6.1.

Нейро-қатъиймас моделлар ва интеллектуал бошқарув

тизимлари
6.1 Нейро-нечеткие модели и интеллектуальные системы управления

Объединение нечетких и нейронных сетей позволяет создать

качественно новый класс регуляторов, называемых нейро-нечеткими (neuro-
fuzzy) или нечетко-нейронными (fuzzy-neuro) и играющих все более
заметную роль в интеллектуальном управлении. Эти регуляторы сочетают
указанные выше достоинства нечетких алгоритмов с положительными
качествами нейронных сетей (универсальность, высокое быстродействие,
способность к обучению, устойчивость к отказам).
Қатъиймас ва нейрон тармоқларни бирлаштириш нейро-қатъиймас
(neuro-fuzzy) ёки нейро-қатъиймас (neuro-fuzzy) деб аталадиган ва ақлли
бошқарувда тобора муҳим рол ўйнайдиган сифат жиҳатидан янги
бошқарувчилар синфини яратишга имкон беради. Ушбу контроллерлар
қатъиймас алгоритмларнинг юқоридаги афзалликларини нейрон
тармоқларнинг ижобий сифатлари (универсаллик, юқори тезлик, ўрганиш
қобилияти, муваффақиятсизликка толерантлик) билан бирлаштиради.
В работе [23] описано применение методов нейро-нечеткого
управления для проектирования интеллектуальной системы управления
полетом и силовой установкой гиперзвукового самолета. Решение этой
задачи классическими методами практически невозможно, поскольку
разработка точных математических моделей потребует глубоких и
длительных теоретических исследований, анализа экспериментальных
результатов продувок, стендовых и летных испытаний и т.д. Дополнительные
сложности связаны с увеличением числа степеней свободы (управление
вектором тяги и др.), появлением нерасчетных режимов полета (например,
скоростей с числом ), ограничениями на управление
аэродинамическими поверхностями на неустойчивых режимах и т.п.
Мақола гипертовушли самолётлар учун ақлли парвоз ва электр
станциясини бошқариш тизимини лойиҳалаш учун нейро-қатъиймас
бошқарув усулларини қўллашни яхши натижалар беради. Ушбу муаммони
классик усуллар билан ҳал қилиш деярли мумкин эмас, чунки аниқ
математик моделларни ишлаб чиқиш чуқур ва узоқ назарий тадқиқотларни,
зарбаларнинг экспериментал натижаларини таҳлил қилишни, дастгоҳ ва
парвоз синовларини ва бошқаларни талаб қилади. Қўшимча қийинчиликлар
эркинлик даражалари сонининг кўпайиши (тортишиш векторини бошқариш
ва бошқалар), дизайндан ташқари парвоз режимларининг пайдо бўлиши
(масалан, рақам билан тезлик), беқарор шароитларда аэродинамик сиртларни
бошқаришдаги чекловлар билан боғлиқ. режимлар ва бошқалар.
 Использование нейро-система позволяет в данном случае производить
идентификацию характеристик системы в реальном времени (с учетом
нелинейной динамики самолета) даже при таких изменениях динамики,
которые возникают при отказах или повреждениях самолета.
Бу ҳолда нейро-тизимларидан фойдаланиш тизимнинг хусусиятларини
реал вақт режимида (самолётнинг чизиқли бўлмаган динамикасини ҳисобга
олган ҳолда) ҳатто самолётнинг носозликлари ёки шикастланиши пайтида
юзага келадиган динамикада бундай ўзгаришлар билан аниқлаш имконини
беради.
Нечеткие регуляторы обеспечивают адаптивное, нелинейное
управление самолетом и его силовой установкой в широком диапазоне
изменения условий полета в том числе обеспечение безопасности полета при
возникновении критических (аварийных) ситуаций.
Қатъиймас бошқарувлар самолёт ва унинг электр станциясини турли
хил ўзгарувчан парвоз шароитларида мослашувчан, чизиқли бўлмаган
бошқаришни таъминлайди, шу жумладан танқидий (фавқулодда) вазиятларда
парвоз хавфсизлигини таъминлайди.
