5

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ, 2011, № 2, с.
74–115
ИСКУССТВЕННЫЙ
ИНТЕЛЛЕКТ
УДК 658.012.011.56
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ.

II. ПРОЕКТИРОВАНИЕ САМООРГАНИЗУЮЩИХСЯ РОБАСТНЫХ БАЗ
ЗНАНИЙ В НЕПРЕДВИДЕННЫХ СИТУАЦИЯХ УПРАВЛЕНИЯ
© 2011 г. С. Г. Караткевич, Л. В. Литвинцева, С. В. Ульянов
Москва, ООО “ТЕХНОПАРК Дубна”, ООО “МКГ Квант”,
Дубна, Международный университет природы, общества и человека “Дубна”
Поступила в редакцию 25.04.09 г., после доработки 29.07.10 г.
Разработана информационная технология проектирования робастных баз знаний на основе откры&

того синергетического эффекта их самоорганизации в непредвиденных ситуациях. Используемый в
квантовом алгоритме принцип минимума информационной энтропии гарантирует необходимое
условие самоорганизации – минимум требуемой исходной информации в сигналах обучения; тер&
модинамический критерий минимума новой меры обобщенного производства энтропии обеспечи&
вает достаточное условие самоорганизации – робастность процессов управления. В условиях риска
и непредвиденных ситуациях оптимизация баз знаний по информационно&термодинамическим
критериям с помощью квантового алгоритма самоорганизации обеспечивает инвариантное дости&
жение цели управления в реальном времени с требуемым уровнем робастности интеллектуальной
системы управления. Приведен пример эффективного моделирования самоорганизации робастных
баз знаний в интеллектуальной системе управления динамически неустойчивым существенно&не&
линейным объектом в непредвиденных ситуациях.
Введение. В задачах управления поддержка свойства робастности функционирования сложного

слабо структурированного объекта управления (ОУ) за счет применения интеллектуальных систем
управления (ИСУ) и интеллектуальных вычислений необходима для достижения цели управления в
условиях риска и непредвиденных (или нештатных) ситуаций управления. С алгоритмической точки
зрения эффективное решение актуальной проблемы обеспечения устойчивого функционирования ОУ в
условиях неопределенности и сохранения робастности ИСУ означает, что в используемом алгоритме до&
стижения цели управления выполняются следующие необходимые и достаточные (в общем случае антаго&
нистические) условия [1, 2]: 1) минимум исходной информации о внешней среде (или возмущение, дей&
ствующее на ОУ); 2) минимальный расход обобщенного полезного ресурса в ОУ и ИСУ. Следователь&
но, разработка корректного алгоритма проектирования робастности ИСУ является одной из
актуальных задач современной теории и систем управления; одновременно данная проблема относит&
ся к сложной и слабо исследованной области разработки ИСУ, способных эффективно и надежно
функционировать в условиях риска и непредвиденных ситуаций управления [3–6].
Целью статьи является разработка информационной технологии проектирования робастных баз
знаний (БЗ) с применением квантовых эффектов самоорганизации [1] в условиях непредвиденных си&
туаций управления и риска. Результат разработки заключается в обеспечении гарантированного управ&
ления в непредвиденных (нештатных) ситуациях управления в реальном времени, как следствие приме&
нения квантового алгоритма (КА) управления в структуре самоорганизующейся ИСУ. В настоящей пуб&
ликации (выступающей продолжением [1]) описываются принципы построения, структура и
практическое применение разработанной информационной технологии проектирования робастных БЗ
ИСУ, эффективно и надежно функционирующих в условиях риска и непредвиденных ситуаций управле&
ния на основе модели самоорганизации, разработанной в [1, 2]. Приведен пример эффективного моде&
лирования самоорганизации робастных БЗ в ИСУ динамически неустойчивым (по части обобщенных
координат) существенно&нелинейным ОУ. Модель ОУ усложнена новыми (по отношению ко многим
известным) ограничениями. В частности, модель ОУ содержит в структуре случайные параметриче&
ские возмущения, дискретные ограничения, непредвиденные ситуации управления, что представляет
большую алгоритмическую сложность для эффективного применения традиционных методов опти&
мального управления [3, 4, 6].
1. Постановка задачи. Одна из основных задач современной теории и проектирования систем
управления – построение и внедрение робастных БЗ в структуры ИСУ с целью повышения их способ&
ности к самообучению, самоадаптации, самоорганизации или саморазвитию с минимальным расхо&
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
ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

76 КАРАТКЕВИЧ и др.
иерархической структуры системы управления, учитывающего в продукционных правилах БЗ реаль&

ные физические и информационные ограничения.
В. Предлагаемый метод исследования и результаты. Алгоритмически эффективная реализация про&
цесса самоорганизации робастных БЗ достигается за счет квантового обобщения стратегий нечеткого
логического вывода в виде КНВ [10]. Показано, что в условиях непредвиденных ситуаций управления
используемый КА самоорганизации знаний (БЗ) в КНВ представляет частный случай КА самооргани&
зации, разработанного в [1]. В модели КНВ реализованы возможности процесса извлечения дополни&
тельной квантовой информации, скрытой (и только частично доступной) в корреляционных класси&
ческих состояниях сигналов управления, спроектированных на основе классических методов техноло&
гии мягких вычислений. Модель КНВ рассматривается как новый вид поискового КА на обобщенном
пространстве результатов срабатывания продукционных правил БЗ (в виде выходных сигналов НР). В
реальном времени проектируется как результат обобщенный робастный сигнал управления коэффициен&
тами усиления гибридного нечеткого ПИД&регулятора с глубинным представлением знаний в соответству&
ющей БЗ. Описывается структура и система моделирования робастных БЗ для широко используемого в
промышленности гибридного нечеткого ПИД&регулятора. Особенности практического применения
разработанной информационной технологии проектирования робастных БЗ на основе модели КНВ
рассмотрены на конкретном примере.
П р и м е ч а н и е 1. Центральным моментом эффективного применения технологии процессов из&
влечения, обработки и сжатия ценной информации для формирования активных знаний в виде ро&
бастных БЗ является структурированный случайный поиск (на основе технологии мягких вычисле&
ний) включающий несколько этапов. Этап 1 – формирование конечного множества индивидуальных
БЗ в конкретных ситуациях управления с обучением. Данный этап обобщает традиционные подходы
формирования БЗ на мягких вычислениях в виде применения нечетких нейронных сетей (ННС) и ге&
нетических алгоритмов (ГА), иммунных алгоритмов, алгоритмов оптимизации в кинематике потоков не
сталкивающихся частиц (PSO – particle swarm optimization) и их разновидностей в виде алгоритмов на ос&
нове поведенческих реакций в стаях птиц, стадах животных, колониях муравьев, насекомых и т.п. [11, 16, 17].
Использование в предлагаемом алгоритме квантовых стратегий управления самоорганизацией зна&
ний составляет сущность этапа 2, на котором на основе КНВ формируется робастная БЗ из реакций
спроектированных индивидуальных БЗ на новую непредвиденную ситуацию управления. Этот меха&
низм составляет “know>how” программной поддержки КА проектирования (см. ниже рис. 13) [18–20].
Г. Используемый инструментарий. Решение задачи проектирования основано на возможности по&
вышения робастности БЗ в ИСУ нижнего исполнительского уровня с привлечением нового программ&
ного интеллектуального инструментария (toolkit intelligence) [15, 18, 19]. Робастность в ИСУ достига&
ется, в частности, за счет проектирования робастных БЗ с применением программного инструментария
оптимизаторов на мягких – SCOptKBTM (Soft Computing Optimizer Knowledge Base [15]) и квантовых вычис&
лениях – QCOptKBTM (Quantum Computing Optimizer Knowledge Base [19]). Формирование товарного
знака на модели оптимизаторов БЗ (ОБЗ) описано в [21]. Ранее в [13] показано, что в непредвиденных
ситуациях оптимизация БЗ по информационно&термодинамическим критериям в указанном инстру&
ментарии с помощью КА самоорганизации гарантирует инвариантное достижение цели управления в
реальном времени с требуемым уровнем робастности ИСУ.
Рассмотрим положения разработанной структуры информационной технологии и применения
квантовых эффектов, лежащих в основе свойств самоорганизации. Данные эффекты создают возмож&
ность извлечения дополнительного количества информации (из классических состояний сигналов
управления), используемого при проектировании робастных БЗ.
3. Информационная технология проектирования робастных БЗ на основе КА самоорганизации2. Обсу&
дим предварительно алгоритмические особенности квантовых эффектов, обнаруживающих скрытую
информацию в классических состояниях сигналов управления, физические особенности и интерпре&
тация которых рассмотрены в [1]. Скрытая квантовая информация, извлеченная из классических со&
стояний сигналов управления, используется в КА проектирования для эффективной самоорганизации
робастных БЗ и рассматривается как дополнительный информационный ресурс.
3.1. О с о б е н н о с т и п р о е к т и р о в а н и я с в о й с т в с а м о о р г а н и з а ц и и Б З н а о с н о &
в е к в а н т о в ы х э ф ф е к т о в. В природных системах искомое свойство робастности, как показано
в [1], закодировано в алгоритме воспроизводства процесса самоорганизации. Поэтому такие системы
могут автономно справиться с непредвиденным событием, привлекая различные (но близкие по идее)
2 Предварительное описание структуры информационной технологии проектирования робастных БЗ дано в [13]. В данном
разделе учтены замечания L. Zadeh, T. Fukuda, G.G. Rizzotto и М. Jamshidi и сделанные предложения в процессе обсужде&
ния за круглым столом на Международной конференции ISKE’2008 [22]. Авторы, пользуясь возможностью, благодарят
участников круглого стола за полезные замечания по работе.

