СПОСОБ АДАПТИВНОЙ АВТОМАТИЧЕСКОЙ САМОНАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ Российский патент 2002 года по МПК G05B13/00 

Описание патента на изобретение RU2189069C2

Изобретение относится к автоматической оптимизации многопараметрических объектов управления, обладающих одноэкстремальной функцией качества, основанной на каком-либо критерии оптимальности.

Известны способы случайного поиска экстремума функции качества одноэкстремальных многопараметрических объектов, заключающиеся в формировании случайных входных шаговых воздействий на объект управления [1].

Недостатком таких способов является отсутствие адаптации интенсивности самообучения, что приводит к значительному снижению их эффективности и быстродействия.

Наиболее близким к изобретению по технической сущности является способ, основанный на формировании случайных равномерно распределенных входных шаговых воздействий на объект управления и адаптации их распределения и интенсивности самообучения [2].

Недостатком этого способа является невысокое быстродействие поиска на объектах управления, обладающих овражной функцией качества, так как алгоритм адаптации интенсивности самообучения не учитывает особенностей рельефа функции качества оптимизируемого объекта.

Предлагаемый способ заключается в том, что создается режим адаптивного случайного поиска в пространстве оптимизируемых параметров, основанный на формировании случайных входных шаговых воздействий на объект управления, распределенных по равномерному закону, математическое ожидание которых автоматически адаптируется в зависимости от сигнала, поступающего с выхода объекта по каналу обратной связи, а адаптация интенсивности самообучения в процессе поиска осуществляется при удачном случайном шаге в зависимости от абсолютного значения разности производной функции качества оптимизируемого объекта, получаемого на основе сигнала, поступающего с выхода объекта по каналу обратной связи.

На чертеже представлена блок-схема алгоритма, реализующего предлагаемый способ автоматической настройки многопараметрических систем автоматического управления на оптимальные условия (вариант алгоритма с пересчетом, для определенности представлен случай минимизации функции качества).

Способ реализуется с помощью алгоритма, блок-схема которого включает в себя:
1 - блок формирования шага в случайном направлении в пространстве оптимизируемых параметров в соответствии с равномерным законом распределения, 2 - блок запоминания сформированного шага, 3 - блок определения значения функции качества в новой точке пространства оптимизируемых параметров, 4 - блок определения знака приращения функции качества, 7 - блок запоминания значения функции качества при удачном шаге, 5 и 8 - блоки адаптации распределения направления поисковых шагов и интенсивности самообучения в процессе настройки, 6 - блок формирования шага в обратном направлении при неудачном шаге.

Предлагаемый способ реализуется следующим образом.

В пространстве оптимизируемых параметров из исходного состояния Xi делается шаг в случайном направлении в соответствии с равномерным законом распределения. Если значение функции качества в новом состоянии Q(Xi+1) больше или равно значению функции качества в исходной точке Q(Xi), то есть случайная проба оказалась неудачной (задача минимизации), то система возвращается в первоначальное состояние Xi, после чего снова формируется случайный шаг, отсчитанный из старого состояния.

Рекуррентная формула для смещения в пространстве оптимизируемых параметров по этому алгоритму имеет следующий вид:

где Q0i = minQ(Xj), j = 1,..., i - наименьшее значение функции качества за i предыдущих шагов поиска,
F(Θ,W) - единичный вектор, определяющий направление случайного шага

где Θ - единичный случайный вектор, равномерно распределенный по всем направлениям пространства оптимизируемых параметров с нулевым математическим ожиданием,
W - вектор памяти (математическое ожидание направления случайных шагов), реализующий адаптацию распределения направления шагов,
а - величина рабочего шага.

Адаптация распределения направления случайных шагов заключается в изменении их математического ожидания на основе знака приращения функции качества (блоки 5 и 8 на чертеже). Алгоритм непрерывной адаптации математического ожидания случайных шагов можно представить в виде следующего векторного рекуррентного соотношения
Wi+1 = kWi-δΔQiΔXi,
где W - математическое ожидание равномерно распределенных случайных шагов,
k - коэффициент запоминания (0 ≤ k ≤ 1),
δ - параметр скорости обучения (0 ≤ δ ≤ 1).

Коэффициенты k и δ определяют интенсивность самообучения в процессе поиска.

При работе по этому алгоритму адаптации вектор W стремится перестроиться в направлении, обратном градиенту функции качества оптимизируемого объекта, то есть шаги поиска будут в среднем направлены в сторону быстрейшего уменьшения функции качества.