Родовым признаком любой системы искусственного интеллекта
является наличие базы знаний. Для нечетких регуляторов базы знаний
представлена в виде набора нечетких продукционных правил, а для
нейронных регуляторов базы знаний получает неявное представление в виде
набора весов нейронной сети определенной топологии. Сложность задачи
синтеза управляющей базы знаний зависит от сложности объекта
управления.
Ҳар қандай сунъий интеллект тизимининг умумий хусусияти бу
билимлар базасининг мавжудлиги. Қатъиймас контроллерлар учун билимлар
базаси қатъиймас ишлаб чиқариш қоидалари тўплами сифатида, нейрон
контроллерлар учун эса билимлар базаси маълум бир топологиянинг нейрон
тармоқ оғирликлари тўплами сифатида сўзсиз ифодаланади. Бошқариш
билимлари базасини синтез қилиш вазифасининг мураккаблиги бошқарув
объектининг мураккаблигига боғлиқ.
Качество работы интеллектуального регулятора со сложной базы
знаний трудно анализировать. Например, большое количество нечетких
правил может вызывать “паралич” сигнала управления, а НС может
обнаруживать заранее непрогнозируемые свойства. Поэтому в общем случае
выгодно осуществлять декомпозицию сложной базы знаний на относительно
простые составляющие, а затем преобразовывать их сигналы в общий сигнал
управления.
Мураккаб билимлар базасига эга бўлган интеллектуал бошқарувчининг
ишлашини таҳлил қилиш қийин. Масалан, кўп сонли ноаниқ қоидалар
бошқарув сигналининг "фалажига" олиб келиши мумкин ва нейрон тармоқ
олдиндан башорат қилиб бўлмайдиган хусусиятларни аниқлай олади.
Шунинг учун, умумий ҳолатда, мураккаб билимлар базасини нисбатан оддий
компонентларга ажратиш ва кейин уларнинг сигналларини умумий бошқарув
сигналига айлантириш фойдалидир.
Рассмотрим традиционную постановку задачи управления. Пусть
состояние динамической системы в каждый дискретный момент времени
определяет фазовое пространство, в котором происходит движение объекта.
Решение задачи управления понимается как перевод объекта изначального
состояния в некоторое заданное состояние.
Назорат муаммосининг анъанавий формуласини кўриб чиқинг.
Динамик тизимнинг ҳар бир дискрет моментдаги ҳолати объект
ҳаракатланадиган фаза фазосини аниқласин. Бошқарув масаласини ҳал
қилиш деганда, бошланғич ҳолат объектини қандайдир берилган ҳолатга
ўтказиш тушунилади.
При использовании линеаризованных моделей объектов регулятор
работоспособен в некоторой окрестности заданной рабочей точки. Например,
ПИД-регулятору для одномерной системы можно поставить в соответствие
нейрон с тремя входами и линейной активационной функцией. Такая
структура может решать только простые задачи управления.
Chiziqli ob'ekt modellaridan foydalanganda, boshqaruvchi ma'lum bir ish
nuqtasining ma'lum bir mahallasida ishlaydi. Мисол учун, бир ўлчовли тизим
учун ПИД текшируви учта кириш ва чизиқли фаоллаштириш функцияси
билан нейрон билан боғланиши мумкин. Бундай тузилма фақат оддий
назорат муаммоларини ҳал қилиши мумкин.
Интеллектуальный регулятор - это нейронный регулятор,
использующий множество нейронов, или нечеткий регулятор со множеством
правил управления-реализует нелинейный закон управления, расширяющий
диапазон работоспособности [19,24,25]. Однако при попытке описать закон
управления для всего фазового пространства объекта возникает ряд
принципиальных трудностей.
Интеллектуал контроллер - бу кўплаб нейронлардан фойдаланадиган
нейрон бошқарувчи ёки кўплаб бошқарув қоидаларига эга бўлган ноаниқ
контроллер, унумдорлик доирасини кенгайтирадиган чизиқли бўлмаган
бошқарув қонунини амалга оширади. Бироқ, объектнинг бутун фаза фазоси
учун назорат қонунини тасвирлашга уринаётганда, бир қатор фундаментал
қийинчиликлар юзага келади.