Уровень 3 Цель: поддержка оптимального

|Конечное состояние〉 термодинамического соотношения
между устойчивостью, управляемостью
Робастная Робастная самоорганизующаяся и робастностью
БЗ структура
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
Квантовая Само& Исходные

Динам
самоорганизация Действие сборка Действие элементы
Алгоритмический
Уровень 1 Интеллектуальные вычисления инструментарий
Принятие
П АП
КНВ решений и ОБЗ

Применение выбор Применение
свойств
Рис. 1. Иерархическая структура КА проектирования самоорганизации робастных БЗ в ИСУ
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&

моорганизацией БЗ) и 2 (динамика эволюционного процесса самоорганизации). Как следует из рис. 1

(см. уровень 3), в общем случае непредвиденных ситуаций управления процесс проектирования оптималь&
ной БЗ с использованием информационно&термодинамических критериев гарантирует инвариантное до&
стижение цели управления с помощью КА самоорганизации в реальном времени с требуемым уровнем ро&
бастности ИСУ. Доказательство существования данного свойства эффективно продемонстрировано в [10]
и в [1] на примере решения задачи оптимального многокритериального управления в непредвиденной си&
туации. Физически отмеченный факт означает, что поддерживается оптимальное термодинамическое со&
отношение между устойчивостью, управляемостью и робастностью (см. [1, рис. 12, а]). Процесс проек&
тирования робастных БЗ (рис. 1) адекватно соответствует упомянутому выше процессу оптимальной
поддержки введенного термодинамического соотношения между отмеченными фундаментальными
качествами управления (thermodynamics control quality trade&off, полученное в [2] как физический кри&
терий самоорганизации). Подчеркнем, что эффект самоорганизации БЗ в ИСУ основан на виртуаль&
ном процессе извлечения дополнительной (скрытой) квантовой информации из реакции (на непред&
виденную ситуацию) классических сигналов управления на выходе БЗ, спроектированных в условиях
обучения [12], и физически реализуется программным инструментарием. Программно&аппаратная
поддержка (ПАП) показана на рис. 1 (уровень 1). В связи с этим поясним информационные свойства
и логические особенности формирования синергетического эффекта самоорганизации, открытого в
[1, 10, 16, 22], и используемые в программном инструментарии QCOptKBTM [11, 13, 20, 23, 24].
3.2. И н ф о р м а ц и о н н ы е п р о ц е с с ы ф о р м и р о в а н и я с и н е р г е т и ч е с к о г о э ф &
ф е к т а с а м о о р г а н и з а ц и и. Информационный синергетический эффект самоорганизации зна&
ний заключается в приобретении системой требуемого свойства робастности за счет информационно&
го (а не прямого физического) взаимодействия не робастных БЗ, т.е. появления нового качества в объ&
единенной системе, отсутствующего во взаимодействующих подсистемах, которые составляют единое
целое. Данный эффект реализуется процессом переноса информации и является следствием форми&
рования виртуальных каналов передачи квантовой информации между классическими состояниями
сигналов управления [1, рис. 10]. Отмеченное свойство присутствует во многих квантовых системах.
Некоторые из существующих необычных физических явлений, которые включают в себя синергети&
ческий эффект, аналогичный применяемому в данной работе, рассмотрены в [11, 25–27]. В частности,
работа [11] содержит обсуждение познавательного сопутствующего примера: две подсистемы, каждая
из которых отдельно находится в смешанном хаотическом состоянии (и с отличной от нуля макси&
мальной энтропией), при слиянии в единую систему образуют чистое (с нулевой энтропией) состоя&
ние, обладающее высшим уровнем порядка (эффект квантовой самоорганизации). При этом количе&
ство информации в целой системе меньше, чем в каждой из ее составляющих подсистем. Взаимная
условная энтропия имеет отрицательное значение. Но классическая подсистема в единой системе
должна находиться по определению в чистом состоянии, а для квантовой подсистемы это требование
выполняется не всегда. Парадокс состоит в том, что энтропия целой системы равна нулю, а энтропии
двух подсистем положительны и имеют максимальное значение 1. Данный факт [10, с. 84; 11] и означа&
ет, что информация, содержащаяся в целой системе, меньше количества информации, присутствующая в
каждой из подсистем. Пояснение физического смысла и особенности отмеченного эффекта, трудно вос&
принимаемого и сложного в интерпретации (с позиции булевой логики), при использовании в разра&
ботке процессов извлечения квантовой информации из классических состояний приведено в [10]. По&
добное специфическое свойство структуры квантовых состояний сформулировал Шредингер следую&
щим образом: “The best possible knowledge of a whole does not necessarily include the best possible knowledge
of all its parts”3. Примечательно, что отмеченный парадокс разрешим за счет еще более странного свой&
ства (с точки зрения теории информации Шеннона) – отрицательного значения условной энтропии.
Эксперимент подтвердил теоретическое утверждение, что две взаимодействующие подсистемы в этом
случае находятся в смешанных состояниях с отличными от нуля энтропиями [25]. В этом случае не&
классические физические свойства нелокальности суперпозиции с квантовой корреляцией между
подсистемами как математического объекта приводят к парадоксу нарушения элементарного арифме&
тического правила в виде: 2 ≠ 1 + 1 [26]. Физическая реализация квантового состояния суперпозиции
в электронной наноструктуре (“квантовом коралле”) с указанным свойством переноса квантовой ин&
формации волновыми функциями подсистем описана в [27] (см. полный анализ в [11, 13]). Измерени&
ем из данных подсистем можно получить только статистические знания. Следовательно, в отличие от
классической теории информации Шеннона квантовая условная энтропия фон Неймана может при&
нимать отрицательные значения, когда рассматриваются запутанные состояния. Этот факт непосред&
ственно связан с квантовой неразделимостью запутанных состояний, а сами они интерпретируются
3 “Лучшее возможное знание о целом не обязательно содержит наилучшее возможное знание обо всех его частях” (Перевод и
дополнение, выделенное курсивом, выполнены авторами).

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
Таким образом, процесс проектирования робастных БЗ состоит из двух взаимосвязанных этапов,

основанных на мягких и квантовых вычислениях соответственно. Функционально, на первом этапе про&
цесса проектирования (см. рис. 1) формируются индивидуальные БЗ для двух (или более) НР для конкрет&
ных ситуаций управления (ситуации обучения). Используется ОБЗ с применением технологии мягких вы&
числений и нечеткого стохастического моделирования. ОБЗ SCOptKBTM был разработан в [12, 15] как
новый инструментарий интеллектуальных расчетов на основе технологии мягких вычислений (пер&
вый этап проектирования), включающий ГА и ННС для реализации процедур оптимизации и обуче&
ния (универсальной робастной аппроксимации) продукционных правил в БЗ соответственно. Инстру&
ментарий применялся для извлечения объективных знаний из динамического поведения слабострук&
турированных моделей сложных ОУ и проектирования робастных БЗ в НР с глубинным
представлением знаний. Подчеркнем, что инструментарий ОБЗ реализует в стохастическом нечетком
моделировании глобальную обратную интеллектуальную связь (новый вид обратной связи [2]), которая
позволяет объективно извлекать и сжимать ценную информацию из динамического поведения ОУ и
используемого типа регулятора. Для гарантированного достижения требуемого уровня робастности и
качества управления в виде функций пригодности ГА вводятся информационный и физический кри&
терии (информационно&термодинамический критерий оптимального распределения физически до&
стижимых уровней устойчивости, управляемости и робастности в ИСУ) [2, 12]. Оптимизация процес&
сов управления с требуемыми уровнями качества и робастности достигается при фиксированном про&
странстве поиска и типе задействованных функций пригодности ГА. Разработанный новый
инструментарий интеллектуальных вычислений является обобщением методологии и методов в [3–6].
Применение принципа самоорганизации на основе квантовых вычислений составляет алгоритмиче&
скую сущность второго этапа для повышения робастности БЗ. Блок&схема проектирования робастных
БЗ на базе принципа самоорганизации ИСУ (с привлечением квантовых эффектов, отмеченных в разд.
3.1 и 3.2) и структура информационных потоков в технологии проектирования приведены на рис. 4, на
котором пояснены также основные цели и содержание этапов технологии проектирования на рис. 3.
Структура и программная поддержка квантового ОБЗ QCOptKBTM рассмотрены ниже в разд. 5. Поясним