Адаптация интенсивности самообучения в процессе оптимизации (блок 8 на чертеже) осуществляется с помощью следующих выражений для коэффициентов k и δ:


где ΔQ′ - оценка разности производной функции качества в i-й и i-1-й точках траектории движения системы к экстремуму функции качества объекта оптимизации, получаемая при удачных шагах поиска

Смысл этого алгоритма адаптации интенсивности самообучения заключается в следующем. Если в двух точках траектории движения системы к экстремуму разность значений производной функции качества мала по модулю, то нет необходимости интенсивно обучаться, то есть принимать весь опыт последнего шага оптимизации, и параметр скорости обучения δ мал, в то время как коэффициент запоминания приобретенного опыта k велик. Если при очередном шаге разность значений производной функции качества оказалась велика, то есть ситуация достаточно резко изменилась, то нет надобности запоминать весь предыдущий накопленный опыт оптимизации, и коэффициент запоминания k принимает малое значение, в то время как δ велико, то есть при изменении ситуации поиска, связанном с особенностями рельефа функции качества, происходит интенсивное обучение на основе нового опыта.

Достигаемый технический эффект от применения предлагаемого способа позволяет уменьшить потери на поиск и значительно повысить быстродействие отыскания экстремума овражных функций качества объектов оптимизации: экспериментальные исследования, проведенные на модельных функциях, показали, что выигрыш в быстродействии предлагаемого способа по сравнению с прототипом составил от 2 до почти 15 процентов в зависимости от вида модельной функции (см. таблицу), и, как ожидалось, максимальный выигрыш в производительности имел место при оптимизации модельного объекта, обладающего функцией качества с ярко выраженной овражностью. Поскольку реальные объекты автоматического управления очень часто имеют овражные функции качества, то применение предлагаемого способа оказывается целесообразным для их эффективной оптимизации.

Центральная модель:

Центральная модель является моделью сепарабельного объекта управления, у которого отсутствует перекрестное влияние входных параметров.

Квадратичная модель:

где [A,X] - скалярное произведение вектора параметрических коэффициентов А = (а1234)T и вектора входных координат Х = (х1234)T, аi = 1, i = 1...4, bij - элементы матрицы

Квадратичная модель имеет более сложную структуру по сравнению с центральной и моделирует несепарабельный объект с перекрестным влиянием параметров.

Функция Пауэла:
Q(X) = (х1 + 10х2)2 + 5(х3 - х4)4 + (х2 - 2х3)4 + 10(х1 - x4)4.

Функция Пауэла моделирует объект оптимизации с ярко выраженной овражностью функции качества.

Все модельные функции имеют один минимум при хi = 0, i = 1...4.

При проведении сравнительного тестирования использовался одинаковый для всех моделей набор из ста начальных точек поиска, координаты которых представляли собой случайные равномерно распределенные числа в пределах от минус 10 до плюс 10. Цикл поиска экстремума для каждой начальной точки повторялся 1000 раз. Для всех трех моделей параметры поиска были одинаковыми: коэффициент запоминания k = 0,7; параметр скорости обучения δ = 0,1, шаг а = 0,15. Поиск экстремума производился с точностью до 0,01.

СПИСОК ЛИТЕРАТУРЫ
1. Растригин Л.А. Системы экстремального управления. - М.: Наука, 1974, с. 422-446.

2. Растригин Л.А., Рипа К.К., Тарасенко Г.С. Адаптация случайного поиска. - Рига: Зинатие, 1978, с. 148-150 (прототип).

Похожие патенты RU2189069C2

название год авторы номер документа
СПОСОБ АДАПТИВНОЙ АВТОМАТИЧЕСКОЙ САМОНАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ 2003
  • Щедринов А.В.
  • Карасёв В.Г.
RU2254602C2
СПОСОБ АДАПТИВНОЙ АВТОМАТИЧЕСКОЙ САМОНАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ 2003
  • Щедринов А.В.
  • Карасёв В.Г.
RU2251134C2
СПОСОБ АДАПТИВНОЙ АВТОМАТИЧЕСКОЙ НАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ 2000
  • Щедринов А.В.
  • Кравченко А.Ю.
RU2189068C2
СПОСОБ АВТОМАТИЧЕСКОЙ НАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ 2000
  • Щедринов А.В.
  • Кравченко А.Ю.
RU2189067C2
СПОСОБ ОПТИМИЗАЦИИ МНОГОМЕРНОГО ВЕКТОРА ПАРАМЕТРОВ УПРАВЛЕНИЯ СЛОЖНЫМИ СТОХАСТИЧЕСКИМИ СИСТЕМАМИ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ ДЛЯ МНОГОМЕРНОГО ВЕКТОРА ВЫХОДНЫХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА РАБОТЫ СИСТЕМЫ 2015
  • Ложкина Татьяна Николаевна
  • Лосев Герман Петрович
  • Маханек Елена Николаевна
RU2581015C1
МНОГОКАНАЛЬНЫЙ СТАТИСТИЧЕСКИЙ ОПТИМИЗАТОР 1972
SU326550A1
ТЕХНИЧЕСКАЯ НЕРВНАЯ СИСТЕМА 1997
  • Буков А.А.
  • Антонов В.М.
RU2128857C1
СПОСОБ САМОНАСТРОЙКИ СИСТЕМЫ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДОМ 2014
  • Волков Владимир Николаевич
  • Кожевников Александр Вячеславович
RU2578630C2
ПНЕВМАТИЧЕСКИЙ РЕГУЛЯТОР 1994
  • Вохрышев В.Е.
RU2113005C1
Способ управления химико-технологической системой 2023
  • Кичатов Константин Геннадьевич
  • Просочкина Татьяна Рудольфовна
  • Самойлов Наум Александрович
RU2813658C1