Во-первых, задача синтеза регулятора характеризуется значительной
неопределенностью. Построение продукционных правил при синтезе
нечетких регуляторов при больших п может вызывать проблемы, поскольку
резко растет число возможных правил управления и заранее невозможно
оценить их достаточное количество. Точно также трудно оценить
минимальную структуру нейронной сети, при которой возможно решение
поставленной задачи с помощью нейронного регулятора.
 Биринчидан, регуляторни синтез қилиш вазифаси сезиларли ноаниқлик
билан тавсифланади. Лойқа регуляторларни синтез қилишда ишлаб чиқариш
қоидаларининг қурилиши катта муаммоларни келтириб чиқариши мумкин,
чунки мумкин бўлган бошқарув қоидалари сони кескин ўсиб бормоқда ва
уларнинг етарли сонини олдиндан тахмин қилиш мумкин емас. Худди
шундай, нейрон тармоғининг minimal тузилишини тахмин қилиш қийин,
унда муаммони нейрон текшируви ёрдамида ҳал қилиш мумкин.
Во-вторых, реальные системы характеризуются многомерностью. При
обучении интеллектуальный регулятор нужно иметь не только модель
объекта, но и физически реализуемый эталонный процесс. Но даже в этом
случае нельзя гарантировать успешное обучение интеллектуальный
регулятор с большим количеством входов и выходов. Например, при
использовании для обучения генетического алгоритма резко растет длина
хромосомы и размер пространства поиска [26].
Иккинчидан, реал тизимлар кўп ўлчовлилиги билан ажралиб туради.
Ақлли текширгични тайёрлашда сиз нафақат объект моделига, балки
жисмонан амалга ошириладиган мос ёзувлар жараёнига ҳам ега бўлишингиз
керак. Аммо бу ҳолатда ҳам кўп сонли кириш ва чиқишларга ега бўлган
ақлли назоратчининг муваффақиятли тайёргарлигини кафолатлаш мумкин
емас. Масалан, ўқитиш учун генетик алгоритмдан фойдаланганда
хромосоманинг узунлиги ва қидирув майдонининг ҳажми кескин ошади.
Поэтому выгодно рассматривать задачу управления объектом как
совокупность задач, определенных для отдельных подпространств или
отдельных точек фазового пространства. Здесь можно выделить две
постановки задачи:
Шу сабабли, объектни бошқариш вазифасини алоҳида кичик
бўшлиқлар ёки фазалар маконининг алоҳида нуқталари учун белгиланган
вазифалар тўплами сифатида кўриб чиқиш фойдалидир. Бу эрда иккита
муаммо таърифи мавжуд:
- рассматривается управление в разных подпространствах фазового
пространства по-отдельности (этому соответствует независимая разработка
отдельных контуров управления многосвязной системы), после чего сигналы
управления согласуются для выработки общего сигнала управления;
- назорат фаза фазосининг турли кичик бўшлиқларида алоҳида кўриб
чиқилади (бу кўпайтириладиган боғланган тизимнинг индивидуал бошқарув
ҳалқаларининг мустақил ривожланишига тўғри келади), шундан сўнг
бошқарув сигналлари умумий бошқарув сигналини яратиш учун
мувофиқлаштирилади;
- рассматривается движение по заданной траектории фазового
пространства как последовательность перемещений из одной области
фазового пространства в другую. Каждой области соответствует локальный
регулятор. На границах области действия регуляторов согласовываются.
 - фаза фазосининг берилган траэкторияси бўйича ҳаракат фаза
фазосининг бир ҳудудидан иккинчисига ўтишлар кетма-кетлиги сифатида
қаралади. Ҳар бир ҳудуд локал бошқарувчига мос келади. Таъсир доираси
чегараларида регуляторлар мувофиқлаштиради.
Основная идея, заложенная в структуру рассматриваемого варианта
построения интеллектуальный регулятор для многосвязного объекта,
заключается в независимом формировании законов управления разными
выходными переменными объекта. Используется несколько контуров
управления, реализующих собственные законы управления, их сигналы (в
общем случае противоречивые) согласуются с помощью нейронной сети.