Технология проектирования (этап 1), основанная на ОБЗ
Информационная
Процесс проектироваия индивидуальных БЗ
технология
Технология проектирования (этап 2), основанная на КНВ
Квантовый оптимизатор индивидуальных БЗ
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)
Рис. 3. Общая иерархическая структура информационной технологии проектирования робастных БЗ ИНИСУ
некоторые особенности и технические детали реализации технологий интеллектуальных вычислений

в процессах проектировании робастных БЗ, представленных на рис. 3 и 4.
4. Особенности выбора и применения технологий интеллектуальных вычислений в алгоритме проекти?
рования робастных БЗ. Исследования, проведенные в [11, 12], показали существование достаточно ши&
рокой области сохранения робастности индивидуальных БЗ спроектированных на первом этапе на ос&
нове ОБЗ. Внедрение технологии мягких вычислений (ядро которой составляют ГА и ННС) расшири&
ло области эффективного применения НР за счет добавления новых функций в виде обучения и
адаптации. Многочисленные результаты моделирования и практического использования показали [10,
12, 13], что для случайных событий и ситуаций управления с известными функциями плотности распреде&
ления вероятностей возмущений с помощью ОБЗ на мягких вычислениях можно спроектировать робаст&
ные БЗ в НР, которые не теряют свойство робастности во многих непредвиденных ситуациях управления.
Однако при этом, как отмечено в [12, 22, 23], очень трудно разработать глобально “хорошую” и робаст&
ную БЗ в структуре ИСУ. Данное ограничение особенно характерно для непредвиденных ситуаций
управления, когда ОУ функционирует в резко изменяющихся условиях (отказ датчиков или шум в из&
мерительной системе, наличие времени задержки сигналов управления или результатов измерения,
резкое изменение структуры ОУ или его параметров и т.п.). В ряде практических случаев такого рода
условия могут быть предсказаны, но трудно реализовать робастное управление в непредвиденных си&
туациях на основе созданной для конкретной ситуации управления БЗ одного НР (даже на всем мно&
жестве предсказанных случайных ситуаций). Из&за применения случайного поиска, полученные оп&
тимальные решения с применением ГА содержат, как отмечено в разд. 3.2, избыточную информацию,
6 ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Информационная технология
1. Ввод индивидуальных БЗ и ОС проектирования (этап 1)
Информационная
2. Выбор типа корреляции в КНВ технология проектироваиня
(этап 2)
“Пространственная“ “Временная“ “Пространственно&временная“
3. Определение квантовых состояний для возможных корреляций;

Вычисление амплитуд квантовых состояний на основе динамически
построенных гистограмм или на основе ОС
4. Ручной выбор типа корреляции 4. Автоматический выбор типа

корреляции на основе ГА (“entanglement)
Построение суперпозиции
KHB
для выбранной корреляции.

Измерение Построение суперпозиции для текущей
корреляции.
Измерение и оценка ФП.
KHB
Определение коэффициентов Выбор лучшего типа корреляции.
шкалирования на основе ГА. Само& Выдача выходного сигнала на основе
Выдача выходного сигнала организация коэффициентов шкалирования
Рис. 4. Блок&схема проектирования робастных БЗ и структура информационных потоков в технологии проектирова&

ния робастных БЗ на основе принципа самоорганизации ИСУ
а спроектированные с помощью оптимизатора на мягких вычислениях БЗ в НР могут потерять свой&

ство робастности при существенном изменении параметров ОУ и ситуации управления [13].
П р и м е ч а н и е 2. С математической точки зрения отмеченные эффекты и степень их проявления
в технологии мягких вычислений зависят от типов функций пригодности (ФП) и размерности про&
странства поиска ГА, которые выбираются до проведения процедуры поиска решения. Тип ФП опи&
сывает критерий качества процесса управления и может быть определен объективно для конкретной
ситуации управления. Выбор размерности пространства поиска решений в общем случае осуществля&
ется экспертом и поэтому остается в общем случае субъективным процессом. Оба упомянутых фактора
являются строгими ограничениями в процессе многокритериальной оптимизации проектирования
робастных БЗ. С формальной точки зрения, поиск решения задачи многокритериального проектирова&
ния робастных ИСУ для непредвиденных ситуаций управления эквивалентен поиску решения глобальной
задачи оптимизации с разнородными компонентами векторного критерия качества управления. В
этом случае достижение гарантированного уровня робастности в проблеме проектирования БЗ в НР и
выбор соответствующей ФП (качества управления) зависят от характера индивидуальной непредви&
денной ситуации управления. Таким образом, в непредвиденных ситуациях управления имеем дело с
оптимизацией векторной функции качества управления и с изменяющейся размерностью простран&
ства поиска. Следовательно, из&за ограниченного (субъективным выбором) и фиксированного про&
странства поиска привлекаемого ГА применение технологии мягких вычислений к решению сформу&
лированной задачи (достижение глобальной робастности ИСУ в непредвиденных ситуациях управле&
ния) приводит к алгоритмически неразрешимой проблеме: разработке конструктивного поискового
алгоритма процесса проектирования глобально робастных НР (аналог проблемы оценки алгоритмиче&
ской сложности конечных объектов по Колмогорову) на основе технологии мягких вычислений.

П р и м е ч а н и е 3. Решение данной проблемы исследовалось для задачи многокритериальной

(векторной) оптимизации и было получено в [1, 11] с помощью введения КА управления самооргани&
зацией знаний. В этом варианте в качества входа используется конечное число робастных БЗ (спроек&
тированных с помощью ОБЗ на мягких вычислениях при фиксированных условиях ситуаций обучения
и управления) и из реакций данных БЗ (ошибок управления на непредвиденные ситуации управления)
на основе принципа самоорганизации в реальном времени проектируется новая робастная БЗ.
Структура, механизм и соответствующий программный инструментарий реализации процесса
квантовой самоорганизации робастной БЗ были разработаны в [10, 11, 23] с помощью модели КНВ.
Описание физической основы формирования квантовой корреляции, ее роль в механизме самоорга&
низации, а также введение физической интерпретации математической модели соответствующего КА
в конкретной непредвиденной ситуации управления не входили в задачу [10] и поэтому не были пол&
ностью раскрыты на содержательном уровне. Данные вопросы рассмотрены в статье. Согласно рис. 4,
выбор квантовой смешанной корреляции составляет логическую основу проектирования робастных
БЗ. Вид и тип оптимальной квантовой корреляции зависят от физических свойств модели ОУ и сигна&
ла обучения, функционально определяются на этапе 2 после выполнения операция формирования
квантовой суперпозиции в КА из закодированных классических состояний сигналов управления как
выходных сигналов соответствующих БЗ в НР. Выбор осуществляется как оператором [10], так и авто&
матическим (на основе управления квантовыми операторами с помощью ГА [19]) способом. Примене&
ние моделей квантовой корреляции в КНВ гарантирует достижение в реальном времени требуемого
уровня робастности, адаптируя законы управления для непредвиденной ситуации управления [22, 23].
В КА эффективно используются такие квантовые законы, как суперпозиция для расширения простран&
ства возможных решений, квантовый массивный параллелизм процессов вычислений для ускорения
поиска решений и конструктивная квантовая интерференция с целью извлечения искомого решения.
Дополнительно квантовая корреляция рассматривается как новый физический вычислительный ре&
сурс, позволяющий резко увеличить возможности успешного поиска решений алгоритмически нераз&
решимых проблем, ранее не учитываемых в классических вычислениях. Подобный формализм может
быть выражен на языке квантовых состояний или операторных преобразований, но мы интересуемся
также возможностью его адекватного описания средствами логического вывода квантовых состояний
с привлечением эффектов типа КНВ. Речь идет о применении традиционного формального аппарата,
его мощности и выразительности как квантовой системы нечеткого логического вывода.
П р и м е ч а н и е 4. Как отмечалось в [1], одним из основных следствий процесса самоорганизации
является приобретение воспроизводимой или проектируемой структурой свойства робастности и гиб&
кости (адаптивности). Процесс самоорганизации реализуется и программно поддерживается разрабо&
танной в [10] моделью КНВ с использованием методологий квантовых мягких вычислений и систем&
ной инженерии – Intelligent System of Systems Engineering, привлекая синергетический принцип фор&
мирования эффекта самоорганизации, отмеченный в [24]. Решение такого рода проблем может быть
найдено на этапе 2 проектирования (рис. 3) на основе принципа самоорганизации знаний в процессе
функционирования БЗ для НР. В разд. 5 упомянутые операции рассмотрены подробно с позиции
сложности вычислительной и программной поддержки процессов самоорганизации БЗ.
5. Программная поддержка реализации синергетического эффекта самоорганизации БЗ в модели КНВ.
Обсудим особенности КА управления процессом самоорганизации, представленного на рис. 1
(уровни 2 и 3), с точки зрения сложности квантовых вычислений и программной поддержки процессов
управления самоорганизацией знаний.
5.1. О б о б щ е н н а я с т р у к т у р а 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. Структурно
КА управления самоорганизацией (рис. 1) включает все (необходимые и достаточные) действия и опе&
раторы, характеризующие его как принадлежащего к классу поисковых КА [11]. С точки зрения теории
квантовых вычислений и алгоритмов, структура КА содержит ряд особенностей и действий: 1) приго&
товление состояния квантовой суперпозиции; 2) выбор типа квантовой корреляции (при этом опреде&
ление (типа и вида) квантовой корреляции зависит от класса нелинейности ОУ); 3) применение опе&
ратора квантового оракула (модель “черного ящика”); 4) обмен частично извлеченной (скрытой) кван&
товой информацией между компонентами; 5) динамическая эволюция “интеллектуального” квантового
состояния по критерию минимума информационной энтропии; 6) использование квантовой корреляции
как альтернативы классической корреляции, которая рассматривается в качестве дополнительного ресурса
КА; 7) привлечение эффекта квантовых массивных параллельных вычислений; 8) внедрение принципа
усиления амплитуды вероятности искомого решения; 9) применение оператора конструктивной интер&
ференции для извлечения искомого (найденного) решения. Перечисленные эффекты достигаются с
помощью квантовых операторов, задействование которых осуществляется в итеративном режиме в за&
висимости от типа КА. Количество итераций зависит от критериев точности и останова КА. Матема&
тическая модель самоорганизации описывается на качественном уровне в виде следующего КА [11]:
ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011 6*