Иллюстрации к изобретению RU 2 189 069 C2

Реферат патента 2002 года СПОСОБ АДАПТИВНОЙ АВТОМАТИЧЕСКОЙ САМОНАСТРОЙКИ МНОГОПАРАМЕТРИЧЕСКИХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ НА ОПТИМАЛЬНЫЕ УСЛОВИЯ

Изобретение относится к автоматической оптимизации многопараметрических объектов управления, обладающих одноэкстремальной функцией качества, основанной на каком-либо критерии оптимальности. Технический результат заключается в повышении быстродействия самонастройки. Способ заключается в следующем. В пространстве оптимизируемых параметров из исходного состояния делается шаг в случайном направлении в соответствии с равномерным законом распределения. Если значение функции качества в новом состоянии больше или равно значению функции качества в исходной точке, то система возвращается в первоначальное состояние; после чего снова формируется случайный шаг, отсчитанный из старого состояния. Адаптация распределения направления случайных шагов заключается в изменении их математического ожидания на основе знака приращения функции качества, а адаптация интенсивности самообучения - в зависимости от абсолютного значения разности производной функции качества оптимизируемого объекта при удачных пробах. 1 табл., 1 ил.

Формула изобретения RU 2 189 069 C2

Способ адаптивной автоматической самонастройки многопараметрических систем автоматического управления на оптимальные условия путем создания режима адаптивного случайного поиска в пространстве оптимизируемых параметров, основанный на формировании случайных входных шаговых воздействий на объект управления, математическое ожидание которых автоматически адаптируют в зависимости от сигнала, поступающего с выхода объекта по каналу обратной связи в соответствии с соотношением
Wi+1 = kWi-δΔQiΔXi,
где W - математическое ожидание равномерно распределенных случайных шагов;
k - коэффициент запоминания;
δ - параметр скорости самообучения;
Q - функция качества;
X - состояние объекта в пространстве оптимизируемых параметров,
отличающийся тем, что коэффициент запоминания и параметр скорости самообучения при адаптации распределения направления случайных входных шаговых воздействий автоматически адаптируют при удачных пробных шагах в зависимости от абсолютного значения разности производной функции качества оптимизируемого объекта, получаемого на основе сигнала, поступающего с выхода объекта по каналу обратной связи, в соответствии с выражениями


где

- абсолютное значение разности производной функции качества оптимизируемого объекта.

Документы, цитированные в отчете о поиске Патент 2002 года RU2189069C2

РАСТРИГИН Л.А
и др
Адаптация случайного поиска
- Рига: Зинатне, 1978, с
Раздвижной паровозный золотник с подвижными по его скалке поршнями между упорными шайбами 1922
  • Трофимов И.О.
SU148A1
САМОНАСТРАИВАЮЩАЯСЯ СИСТЕМА КОМБИНИРОВАННОГО РЕГУЛИРОВАНИЯ 1989
  • Брусов Владимир Геннадьевич
  • Сухарев Евгений Александрович
  • Левичев Юрий Дмитриевич
  • Заброда Владимир Владимирович
  • Белянин Игорь Валентинович
  • Рунич Евгений Николаевич
  • Ольсевич Виктор Евстафьевич
  • Тарасенко Леонид Александрович
  • Дошлыгин Альберт Вячеславович
RU2022313C1
Способ размножения копий рисунков, текста и т.п. 1921
  • Левенц М.А.
SU89A1
Справочник по теории автоматического управления/Под ред, А.А
КРАСОВСКОГО
- М.: Наука, 1987, с
БАЛАНСИРНАЯ ПАРАПЛИЦА К МЕЛЬНИЧНЫМ ПОСТАВАМ 1923
  • Беляков И.Д.
SU637A1
РАСТРИГИН Л.А
Системы экстремального управления
- М.: Наука, 1974, с
Стрелочный контрольный замок 1924
  • Федотов В.А.
SU422A1

RU 2 189 069 C2

Авторы

Щедринов А.В.

Кравченко А.Ю.

Даты

2002-09-10Публикация

2000-08-07Подача