Кўп боғланган объект учун ақлли бошқарувчини қуришнинг кўриб
чиқилаётган варианти тузилишига киритилган асосий ғоя объектнинг турли
хил чиқиш ўзгарувчилари учун бошқарув қонунларини мустақил
шакллантиришдир. Ўзларининг назорат қонунларини амалга оширадиган бир
нечта бошқарув цикллари қўлланилади, уларнинг сигналлари (умуман
қарама-қарши) нейрон тармоқ ёрдамида мувофиқлаштирилади.
Потенциальные преимущества такого подхода заключаются в
следующем:
Ушбу ёндашувнинг мумкин бўлган афзалликлари қуйидагилардан
иборат:
- правила управления в отдельных контурах могут быть достаточно
очевидны или получены после простой процедуры обучения;
- индивидуал схемаларда бошқариш қоидалари жуда аниқ бўлиши ёки
оддий ўрганиш жараёнидан кейин олиниши мумкин;
- отдельные контуры управления могут иметь много входов
(переменные состояния обьекта) и мало выходов (сигналы управления), что
позволяет использовать сравнительно простую согласующую нейронной
сети.
- индивидуал бошқарув цикллари кўп киришларга (объект ҳолати
ўзгарувчилари) ва бир нечта чиқишларга (бошқарув сигналларига) эга
бўлиши мумкин, бу эса нисбатан оддий мос келадиган нейрон тармоғидан
фойдаланишга имкон беради.
Рассмотрим в качестве примера систему с двумя равноправными
контурами управления (рис.2.5.1), где через обозначены векторы,
составленные из отдельных компонент вектора состояния .
Мисол тариқасида иккита тенг бошқарув ҳалқали тизимни кўриб
чиқамиз (2.5.1-расм), бу ерда ҳолат векторининг алоҳида таркибий
қисмларидан ташкил топган векторлар билан белгиланади.
Если Б3| и Б32 представляют собой набор нечетких продукционных
правил, то основное преимущество здесь заключается в уменьшении числа
посылок правила, т.к. рассматривается не полный, а усеченный вектор
состояния. Если БЗ । и Б32 построены на основе нейронной сети, то она
может иметь более простую структуру из-за уменьшения числа входов. В
обоих случаях проще решается задача обучения, поскольку уменьшается
сложность минимизируемой функции ошибки.
Агар Б3| ва Б32 қатъймас ишлаб чиқариш қоидалари тўпламидир,
кейин бу эрда асосий афзаллик қоидалар юбориш сонини камайтиришдир,
чунки тўлиқ эмас, лекин кесилган ҳолат вектори ҳисобга олинади. Agar
билимлар базаси ва Б32 нейрон тармоғи асосида қурилган, кейин у киришлар
сонининг камайиши туфайли оддийроқ тузилишга эга бўлиши мумкин.
Иккала ҳолатда ҳам ўрганиш муаммосини ҳал қилиш осонроқ, чунки
минималлаштирилган хато функциясининг мураккаблиги камаяди.
БЗ 1 и Б32 должны быть построены до того, как настраиваегся Б33,
представляющая собой нейронную сеть прямого распространения. Она
решает уже полную задачу управления, но получает на вход не
многокомпонентный вектор , а всего четыре переменные (рис.2.5.1).
Билимлар базаси ва Б32 Б33 конфигурациясидан олдин тузилиши
керак, яъни олдинга узатиш нейрон тармоғи. У аллақачон тўлиқ назорат
муаммосини ҳал қилади, лекин кириш сифатида кўп компонентли вектор
эмас, балки фақат тўртта ўзгарувчини олади (2.5.1-расм).

Рис. 2.5.1. Пример декомпозиции базы знаний (БЗ) для многосвязного

объекта.
2.5.1-расм. Кўп боғланган объект учун билимлар базаси парчаланишига
мисол.
Успех решения задачи при таком подходе зависит от того, может ли
рассматриваться набор в качестве описания ситуации на
объекте, эквивалентного описанию с помощью набора координат: .