|Конечное упорядоченное состояние〉 =
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
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:
Законы управления коэффициентами усиления

гибридного нечеткого ПИД&регулятора • ( Выход ) =
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
Самоорганизация робастной структуры БЗ
( Интерференция ) [ max ( Амплитуды вероятностей ) ] ( Суперпозиция ) Квантовые⎞
•⎛
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
⎝ вычисления⎠
Квантовый случайный поиск
⎛ Проблемная ориентация ОУ ⎞
⎜ ⎟ (5.2)
⎛ Выбор типа и ⎞
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎭
⎜ ( Тип и вид корреляции ) ⎟

⎜ ⎟ • ⎜ вида квантовой⎟
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
⎝ ( Внешняя, внутренняя ) • ( Классическая, квантовая, смешанная ) ⎠ ⎜ ⎟

⎝ корреляции ⎠
⎧
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩
Формирование качества и глубины представления знаний
⎧ “Строительные” блоки ⎫
⎪ ⎪ ⎛ Реакция продукционных правил⎞ •
⎝ БЗ в НР на мягких вычислениях⎠
⎫
⎪
⎪
⎪
⎪
⎪
⎪
⎬
⎪
⎪
⎪
⎪
⎪
⎪
⎭
⎪ |Начальное состояние〉 ⎪
⎨ ⎬• .
⎧
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎩
⎪ Состояния выходных сигналов НР ⎪ ⎛ Ошибка управления ⎞

⎪ ⎪ ( Вход ) • ⎝
⎩ на новую ошибку управления ⎭ в непредвиденной ситуации⎠
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&

фективных методов алгоритмизации квантовых моделей коллективного поведения частиц (swarm

method of collective particle behavior) [16]. Проиллюстрируем данный подход на примере.
П р и м е р 1. Рассмотрим без потери общности простой случай двух траекторий законов управле&
ния коэффициентами усиления, принадлежащих множествам (подсистемам) S1 и S2 . Согласно (5.2),
суперпозиция классических состояний сигналов управления на множестве (составной единой систе&
мы) S = S1 ∩ S 2 образует единое квантовое состояние:
ψS = ∑λ j ψ Sj 1 ⊗ ψ Sj 2 , (5.3)
j
где ψ1S1 , ψ S2 1 ,… и ψ1S 2 , ψ 2S2 – ортонормированный вычислительный базис в пространстве состоя&

ний S1 и S2 соответственно. Физически (5.3) выступает как одно состояние, в котором запутанные со&
стояния (entanglement) формируются из процесса движения частиц вдоль классических траекторий
сигналов управления за счет информационного обмена. В [1, рис. 10] показан и подробно объяснен
процесс обмена информацией по квантовым каналам связи между частицами на входных траекториях
Aвх ∈ S1 и Bвх ∈ S2. Состояние ν такого квантового канала связи образует единое квантовое состояние
с медиатором, а частным следом матрицы плотности ν ν (совместно с матрицами плотности источ&
ника А и получателя В) является суперпозиция (5.3) в виде декомпозиции Шмидта в вычислительном
базисе { 0 , 1 } . При этом, согласно законам квантовой теории информации [11], по квантовым кана&
лам связи осуществляется передача суперпозиции сигналов (5.3) с сохранением различных видов кор&
реляции между агентами. В теории квантовых вычислений [11, 17] процесс расчетов начинается с дей&
ствия оператора эволюции U f на “начальное состояние” 00… 0 в виде U f = ⊗ U f (i ) − унитарного обоб&
щенного преобразования Уолша–Адамара, где
⎛ f (i ) − 1 − f (i ) ⎞
U f (i ) = ⎜ ⎟ (5.4)
⎝ 1 − f (i ) f (i ) ⎠
и f (i ) определяет амплитуду вероятности i &го классического состояния в квантовой суперпозиции. В ре&
зультате для (5.2) имеем U f 00… 0 = s f , где s f – состояние суперпозиции из конечного числа клас&
сических состояний. Таким образом, каждый оператор U f (i ) отображает отдельный квантовый бит из
начального состояния в смешанное состояние суперпозиции с заданной вероятностью состояния f (i ).
Геометрической интерпретацией оператора U f (i ) является сфера Блоха с вращением вокруг оси y на
угол
θi = 2arcsin ( f (i )).
С помощью применения преобразования Уолша–Адамара организуется процесс формирования
скрытой (ненаблюдаемой) смешанной корреляции в суперпозиции сигналов из двух классических БЗ
независимых НР. Запутанные состояния (квантовая корреляция) моделируются квантовым оракулом,
который может определить максимальную амплитуду вероятности на множестве соответствующих
классических суперпозиционных состояний.
П р и м е ч а н и е 5. Физическая интерпретация обобщенной модели КА самоорганизации дана в
[1]. Описание физической основы формирования квантовой корреляции, ее роль в механизме самоор&
ганизации и влияние на вид полученной структуры, а также введение содержательной физической ин&
терпретации математической модели соответствующего КА в непредвиденной ситуации управления
кратко рассмотрены в [13, 22, 23]. Поэтому в статье используется разработанный содержательный уро&
вень физической интерпретации основы формирования квантовой корреляции и описание модели
КНВ.
5.3. С т р у к т у р н а я м о д е л ь и э т а п ы в ы ч и с л е н и й К А в К Н В. На рис. 5, а показана
эквивалентная уравнению (5.2) функциональная структура упрощенной модели КНВ. Согласно рис. 4,
в модели (5.2) КА для КНВ реализуются следующие этапы [10, 13, 22]: 1) обрабатываются результаты
нечеткого вывода каждого независимого индивидуального НР; 2) выбирается тип квантовой корреля&
ции; 3) формируется суперпозиция для выбранной квантовой корреляции; 4) извлекается ценная
квантовая информация, скрытая в независимых индивидуальных БЗ (по принципу минимума энтро&
пии в извлеченных квантовых знаниях [28] – максимальной амплитуды вероятностей [10] “интеллек&
туального состояния”) на основе методов квантовой теории информации; 5) в режиме реального вре&
мени проектируется обобщенный выходной робастный сигнал управления на множестве БЗ в виде ре&
акций НР на новую ошибку управления. В этом случае выходной сигнал КНВ в режиме реального

времени представляет оптимальный сигнал управления изменением коэффициентов усиления нечет&

