиз, 2000.
4. Макаров И. М., Лохин В. М., Манько С. В. и др. Искусственный интеллект и интеллектуальные системы управ&
ления. М.: Наука, 2006.
5. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика. М.: Радиотехника.
2009.
6. Ponce>Cruz P., Ramirez>Figueroa F.D. Intelligent control systems with Lab VIEW™. Berlin: Springer Verlag, 2010.
7. Ulyanov S.V., Litvintseva L.V., Kurawaki I. et al. Principle of minimum entropy production in applied soft computing
for advanced intelligent robotics and mechatronics // Soft Computing. 2000. V. 4. № 3. Р. 141–146.
8. Sieniutycz S. Hamilton&Jacobi&Bellman framework for optimal control in multistage energy systems // Physics Re&
ports. 2000. V. 326. № 2.
9. Ulyanov S.V., Yamafuji K., Hagiwara T. et al. Computational intelligence for robust control algorithms of complex dy&
namic systems with minimum entropy production. Pt 1: Simulation of entropy&like dynamic behavior and Lyapunov
stability // J. Advanced Computational Intelligence and Intelligent Informatics. 1999. V. 3. № 2. P. 82–98.
10. Литвинцева Л.В., Ульянов С.В., Ульянов С.С. Квантовый нечеткий вывод для создания баз знаний в робастных
интеллектуальных регуляторах // Изв. РАН. ТиСУ. 2007. № 6. С. 71–126.
11. Ulyanov S.V., Litvintseva L.V., Ulyanov S.S. Quantum information and quantum computational intelligence: Applied
quantum soft computing in AI, quantum language and programming in computer science, quantum knowledge self&
organization and intelligent wise robust control (4rd edit.). Milan: Note del Polo (Ricerca), Universita degli Studia di
Milano, 2010. V. 86.
12. Литвинцева Л.В., Ульянов С.В., Ульянов С.С. Проектирование робастных баз знаний нечетких регуляторов для
интеллектуального управления существенно&нелинейными динамическими системами. II // Изв. РАН. Ти&
СУ. 2006. № 5. С. 102–141.
13. Ульянов С.В., Литвинцева Л.В., Сорокин С.В. Робастность баз знаний самоорганизующихся интеллектуальных
регуляторов в непредвиденных ситуациях управления // Нечеткие системы и мягкие вычисления. 2008. № 4.
С. 49–73.
14. Ulyanov S.V., Hagiwara T., Litvintseva L.V. et al. Intelligent mechatronic control suspension system based on quantum
soft computing // US Patent No 0024750 A1. 2004.
15. Ulyanov S.V., Litvintseva L.V. Soft computing optimizer of intelligent control system structures // US Patent
№ 7,219,087 B2.2007.
16. Ulyanov S.V., Litvintseva L.V., Ulyanov S.S. Quantum swarm model of self&organization process based on quantum
fuzzy inference and robust wise control design // Proc. 7 th ICAFS. Siegen, 2006. P. 10–19.
17. Ivancevic V. G., Ivancevic T.T. Quantum neural computation. Tokyo: Springer&Verlag, 2009.
18. Караткевич С.К., Литвинцева Л.В., Ульянов С.В. и др. Оптимизатор баз знаний на основе технологии мягких
вычислений // Свидетельство о государственной регистрации программы для ЭВМ. № 2010612152. 2010.
19. Ulyanov S.V. Method and device for performing a quantum algorithm for simulate a genetic algorithm // US Patent
№ 20080140749 A1. 2008.
20. Ulyanov S.V. System and method for control using quantum soft computing // US Patent No 6,578,018 B1. 2003.
21. Ульянов С.С. Информационные технологии проектирования баз знаний: проблемы создания и защиты ин&
теллектуальной собственности // Программные продукты и системы. 2005. № 2. C. 2–8.
22. Ulyanov S.V. Self&organization of robust intelligent controller using quantum fuzzy inference // Proc. IEEE 2nd Intern.
Conf. ISKE’2008. Xiamen, 2008. V. 1. P. 726–732.
23. Ulyanov I.S., Litvintseva L.V., Ulyanov S.V. Design technology of robust KB for integrated fuzzy intelligent control
based on quantum fuzzy inference: Inverted pendulum as Benchmark of quantum fuzzy control in unpredicted control
situations // Proc. 4th Internat. Conf. ICSCCW’2007. Antalya, Turkey, 2007. P. 219–237.
24. Ulyanov S.V., Litvintseva L.V., Hagiwara T. et al. Design of self&organized intelligent control systems based on quan&
tum fuzzy inference: Intelligent system of systems engineering approach // Proc. IEEE Intern. Conf. SMC'2005. V. 4.
Hawaii, 2005. P. 3835–3840.
25. Strekalov D.V., Kim Y.>Ho, Shih Y. Experimental study of a subsystem in an entangled two&photon state // Physical
Review A. 1999. V. 60. № 4. P. 2685–2688.
26. Shih Y. The physics of 2 ≠ 1 = 1 // LANL E&print arxiv: quant&ph / 0706.2097v2. 2007. 44p. (доступно http:// xxx.
lanl.gov).
27. Moon C. R., Lutz C.P., Manoharan H.C. Single&atom gating of quantum state superpositions // Nature Physics. 2008.
V. 4. № 6. P. 454–458.
28. Konig R., Renner R. Sampling of min&entropy relative to quantum knowledge // LANL E&print arxiv: quant&ph /
0712.4291v1. 2007. 48p. (доступно http://xxx. lanl.gov)
29. Xi M., Sun J., Xu W. Parameter optimization of PID controller based on quantum&behaved particle swarm optimiza&
tion algorithm // DCDIS Ser. B: Complex Systems and Applications – Modeling, Control and Simulations. 2007.
V. 14(S2). P. 603–607.
30. Coelho L.S., Nedjah N., Mourelle L.M. Gaussian quantum&behaved particle swarm optimization applied to fuzzy
PID controller design // Studies in Computational Intelligence: Quantum Inspired Intelligent Systems. 2008.
V. 121. P. 1–15.
31. Tao C.W., Taurb J.S., Wang C.M. Fuzzy hierarchical swing&up and sliding position controller for the inverted pendu&
lum–cart system // Fuzzy Sets and Systems. 2008. V. 159. № 2. P. 2763–2784.
32. Wai R.>J., Kuo M.>A., Lee J.>D. Design of cascade adaptive fuzzy sliding&mode control for nonlinear two&axis inverted&
pendulum servomechanism // IEEE Trans. on Fuzzy Systems. 2008. V. 16. № 5. P. 1232–1244.
33. Smith G., Yard J. Quantum communication with zero&capacity channels // Science. 2008. V. 321. № 5897. P. 1812–
1815.
34. Oppenheim J. For quantum information, two wrongs can make a right // Science. 2008. V. 321. № 5897. P. 1783, 1784.