Ушбу ёндашув билан муаммони ҳал қилишнинг муваффақияти
тўпламини координаталар тўпламидан фойдаланган ҳолда
тавсифга эквивалент объектдаги вазиятнинг тавсифи сифатида кўриб чиқиш
мумкинми ёки йўқлигига боғлиқ: .
Для проверки работоспособности данной методики была рассмотрена
классическая задача управления перевернутым маятником [9]. Объект
управления имеет две выходные переменные: расстояние от исходной точки
 и угол отклонения маятника от вертикали. Задача управления
заключается в стабилизации маятника в положении и . Для
каждой из координат формируется таблица лингвистических правил,
реализующая нечеткий закон управления. В итоге получаются два нечетких
регулятора, независимо управляющих каждой из переменных. Как показало
моделирование, согласование сигналов от двух таблиц лингвистических
правил с помощью простой нейронной сети возможно после несложной
процедуры обучения с использованием генетического алгоритма.
Ушбу техниканинг самарадорлигини текшириш учун биз тескари
маятникни бошқаришнинг классик муаммосини кўриб чиқамиз. Бошқариш
объекти иккита чиқиш ўзгарувчисига эга: S мос ёзувлар нуқтасидан масофа
ва δ саркаcининг вертикалдан бурчаги. Назорат вазифаси маятникни ва
позицияларида барқарорлаштиришдир. Координаталарнинг ҳар бири
учун қатъиймас назорат қонунини амалга оширадиган лингвистик қоидалар
жадвали тузилади. Натижада, ўзгарувчиларнинг ҳар бирини мустақил
равишда бошқарадиган иккита қатъиймас контроллерлар олинади.
Симуляция шуни кўрсатдики, оддий нейрон тармоқдан фойдаланган ҳолда
иккита тил қоидалари жадвалидаги сигналларни генетик алгоритм ёрдамида
оддий ўқитиш процедурасидан кейин мослаштириш мумкин.
Задача управления объектом может существенно меняться при
переходе из одной точки фазового пространства в другую. Рассмотрим эту
проблему на конкретном примере - задаче управления посадкой самолета
вертикального взлета и посадки (СВВП). Программа посадки СВВП
включает три этапа [24]:
Фаза фазосининг бир нуқтасидан иккинчисига ўтишда объектни
бошқариш вазифаси сезиларли даражада ўзгариши мумкин. Келинг, ушбу
муаммони аниқ мисол ёрдамида кўриб чиқайлик - вертикал учиш ва қўниш
самолётининг қўнишини бошқариш муаммоси. Вертикал учиш ва қўниш
қўниш дастури уч босқични ўз ичига олади:
- снижение до заданной малой высоты;
- горизонтальный полет с гашением скорости до малой величины;
- посадка в точку со скоростями, близкими к нулевым.
- олдиндан белгиланган паст баландликка тушиш;
- kichik qiymatgacha damping tezligi bilan gorizontal parvoz;
- тезлиги нолга яқин бўлган нуқтага қўниш.
Для решения задачи может быть использован нейронный регулятор.
Опыты показали, что нейронной сети должна быть многослойной. Процедура
обучения оказывается труднореализуемой, а точность решения задачи не
может быть гарантирована. Это является следствием известной проблемы
стабильности - пластичности нейронной сети [22], что в данном случае
означает "забывание" одного маневра при обучении другому маневру.
 Муаммони ҳал қилиш учун нейрон контроллердан фойдаланиш
мумкин. Тажрибалар шуни кўрсатдики, нейрон тармоқ кўп қатламли бўлиши
керак. Ўқув жараёнини амалга ошириш қийин бўлиб чиқади ва муаммони ҳал
қилишнинг тўғрилигига кафолат бўлмайди. Бу ҳаммага маълум бўлган
барқарорлик муаммосининг оқибати - нейрон тармоқнинг пластиклиги, бу
ҳолда бошқа маневрни ўрганишда бир маневрни "унутиш" деган маънони
англатади.