кого ПИД&регулятора, который включает в себя необходимые (наилучшие) качественные характери&
стики выходных сигналов управления каждого из НР, реализуя тем самым принцип самоорганизации.
Качественные особенности синергетического эффекта самоорганизации учитываются в выбранном
типе и виде квантовой корреляции. На рис. 6 показана структура КА модели КНВ соответствующая
структуре блока КНВ на рис. 5, а. Таким образом, модель (5.2) КНВ реализует процесс проектирования
синергетического эффекта самоорганизации БЗ в непредвиденной ситуации управления. Поэтому об&
ласть эффективного функционирования структуры ИСУ может быть существенно расширена за счет
включения такой важной характеристики качества управления, как робастность. Согласно [23], ро&
бастность управляющего сигнала – основа для поддержки надежности и точности эффективного ин&
теллектуального управления в условиях неопределенности информации или слабо формализованного
описания условий функционирования ОУ и/или целей управления.
5.4. А л г о р и т м и ч е с к и е о с о б е н н о с т и э т а п о в К Н В п р и ф о р м и р о в а н и и с а &
м о о р г а н и з а ц и и Б З. Рассмотрим кратко основные этапы и особенности реализации этапов КА в
КНВ.
А. Основные этапы построения БЗ в НР с помощью ОБЗ на мягких вычислениях. На входе модели
КНВ, как следует из рис. 5, а, формируются сигналы управления коэффициентами усиления ПИД&ре&
гулятора в виде реакции продукционных правил БЗ в НР. Индивидуальные независимые БЗ для задан&
ной ситуации обучения проектируются с помощью ОБЗ на мягких вычислениях в режиме off&line в со&
ответствии со следующими этапами.
Этап 1. Определение типовой ситуации обучения (параметры математической модели ОУ; конкре&
тизация внешних шумов, начальных условий, ограничений и времени задержки).
Этап 2. Построение обучающего сигнала (ОС) происходит на основе стохастического моделирова&
ния поведения ОУ в типовой ситуации, проведенного с использованием математической модели ОУ и
ГА с выбранными критерием оптимизации и областью поиска.
Этап 3 (выбор модели нечеткого вывода). Пользователь задает тип нечеткой модели вывода (Сугено,
Мамдани и т.д.), операцию нечеткого “И” (произведение или минимум), число входных и выходных
переменных. В нашем выборе это модель Сугено. Пусть n1, n2, n3 есть количество функций принадлеж&
ности, описывающих ошибку управления е, ее скорость и интеграл, тогда общее число нечетких пра&
вил будет n1 × n2 × n3 . Само нечеткое (продукционное) правило в БЗ выглядит следующим образом: IF e
∫
is A1 and e· is B1 and e is C1 THEN Kp = D111, Kd = E111, Ki = F111, где A1, B1, C1 – функции принадлежности,
описывающие ошибку управления е, ее скорость и интеграл. Конечный результат нечеткого вывода в за&
данной БЗ вычисляется по следующим формулам:
⎛ n1 n2 n3 ⎞ ⎛ n1 n2 n3 ⎞ ⎛ n1 n2 n3 ⎞
⎜
⎜ ∑∑ ∑ ωijk Dijk ⎟
⎟
⎜
⎜ ∑∑ ∑ ωijk E ijk ⎟
⎟
⎜
⎜ ∑∑ ∑ ωijk Fijk ⎟
⎟
K p = ⎝ i = 1n j = 1nk = 1n ⎠; K = ⎝ i = 1 j =1 k = 1
D
⎠; K = ⎝ i =1 j =1 k = 1
I
⎠,
⎛ 1 2 3 ⎞ ⎛ n1 n2 n3 ⎞ ⎛ n1 n2 n3 ⎞
⎜
⎜ ∑∑ ∑ ωijk ⎟
⎟
⎜
⎜∑∑ ∑ ωijk ⎟
⎟
⎜
⎜ ∑∑ ∑ ωijk ⎟
⎟
⎝i =1 j =1k =1 ⎠ ⎝i =1 j =1k =1 ⎠ ⎝i =1 j =1k =1 ⎠
∫
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

Оптимизатор БЗ Нормирование Оптимизатор БЗ на Алгоритмическая интерпретация Физическая интерпретация

на мягких maxK по максимуму P квантовых
вычислениях вычислениях
Квантовое состояние (Q&bit) Несвязанное состояние
Функция Измерение Распределение вероятностей

Выбор типа
распределения корреляции
вероятности 2 1.0
KFC1 ⎛ y 0 ⎞ = P { |0 〉 }
II
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
Декодер Новый 0.6

Выбранное(измеренное)
возможное состояние VI KQFI 0.4 qubit: квантовая суперпозиция kp в ti
0.2
0 400 800 1200 1600 2000 FC1 1 0 1

|k 〉 = ⎛ y ⋅ |0 〉 +y ⋅ |1〉 ⎞
Результат
P 2 ⎝ 1, P 1, P 1, P 1, P⎠
Блок КНВ Шкалирование C = {Cp, CD, CI} ti
Этап II
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
Закон управления Виртуальное Реальное

Kp(d, i) сигнал
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
Шаг 1. Кодирование (нормализация; описание состояний |0> и |1>) и вычисление

амплитуд вероятностей |0> и |1> из гистограмм.
Шаг 2. Применение оператора Адамара для построения состояния суперпозиции.
Шаг 3. Вычисление амплитуд вероятностей в состояния суперпозиции как прототипа
силы квантовой корреляции (запутанные состояния).
Шаг 4 (измерение). Выбрать квантовое состояние с максимальной амплитудой
вероятностей.
Шаг 5 (декодирование). Взять нормализованную норму вектора квантового
состояния: n
Нов 1 〈 a …a a …a 〉 =
1 2
K P ( t i ) =
n
1 n 1 n
n
∑ ( ai ) |a 1 a 2 a 3 a 4〉.
2 2 i=1
Шаг 6. Найти робастные коэффициенты шкал с помощью ГА и функции пригодности.
Шаг 7. Вычислить выходной результат как K new ( t ) ⋅ gaip , K new ( t ) ⋅ gain , K new ( t ) ⋅ gain
P i P D i d I i I
Рис. 6. Структура и этапы КА модели КНВ
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:
1 ( P ( |0〉 ) |0〉 + 1 – P ( |0〉 ) |1〉 ) = квантовый бит.

|ψ〉 =
2
На рис. 5, б функционально отображен вычислительный процесс и формирование квантового бита

в виде квантовой суперпозиции для текущего состояния нормированного сигнала управления коэф&
фициентом усиления нечеткого ПИД&регулятора в структуре ИСУ. При этом скрытая в виртуальном
состоянии квантовая информация и квантовый принцип дополнительности устанавливают новое чис&
ленное значение виртуального состояния, отличающегося от соответствующего значения, определен&
ного законом отрицания булевой логики.

Запустить HP1 c БЗ1 Запустить HP2 c БЗ2

Получить значения simoutK Получить значения simoutK
в заданной типовой ситуации TS1 в заданной типовой ситуации TS2
simoutK = [Kp Kd Ki]

ОБЗ
Сигналы управления
коэффициентами усиления
++
Объект управления
+
−
ПИД
Ошибка
управления
Рис. 8. Структурная схема моделирования оптимальных БЗ и сигналов управления ПИД&регулятора в среде

MatLab/Simulink
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
KHP1 ⎛ k ( t ) = maxK HP1 norm Результаты

• kP ( ti )
⎜ P i P
моделирования
⎜ HP1 norm
⎜ k D ( t i ) = maxK D • kD ( ti ) в On&line
⎜ HP1 norm
⎝ k I ( t i ) = maxK I • kI ( ti )
KHP2 Нормализованные коэффициенты

усиления
1.0
Подобные
операции 0.9
0.8
0.7
0.6
0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
simoutK = [Kp Kd Ki]
FC2.pat
Нормализация:
norm
K P ( D, I ) = K P ( D, I ) /maxK P ( D, I ) .
Max Kp = 99.6 Max Kd = 99.6 Max Ki = 99.6

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
maxK = { maxk P, maxk D, maxk I }

Типы квантовой корреляции

KB 1, KB 2 KB 1, KB 2 new
КНВ на основе пространственной корреляции kP (t i)k D (t i) k P (t i) ⋅ gain P
kD (t i)k I k D (t i) ⋅ gain D
kI (t i)k P (t i) k I (t i) ⋅ gain I
КНВ на основе временной корреляции kP (t i)k P (t i – Δt) k P (t i) ⋅ gain P
kD (t i)k D (t i – Δt) k D (t i) ⋅ gain D
kI (t i)k I (t i – Δt) k I (t i) ⋅ gain I
КНВ на основе пространственно&временной KB 1 KB 1 KB 2 KB 2 new
корреляции k P (t i)k D (t i – Δt)k P (t i – Δt)k D (t i) k P (t i) ⋅ gain P
KB 1 KB 1 KB 2 KB 2 new
k D (t i)k I (t i – Δt)k D (t i – Δt)k I (t i) k D (t i) ⋅ gain D
KB 1 KB 1 KB 2 KB 2 new
k I (t i)k P (t i – Δt)k I (t i – Δt)k P (t i) k I (t i) ⋅ gain I
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
Выбор типа четырех Самосборка On&line

состояний в КНВ процесс III
Внутренняя и внешняя пространственные корреляции

Новые коэффициенты усиления
Квантовое состояние
FC1
|k P 〉
четырех кубит
Внутренняя
корреляция
Внешняя
FC1
KFC1 |k D 〉
FC1
|k I 〉
FC2
|k P 〉
KFC2 FC2
|k D 〉
FC2
|k I 〉
kP kD kI
Рис. 10. Виды (а) и типы (б) корреляции

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
.
Здесь квантовые операторы U 0 = I и U 1 переводят исходный вычислительный базис в объединенный

взаимно несмещенный базис (MUB – mutually unbiased basis) следующего вида: i U 1 k = = 1 d ∀ i, k .
В случае одностороннего обмена данными игрок A имеет полную информацию о состоянии игрока B,
который в свою очередь выбирает состояние k случайным образом из пространства состояний размер&
ности d в двух возможных случайных вычислительных базисах. Информационный ресурс состояния ρ
используется по следующему алгоритму. Игрок A формирует случайную выборку длиной в n&битов и
передает ее игроку B в состояние k или H ⊗n k в зависимости от случайного выбора бита t = 0 или 1.
Здесь, как и ранее, H является преобразованием Адамара. Игрок А посылает бит t игроку В без возмож&
ности наблюдения впоследствии сформированной в состоянии В корреляции. Применение преобра&
зования Адамара и измерение единичного квантового бита достаточно для приготовления состояния
ρ и извлечения в дальнейшем ненаблюдаемой корреляции в новом состоянии ρ ' . Через ρ и ρ ' обозна&
чены состояния до и после проведения операций обмена сообщениями, ρ ' = Λ (ρ) . Начальная корреля&
ция в состоянии ρ – малая величина, и количество информации, содержащееся в нем, определяется
как
(l )
I Cl (ρ) = 1 log d .
2
Количество информации в конечном состоянии после полного измерения M A в одностороннем обме&

не информацией равно I Cl (ρ ') = I Cl(l ) (ρ) = = log d + 1, т.е. количество доступной извлеченной информа&
ции возросло. Этот эффект невозможно описать на классическом уровне, он носит чисто квантовый
характер. При этом состояния, имеющие такое свойство, не обязательно должны быть запутанными,
а соответствующий канал передачи информации может быть реализован с помощью преобразования
Адамара. Поэтому, используя преобразование Адамара (5.4) и эффект квантовой корреляции как фи&
зический носитель передачи сообщений между конечным числом спроектированных БЗ, можно до&
биться увеличения содержащейся информации в исходном квантовом состоянии за счет учета суще&
ствующей скрытой классической корреляции. Приведенные в примерах 1, 3 и 4 эффекты и результаты
учитываются в этапах формирования соответствующей корреляции в суперпозиции реальных и вирту&
альных состояний сигналов управления при работе КА в КНВ. Рассмотрим на примере (из двух корре&
лированных сигналов управления) этапы программной реализации процесса формирования кванто&
вой суперпозиции, рассмотренной в этом разделе (п. Г и Д), за счет применения матрицы Адамара и
операции тензорного произведения.
Е. Программная реализация процесса формирования квантовой суперпозиции и выбора “интел&
лектуального состояния” в КА. На данном этапе формируется структура компонент суперпозиции и
осуществляется выбор вида и типа квантовой корреляции (рис. 5, а, блок III) и соответствующих ком&
понент для используемого типа корреляции из нормированных сигналов управления. Указанные опера&
ции показаны на рис. 11, а–г и отвечают операциям на рис. 6, шаг 2. На рис. 11, а графически наглядно
отражена идея формирования и выбора компонент суперпозиции из различных сигналов управления и
состояний (реальных и виртуальных) в виде кубитов с целью последующего извлечения знаний из динами&
ческого поведения регулятора и ОУ. Процесс формирования квантовой корреляции (пространственной,
внешней и внутренней) между сигналами управления коэффициентами усиления K P и K D от двух БЗ гра&
фически иллюстрируется на рис. 11, б.
П р и м е р 5. Рассмотрим, например, согласно рис. 11, б, следующий тип квантовой корреляции:
{kP1 (t), kD1 (t), kP2 (t ), kD2 (t )} → kPnew (t ), (5.6)
где индексы 1 и 2 указывают принадлежность к соответствующим БЗ. Тогда квантовое состояние
a1a2a3a4 = kP1 (t) kD1 (t) kP2 (t) kD2 (t ) рассматривается как коррелированное (entangled) состояние. Графиче&
ский интерфейс пользователя для формирования квантовых состояний в суперпозиции (5.6) и их ко&
дирование для выбранного типа квантовой корреляции показан на рис. 11, в. Рисунок 11, г содержит
алгоритм вычисления пространственной корреляции (см., рис. 10, б) и процесс формирования “ин&
теллектуального” состояния. На этом же рис. 11, г показаны внутренняя и внешняя корреляции между
сигналами управления коэффициентами усиления двух различных БЗ. Графический интерфейс поль&
зователя для формирования и вычисления “интеллектуального” квантового состояния по принципу
максимума амплитуды вероятностей отражен на рис. 11д. Алгоритм вычисления амплитуды вероятно&
стей квантового состояния и его реализация в среде MatLab/Simulink представлены на рис. 11, е. При&
мер результатов работы блока измерений квантовых состояний с максимальной амплитудой вероятно&
стей для трех коэффициентов усиления приведен на рис. 11ж. Детали процессов вычисления в осталь&
ных блоках КНВ на рис. 5а и 6 носят технический характер и здесь не рассматриваются (см. в [10, 23]).
В результате применения КНВ в структуре ИСУ осуществляется извлечение дополнительной (скры&
той) квантовой информации, а ее использование дает возможность проектировать робастные сигналы
управления в реальном времени из реакций НР на непредвиденные ситуации управления.
П р и м е ч а н и е 7. Такой подход позволяет более полно и глубоко понять решение следующей
трудной и принципиально важной для теории и систем управления проблемы (отмеченной в [1]): опре>
деление роли и влияния квантовых эффектов на повышение уровня робастности проектируемых ИСУ. Эф&
фективное применение квантовых эффектов в КНВ осуществляется за счет извлечения дополнитель&
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)
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〉 1 Квантовая суперпозиция
(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
(1) (0) |1〉 1 t |1〉 1

KD = KD ⋅ KD t1 t2 ..... ti t1 t2 ..... ti
t
KD(0) KD(0)
Гауссовский
шум |0〉 2 |0〉 2
Другие
шумы
|1〉2 |1〉2
t1 t2 ..... ti t t1 t2 ..... ti t
БЗ1 БЗ2 ...
БЗ1 БЗ2
Квантовые знания
БЗ1 БЗ2 БЗ1 БЗ2

{ KP , KP , KD , KD } new
K P ( t i ) ⋅ gain P
{ KD , KD , KI , KI } КНВ1 new
K D ( t i ) ⋅ gain d
{ KI , KI , KP , KP } new
K I ( t i ) ⋅ gain I
КНВ1: прстранственные (внешние и внутренние) корреляции

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
Data Store Data Store Data Store Data Store new

Memory FC0 Memory FC1 Memory FC2 Memory FC3 (c) K1,I 2 KP1, 2 → K I ( t i ) ⋅ gain I
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
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〉
состояния, соответствующие заданной суперпозиции

1 2 1 2
FC0 FC1
|K P K P K D K D〉
Среди всех квантовых состояний выбрать

Data Store Data Store
Memory FC0 Memory FC1
|0000〉
⎛ |0000〉⎞
1&KP1_FC0 ⎜ |0001〉⎟
|0〉 1 2&KD1_FC0 ⎜ ⎟
3&KI1_FC0 ⎜ |0010〉⎟
⎜ ⎟
4
|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
Выбрать состояние 0000 из данных
Результат: регистр [4 10 5 11] используется для выбора

амплитуды состояния 0000 из данных
1 В квантовом состоянии α |a〉 ,

In1
|α|2 = P − вероятность данного состояния;
Selector α = P
1 Вероятность состояния
Selector1 Out1
Product
Selector2 В квантовом состоянии α k ⋅ | a 1 a 2 a 3 a 4〉 ,

αk = p1 ⋅ p2 ⋅ p3 ⋅ p4
Selector3

Пример результатов блока измерений в непредвиденной ситуации управления:
Состояния KP(ti) KD(ti) KI(ti)

с максимальной амплитудой
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
Рис. 11. (Окончание)
ной квантовой информации, скрытой (и только частично доступной) в корреляционных классических