Поэтому в данном случае оказывается выгодным проводить
декомпозицию закона управления и самой нейронной сети в соответствии с
рис.2.5.2.
Шунинг учун, бу ҳолда, 2.5.2-расмга мувофиқ бошқарув қонуни ва
нейрон тармоқнинг ўзини парчалаш фойдали бўлади.

Рис.2.5.2. Пример декомпозиции базы знаний при посадке самолета

вертикального взлета и посадки.
2.5.2-расм. Вертикал учиш ва қўниш самолётининг қўниши пайтида
билимлар базасининг парчаланишига мисол.
База знаний БЗ, оценивает текущее состояние объекта и активизирует
один или больше законов управления, хранящихся в Б32, Б33 и Б34. Б35
должна сглаживать противоречия в тех случаях, когда одновременно
активны две или три базы знаний системы управления.
Билим базаси объектнинг жорий ҳолатини баҳолайди ва Б32, Б33 ва
Б34 да сақланган бир ёки бир нечта назорат қонунларини фаоллаштиради.
Б35 бошқарув тизимининг икки ёки учта билим базаси бир вақтнинг ўзида
фаол бўлган ҳолларда қарама-қаршиликларни юмшатиши керак.
Содержимое БЗ, достаточно очевидно; это может быть набор
продукционных правил, описывающих условия срабатывания управляющих
БЗ. Б32 - Б34 представляют собой нейронной сети прямого распространения.
Как показало моделирование, в рассматриваемой задаче вполне
удовлетворительными оказываются однослойные нейронной сети, а
процедура обучения достаточно проста. Задача обучения Б35 практически
аналогична задаче обучения Б33.
Билим базаси мазмуни жуда аниқ; бу назорат билимлари базаларини
ишга тушириш шартларини тавсифловчи ишлаб чиқариш қоидалари тўплами
бўлиши мумкин. Б32 - Б34 - олдинга узатиладиган нейрон тармоқлар.
Симуляция кўрсатганидек, бир қатламли нейрон тармоқлар кўриб
чиқилаётган муаммода жуда қониқарли ва ўқитиш жараёни жуда оддий. Б35
ўрганиш вазифаси Б33 ўрганиш вазифаси билан деярли бир хил.
Рассмотренные подходы позволяют контролировать процесс синтеза
интеллектуальных регуляторов с тем, чтобы сложность обучения отдельных
подсистем управления не превышала некоторого порога, за которым
возникают непреодолимые трудности. При этом закон управления может
постепенно совершенствоваться путем описания новых контуров или
добавления новых режимов движения, реализованных в виде отдельных баз
знаний.
Кўриб чиқилган ёндашувлар ақлли контроллерларни синтез қилиш
жараёнини бошқариш имконини беради, шунда индивидуал бошқарув қуйи
тизимларини ўқитишнинг мураккаблиги маълум бир чегарадан ошмайди,
ундан ташқарида ҳал қилиб бўлмайдиган қийинчиликлар пайдо бўлади. Шу
билан бирга, назорат қонуни янги контурларни тавсифлаш ёки алоҳида
билим базалари сифатида амалга оширилган янги ҳаракат режимларини
қўшиш орқали аста-секин такомиллаштирилиши мумкин.
Применение генетических алгоритмов при синтезе
интеллектуальных систем управления и регуляторов
Интеллектуал бошқарув тизимлари ва регуляторларни синтез
қилишда генетик алгоритмларни қўллаш
Генетические алгоритмы являются мощным методом оптимизации,
позволяющим найти глобальный экстримум быстрее, чем другие методы
случайного поиска. Существенным их достоинством является отсутствие
проблем со сходимостью и устойчивостью. Эти методы используются для
идентификации моделей объектов управления, поиска оптимальных
параметров регулятора, поиска оптимальных значений функций
принадлежности в фаззи- регуляторах, а также для обучения нейронных
сетей. Чаще всего генетические алгоритмы используются совместно с
нейронными сетями и регуляторами с нечеткой логикой.
Генетик алгоритмлар бошқа тасодифий қидирув усулларига қараганда
глобал экстремални тезроқ топадиган кучли оптималлаштириш усулидир.