состояниях законов управления, спроектированных только на основе классических методов техноло&
гии мягких вычислений. В результате срабатывает эффект редукции избыточной информации в клас&
сических законах управления коэффициентами усиления ПИД&регулятора. Сам эффект редукции из&
быточной информации достигается за счет внедрения новых видов квантовой корреляции результатов
реакций НР (с заданными БЗ) на непредвиденную ситуацию управления. Оптимальное соотношение
типа и вида квантовой корреляции выполняет важную роль координированного управления коэффи&
циентами усиления нечеткого ПИД&регулятора на нижнем исполнительском уровне ИСУ (см. ниже
рис. 21). Рассмотрим применение КНВ в структуре ИСУ, представленной в [1, рис. 2 и 8].
6. Структурная реализация и программная поддержка процессов моделирования самоорганизации ИСУ.
Структура самоорганизующейся ИСУ, основанной на моделях ОБЗ на мягких вычислениях и КНВ (см.
рис. 5 и математическую модель (5.2)), показана на рис. 12. Упомянутые выше процессы извлечения
скрытой квантовой информации, синергетический эффект самоорганизации БЗ и самоорганизую&
щийся квантовый гибридный НР реализованы в структуре ИСУ и отмечены на рис. 12 соответствую&
щими выносками. Таким образом, на этапе 1 информационной технологии проектирования (рис. 1)
разрабатывается конечное множество БЗ для заданных ситуаций управления (обучение без КНВ) в ре&
жиме off&line на основе ОБЗ на мягких вычислениях (см. рис. 8, и [1]). На этапе 2 применяется модель
КНВ, приведенная на рис. 5, в режиме on&line (рис. 12) и реализуется процесс самоорганизации БЗ по
реакциям НР на непредвиденную ситуацию.
6.1. О с о б е н н о с т и с т р у к т у р ы И С У н а о с н о в е К Н В. Подчеркнем принципиально
важную особенность работы КА (в модели КНВ) в процессе проектирования робастных законов
управления коэффициентами усиления в нечетком ПИД&регуляторе (рис. 12) на основе спроектиро&
ванных индивидуальных БЗ с помощью мягких вычислений. Робастные законы управления, синтези&
руемые моделью КНВ, определяются в режиме самоорганизации знаний на выходных реакциях инди&
видуальных БЗ (с фиксированным набором продукционных правил) для текущей непредвиденной си&
туации управления в виде новых сигналов управления коэффициентами усиления ПИД&регулятора и
реализуют процесс адаптации в реальном времени.

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
Законы управления Реальный физический

“в малом“)
коэффициентами или модель ОУ
поведение ОУ
усиления
m(t)
Шум
Z−1 Измерительная система
Время
Непредвиденные ситуации задержки
Рис. 12. Структура самоорганизующейся ИСУ с ОБЗ на КНВ (on&line)
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.

Нечеткий регулятор 1 Коэффициенты

усиления НР1
Квантовый алгоритм
КНВ
Коэффициенты
усиления НР2
Нечеткий регулятор 2
Блок квантовой самоорганизации БЗ и

управления коэффициентами усиления
гибридного нечеткого ПИД&регулятора
Рис. 13. Структурная реализация блока квантовой самоорганизации БЗ в среде MatLab/Simulink (первый уровень ин&
тегральной реализации)
Текущие значения Данные о всех Данные о всех

K(ti) = [Kp Kd Ki] состояниях для НР1 состояниях для НР2
Из HP1 (FC1)
KHB
|0〉 1
Информация от ОБЗ
Кодирование
Коэффициенты
|0〉 2
усиления
сформированной суперпозиции
Амплитуды вероятностей
квантовые состояния
Текущие значения
Квантовые состояния
сформированной
K(ti) = [Kp Kd Ki]

суперпозиции
Из HP2 (FC2)
Данные о всех Данные о всех амплитудах

состояниях для НР1 состояний для НР2
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)

Суперпозиция квантовых состояний Блок измерения: найти состояние

для вычисления нового значения Kp с максимальной амплитудой
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
П р и м е ч а н и е 8. В данном случае КА в модели КНВ служит физическим прототипом процесса

формирования продукционных правил, который реализует программным путем из независимых ин&
дивидуальных БЗ по схеме на рис. 13 “виртуальную” квантовую робастную БЗ для нечеткого ПИД&ре&
гулятора (для текущей непредвиденной ситуации управления) и является проблемно независимым ин&
струментарием. С точки зрения квантовой теории информации, структура КА в КНВ выполняет одно&
временно функции квантового фильтра. Спроектированные БЗ на этапе 1 состоят из логических
продукционных правил, которые по новой заданной ошибке управления формируют законы измене&
ния коэффициентов усиления в используемых нечетких ПИД&регуляторах. Применение КНВ в этом
случае позволяет извлечь необходимую ценную информацию из реакции двух (или более) БЗ на не&
предвиденную ситуацию управления за счет устранения дополнительной избыточности информации
в законах изменения коэффициентов усиления регуляторов. Выходным сигналом КНВ являются но&
вые законы изменения коэффициентов усиления интеллектуального ПИД&регулятора, обладающие
меньшей алгоритмической сложностью для физической реализации (см. ниже рис. 21, б и 22, а). Дан&
ный подход существенно отличается от квантового метода оптимизации параметров ПИД&регулятора
на основе обобщения PSO&алгоритма [29]. Практическое применение КНВ рассмотрим на специаль&
ном примере, который применяется часто как Benchmark для тестирования и эффективности исполь&
зования интеллектуального инструментария технологии мягких вычислений в НР.
7. Интеллектуальный робастный регулятор в управлении глобально неустойчивым нелинейным ОУ
“каретка – перевернутый маятник”. На рис. 19, а, б показаны расчетная модель (параметры и уравнения
движения ОУ) и система моделирования модели ОУ “каретка – маятник” в среде MatLab/Simulink.
Модель ОУ усилена новыми (по отношению к известным [30–32]) ограничениями, отмеченными на
рис. 19, б и представляет большую сложность для традиционных методов оптимального управления.
Рисунок 20 иллюстрирует методологию тестирования робастности (рис. 20, а) и источники непредви&
денных ситуаций управления (рис. 20, б) для ИСУ на рис. 12. Моделирование процессов самоорганиза&

а
Индекс БЗ
1, 2, 3 1 , 2, 3
kp ( t ) ⊗ kp ( Δt )
new Выбор по
Тензорное
kp произведение минимуму
энтропии
Новый сигнал
Квантовый ОБЗ
Квантовый ОБЗ на основе КНВ

Время_задержки
Δt
= = 20
время_выборки
Выбранные БЗ
Функция
плотности
распределения
для каждого
сигнала
коэффициент_шкалы
= max kp ( kd, ki ) ⋅ scaling_factor
Выбор
квантовой
корреляции
Δt − Время корреляции = t_cor = 0.5 c; Время выборки = 0.025 c;

в
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
Рис. 17. Обобщнная схема моделирования робастных ИСУ в среде MatLab/Simulink
ции осуществлялось на разработанном программном инструментарии технологии интеллектуальных

квантовых и мягких вычислений (рис. 16, г). БЗ для НР&1,2 были предварительно спроектированы с помо&
щью ОБЗ на мягких вычислениях (рис. 7 и 8) с ориентацией на гауссовский и рэлеевский шумы соответ&
ственно (см. ниже рис. 21, г). На рис. 21 отражены результаты моделирования ИСУ на непредвиденную
(физически неоднородную) ситуацию управления: в схеме на рис. 19, б новое время задержки сигнала
датчика равно 0.002 с; внутренний гауссовский шум с амплитудой составляет 0.01; новые начальные
условия ⎡⎣θ 0, θ 0 ⎤⎦ = 13.1 г, [ z 0, z0 ] = [0,0]. Внешний рэлеевский шум уточнялся на стадии обучения и пока&
зан на рис. 21, д.
П р и м е ч а н и е 9. На рис. 21 и ниже приняты следующие обозначения: FC(1,2) соответствует
НР1, НР2, x = θ – угол отклонения маятника от заданного положения, QFIsp & квантовый НР с про>
странственной корреляцией. На рис. 22, а приведены результаты моделирования ИСУ на более слож&
ную непредвиденную (физически неоднородную) ситуацию управления: в схеме на рис. 19, б новое
время задержки сигнала датчика составляет 0.003 с; внутренний гауссовский шум с амплитудой – 0.02;
случайные параметры модели k, a1, a2 определялись в виде
k st = k + gaink ξ(t) = 0.4 + 1ξ(t); a1st = a1 + gaina1ξ(t ) = 0.1 + 0.5ξ(t); a2st = a2 + gaina2 ξ(t ) = 5 + 2ξ(t ),
где ξ(t) – гауссовский белый шум с единичной амплитудой; новые начальные условия ⎡⎣θ 0, θ 0 ⎤⎦ = 13.1 г,
[ z 0, z0 ] = [0,0]. Внешний шум, моделирующий шероховатость поверхности передвижения каретки с
установленным маятником, имел переменную функцию плотности распределения вероятностей
(рис. 22, б). Из результатов моделирования, представленных на рис. 21, 22, следует неожиданный (для
классической логики и методологии проектирования ИСУ) результат: из двух неробастных НР&1,2 с
помощью КНВ в реальном времени может быть спроектирован робастный квантовый НР4. Отметим,
что использовалась оптимальная квантовая пространственная корреляция (рис. 11) между двумя сиг&
налами управления из БЗ нечетких ПИД&регуляторов. Приведенный эффект имеет чисто квантовую
природу и у него нет классического аналога. Из результатов моделирования (рис. 21, в) следует также, что
обобщенное производство энтропии в системе “ОУ + нечеткий ПИД&регулятор” является минималь&
ным и в процессе квантовой самоорганизации в структуре ИСУ достигается требуемый термодинамиче&
4 Описанный синергетический эффект получен также в [33, 34] значительно позже работы [24].