Уларнинг асосий афзаллиги - конвергенция ва барқарорлик билан боғлиқ
муаммоларнинг йўқлиги. Ушбу усуллар бошқарув объектларининг
моделларини аниқлаш, оптимал бошқарув параметрларини қидириш,
қатъиймас контроллерларда аъзолик функцияларининг оптимал
қийматларини қидириш, шунингдек, нейрон тармоқларни ўқитиш учун
ишлатилади. Кўпинча генетик алгоритмлар нейрон тармоқлар ва қатъиймас
мантиқ бошқарувчилари билан биргаликда қўлланилади.
Недостатком генетических алгоритмов является большое время поиска
экстремума, что не позволяет их использовать в быстродействующих
системах реального времени.
 Генетик алгоритмларнинг камчилиги экстремумни излашнинг узоқ
давом этишидир, бу эса улардан реал вақт режимида юқори тезликда
ишлайдиган тизимларда фойдаланишга имкон бермайди.
Генетические алгоритмы основаны на принципах естественного отбора,
сформулированных Дарвиным в 1859 году. Идею генетических алгоритмов
применительно к решению математических задач сформулировал Дж.
Холланд в 1962 г., используя понятия генов, хромосом, скрещивания,
мутации, селекции, репродукции. Основной идеей является прямое подобие
принципу естественного отбора, когда выживают наиболее приспособленные
особи.
Генетик алгоритмлар 1859 йилда Дарвин томонидан ишлаб чиқилган
табиий танланиш тамойилларига асосланади. Математик муаммоларни эчиш
билан боғлиқ генетик алгоритмлар ғояси 1962 йилда Ж. Голланд томонидан
генлар, хромосомалар, кесишиш, мутация, танлаш ва кўпайиш
тушунчаларидан фойдаланган ҳолда ишлаб чиқилган. Асосий ғоя табиий
танланиш принципига тўғридан-тўғри ўхшашлик, энг кучли шахслар омон
қолганда.
Для применения генетических алгоритмов необходимо преобразовать
фигурирующие в условии задачи параметры в генетические переменные.
Такое преобразование задается схемой кодирования. Переменные могут быть
представлены в двоичной форме, в форме действительных десятичных чисел
или в другой форме, в зависимости от смысла решаемой задачи.
Генетик алгоритмларни қўллаш учун муаммонинг ҳолатида пайдо
бўлган параметрларни генетик ўзгарувчиларга айлантириш керак. Бундай
трансформация кодлаш схемаси билан белгиланади. Ўзгарувчилар иккилик
шаклда, ҳақиқий ўнлик сонлар кўринишида ёки эчилаётган масала маъносига
қараб бошқа кўринишда ифодаланиши мумкин.
Классический генетический алгоритм (ГА) состоит из следующих
шагов [6,10,27,28]:
1. Выбор исходной популяции хромосом размера Л'.
2. Оценка приспособленности хромосом в популяции.
3. Проверка условия остановки алгоритма.
4. Селекция хромосом.
5. Применение генетических операторов.
6. Формирование новой популяции.
7. Переход к п.2.
Классик генетик алгоритм қуйидаги босқичлардан иборат:
1. Л ўлчамдаги хромосомаларнинг бошланғич популяциясини танлаш.
2. Популяцияда хромосомаларнинг яроқлилигини баҳолаш.
3. Алгоритмнинг тўхташ ҳолатини текшириш.
4. Хромосомаларнинг танланиши.
5. Генетик операторларни қўллаш.
 6. Янги популяциянинг шаклланиши.
7. 2-босқичга ўтинг.
Для работы алгоритма нужно задать нижнюю и верхнюю границы
изменения искомых параметров, вероятность скрещивания, вероятность
мутации, размер популяции и максимальное количество поколений.
Алгоритмнинг ишлаши учун керакли параметрларнинг ўзгаришининг
пастки ва юқори чегараларини, кесишиш эҳтимолини, мутация эҳтимолини,
популяция ҳажмини ва авлодларнинг максимал сонини белгилаш керак.