100 Определение максимальных значений

сигнала K для (FC1), HP2(FC2)
Kp gain
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
ский критерий оптимального распределения между устойчивостью, управляемостью и робастностью

(рис. 1). Модели систем управления на основе скользящих режимов с использованием ГА [31, 32] и дру&
гих методов технологии мягких вычислений, оптимизации нечетких ПИД&регуляторов на основе эво&
люционного программирования, дифференциальной эволюции, swarm computational intelligence и т.п.
в условиях непредвиденных ситуаций управления не обладают глобальной робастностью и/или имеют
дополнительно более сложную структуру регулятора (подробный анализ дан в [11]). Преимущества ро&
бастной самоорганизующейся ИСУ описаны также в [13, 22, 23]. Обобщение полученных соотноше&
ний на более широкий класс динамических систем (порт&управляемые гамильтоновы системы) при&
ведено в [11].
П р и м е ч а н и е 10. В статье не затронуты такие важные проблемы, как: 1) оценка необходимого
числа ситуаций обучения для проектирования индивидуальных БЗ, гарантирующих достижение гло&
бальной робастности НР в непредвиденных ситуациях управления; 2) оценка качества управления по
суммарным критериям включающим в себя критерии минимума производства энтропии, минимума
среднеквадратичной ошибки управления, простоты законов управления и др.; 3) робастное управле&
ние существенно&нелинейными ОУ с локальной и глобальной неустойчивостью по части обобщенных
координат; 4) разработка и оценка точности субоптимальных робастных БЗ для НР в ИСУ для слабо
структурированных моделей ОУ; 5) ППА интеллектуальных вычислений и робастных ИСУ. Перечис&
ленные вопросы рассмотрены в отдельной работе авторов и в [11].
Заключение. Полученные результаты позволили продемонстрировать эффективность КА управле&
ния самоорганизацией робастных БЗ в условиях непредвиденных ситуаций управления как нового на&
правления в теории управления. Разработанная программная поддержка реализации квантовых вы&
числений на классических персональных компьютерах открывает новые возможности для инженер&

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
позиция каретки: −1.0 < z < 1.0 [m]

Ограничения: управляющая сила: −5.0 < u < 5.0 [N]
б
Ограничения на
|u| ≤ 5 управляющую
Специальные ограничения (отличия от известных моделей)

силу
KHB
Модель ОУ
Ограничение на Внешний шум

движение каретки
|refz| ≤ 1
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
Описание Сигнал обучения ОБЗ БЗ&1 НР&1

модели ОУ Ситуация&1
Процесс обучения в off&line Ситуация&1
Модель ОУ Сигнал обучения ОБЗ БЗ&2 НР&2 Известные

“каретка& Ситуация&2 ситуации
маятник”
Ситуация&2
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
Выполняется после Без использования

моделирования квантовых операторов Ситуация&5
КНР
Осреднение КПИД Оценка робастности

Процесс регулятора
моделирования Постоянные коэффициенты
усиления
б
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
Внешние случайные возмущения: 2

различные функции распределения
вероятностей,
функции распределения вероятностей, Различные типы 4
зависящие от времени задающего сигнала
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

Движение маятника Движение каретки
20 1.0
S1:FC1 HP2 HP1 S1:FC1
0.8 FC2
Ограничение на перемещение каретки

10 FC2
QFI sp QFI sp
X: angle
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
Интегральные квадратичные ошибки Зоны управления

управления и отклонения маятника коэффициентами усиления
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
Integrated generalized entropy

FC2 7
10 QFI sp
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

Движение маятника Законы управления

коэффициентами усиления
20 100
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

квантовым процессом проектирования законы управления имеют минимальную алгоритмическую

сложность и при физической реализации обладают минимальными потерями полезного ресурса (ми&
нимум производства обобщенной энтропии в системе “ОУ + самоорганизующийся интеллектуальный
регулятор”) для различных (физически неоднородных) классов непредвиденных ситуаций управле&
ния. При этом гарантированное достижение требуемого уровня робастности в непредвиденной ситуа&
ции управления в ряде случаев может существенно зависеть от качества и количества используемых
индивидуальных БЗ [11].
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.

5

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

5

Загружено:

Авторское право:

Доступные форматы

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ, 2011, № 2, с.

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ.

Разработана информационная технология проектирования робастных баз знаний на основе откры&

Введение. В задачах управления поддержка свойства робастности функционирования сложного

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

иерархической структуры системы управления, учитывающего в продукционных правилах БЗ реаль&

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Уровень 3 Цель: поддержка оптимального

Квантовая Само& Исходные

самоорганизация Действие сборка Действие элементы

КНВ решений и ОБЗ

Рис. 1. Иерархическая структура КА проектирования самоорганизации робастных БЗ в ИСУ

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

моорганизацией БЗ) и 2 (динамика эволюционного процесса самоорганизации). Как следует из рис. 1

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Таким образом, процесс проектирования робастных БЗ состоит из двух взаимосвязанных этапов,

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Технология проектирования (этап 1), основанная на ОБЗ

Квантовый оптимизатор индивидуальных БЗ

Рис. 3. Общая иерархическая структура информационной технологии проектирования робастных БЗ ИНИСУ

некоторые особенности и технические детали реализации технологий интеллектуальных вычислений

6 ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

“Пространственная“ “Временная“ “Пространственно&временная“

3. Определение квантовых состояний для возможных корреляций;

4. Ручной выбор типа корреляции 4. Автоматический выбор типа

для выбранной корреляции.

Рис. 4. Блок&схема проектирования робастных БЗ и структура информационных потоков в технологии проектирова&

а спроектированные с помощью оптимизатора на мягких вычислениях БЗ в НР могут потерять свой&

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

П р и м е ч а н и е 3. Решение данной проблемы исследовалось для задачи многокритериальной

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011 6*

|Конечное упорядоченное состояние〉 =

Законы управления коэффициентами усиления

⎜ ( Тип и вид корреляции ) ⎟

⎝ ( Внешняя, внутренняя ) • ( Классическая, квантовая, смешанная ) ⎠ ⎜ ⎟

Формирование качества и глубины представления знаний

⎪ Состояния выходных сигналов НР ⎪ ⎛ Ошибка управления ⎞

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

фективных методов алгоритмизации квантовых моделей коллективного поведения частиц (swarm

где ψ1S1 , ψ S2 1 ,… и ψ1S 2 , ψ 2S2 – ортонормированный вычислительный базис в пространстве состоя&

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

времени представляет оптимальный сигнал управления изменением коэффициентов усиления нечет&

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Оптимизатор БЗ Нормирование Оптимизатор БЗ на Алгоритмическая интерпретация Физическая интерпретация

Функция Измерение Распределение вероятностей

Декодер Новый 0.6

0 400 800 1200 1600 2000 FC1 1 0 1

Закон управления Виртуальное Реальное

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Шаг 1. Кодирование (нормализация; описание состояний |0> и |1>) и вычисление

Рис. 6. Структура и этапы КА модели КНВ

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

1 ( P ( |0〉 ) |0〉 + 1 – P ( |0〉 ) |1〉 ) = квантовый бит.

На рис. 5, б функционально отображен вычислительный процесс и формирование квантового бита

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

Запустить HP1 c БЗ1 Запустить HP2 c БЗ2

simoutK = [Kp Kd Ki]

Рис. 8. Структурная схема моделирования оптимальных БЗ и сигналов управления ПИД&регулятора в среде

ИЗВЕСТИЯ РАН. ТЕОРИЯ И СИСТЕМЫ УПРАВЛЕНИЯ №2 2011

KHP1 ⎛ k ( t ) = maxK HP1 norm Результаты

KHP2 Нормализованные коэффициенты

simoutK = [Kp Kd Ki]