Исходная популяция хромосом генерируется случайным образом.
Приспособленность хромосом оценивается с помощью целевой функции в
кодированной форме. Далее хромосомы с лучшей приспособленностью
собираются в группу, в пределах которой выполняются генетические
операции скрещивания или мутации. Скрещивание позволяет получить от
двух родителей перспективного потомка. Оператор мутации вносит
изменения в хромосомы. В случае двоичного кодирования мутация состоит в
изменении случайного бита в двоичном слове.
Хромосомаларнинг дастлабки популяцияси тасодифий ҳосил бўлади.
Хромосома мослиги кодланган шаклда объектив функция ёрдамида
баҳоланади. Кейинчалик, энг яхши мувофиқликка эга бўлган хромосомалар
бир гуруҳга йиғилади, улар ичида генетик кесишиш ёки мутация
операциялари амалга оширилади. Ўтиш икки ота-онадан истиқболли насл
олиш имконини беради. Мутация оператори хромосомаларга ўзгаришлар
киритади. Иккилик кодлашда мутация иккилик сўздаги тасодифий битни
ўзгартиришдан иборат.

Рис. 2.6.1. Пример кодирования коэффициентов регулятора для

использования в генетическом алгоритме
2.6.1-расм. Генетик алгоритмда фойдаланиш учун регулятор
коэффитсиэнтларини кодлаш мисоли

Рис. 2.6.2. Пример операции скрещивания

2.6.2-расм. Кроссовер операциясига мисол
Пример кодирования трех коэффициентов ПИД-регулятора для
применения в генетических алгоритмах приведен на рис.2.6.1 [28]. Здесь
хромосома состоит из трех параметров общей длиной 48 бит. Операция
скрещивания состоит в обмене генетическим материалом между
хромосомами (родителями) для того, чтобы получить новую хромосому
(потомка).
 Генетик алгоритмларда фойдаланиш учун учта ПИД контроллер
коэффитсиэнтини кодлаш мисоли 2.6.1-расмда кўрсатилган [28]. Бу эрда
хромосома умумий узунлиги 48 бит бўлган учта параметрдан иборат.
Кесишиш операцияси янги хромосома (насл) олиш учун хромосомалар (ота-
оналар) ўртасида генетик материал алмашинувидан иборат.
Существует много различных форм операторов скрещивания. Один из
них состоит в том, что в двух родительских хромосомах случайным образом
выбирается некоторая позиция (рис.2.6.2), затем происходит обмен
генетической информацией, расположенной справа от выбранной позиции
[19].
Кроссовер операторларининг турли шакллари мавжуд. Улардан бири
шундаки, иккита ота-она хромосомаларида маълум бир позиция тасодифий
танланади (2.6.2-расм), кейин танланган позициянинг ўнг томонида
жойлашган генетик маълумотлар алмашинуви мавжуд.
После выполнения генетического алгоритма производят декодирование
двоичного представления в инженерные величины [29].
Генетик алгоритм бажарилгандан сўнг, иккилик кўриниш муҳандислик
катталикларига декодланади.
Оценка приспособленности хромосом в популяции для оценки
коэффициентов ПИД-регулятора может быть выбрана, к примеру, как:
ПИД контроллер коэффитсиэнтларини баҳолаш учун популяциядаги
хромосомаларнинг яроқлилигини баҳолаш, масалан, қуйидагича танланиши
мумкин:

Бу ерда - назорат хатосининг жорий қиймати, - вақт.

Селекция хромосом [30,31] осуществляется методом рулетки. На
колесе рулетки имеются секторы, причем, ширина сектора пропорциональна
функции приспособленности. Поэтому чем больше значение этой функции,
тем более вероятен отбор соответствующей ей хромосомы.
Хромосомаларни танлаш рулет усули билан амалга оширилади.
Рулетка ғилдирагида секторлар мавжуд ва секторнинг кенглиги фитнес
функциясига мутаносибдир. Шунинг учун бу функциянинг қиймати
қанчалик катта бўлса, унга мос келадиган хромосомани танлаш эҳтимоли
шунчалик юқори бўлади.