Васильев С.Н. - Логический подход к управлению динамическими системами

УДК 519.7

С.Н.Васильев

(Институт динамики систем и теории управления СО РАН, Иркутск)

ЛОГИЧЕСКИЙ ПОДХОД К УПРАВЛЕНИЮ

ДИНАМИЧЕСКИМИ СИСТЕМАМИ^*)

Дается краткий обзор существующих подходов к расширению потенциала управления динамическими системами на основе сочетания методов традиционной теории управления и методов так называемого искусственного интеллекта. Обращается внимание на важность использования при этом логических методов представления и обработки знаний для синтеза управлений в реальном времени. Предлагается новый логический инструмент формирования управлений и приводятся краткие описания его применений. В заключении формулируются некоторые перспективные направления дальнейшего развития предложенной технологии управления.

1. Введение

Современная жизнь характеризуется резким возрастанием сложности систем, создаваемых человеком. К сожалению, сложность автоматизированных систем, измеряемая объемом информации, которую они производят, часто уже превосходит возможности людей по анализу этой информации. Известные аварии и катастрофы на транспорте, в промышленности, энергетике и др. (Тримайлайлэнд, Бхопал, Чернобыль) связываются с перегрузкой операторов и/или с недостаточным качеством проектирования управляемых систем, возникновением нештатных ситуаций неуправляемости. Исчерпание технического ресурса объектов и систем управления, нередко наблюдаемого в условиях современной России, дополнительно повышает требования к повышению проектного потенциала управления, что требует применения новых методов и средств управления.

Традиционные методы управления не обеспечивают требуемой эффективности формирования управлений в условиях:

1) недостаточности априорной информации о внешней среде функционирования;

2) большого количества трудно учитываемых факторов нестационарности и субъективного их характера;

3) деградации (отказов, аварий) или необходимости целенаправленной реконфигурации (восстанавливающего или развивающего управления).

До недавнего времени постановка и решение задач управления опирались на более или менее традиционные математические модели, как правило, в форме тех или иных уравнений динамики управляемого процесса (дифференциальных, конечно-разностных и других).

Будучи всегда неточен, результат моделирования, как известно, может содержать даже в явной форме "следы недомоделированной динамики". Например, в правой части уравнений динамики могут оставаться неизвестные члены, именуемые постоянно действующими возмущениями. Понятия адаптивности, робастности и другие также были призваны учесть немоделируемую динамику путем получения недостающей информации на этапе обучения или в режиме реального времени.

Замещение многих традиционных технических средств автоматики цифровыми преобразователями придает системам управления характер информационно-управляющих систем, а встраивание в них процедур распознавания образов, аккумуляции экспериментального знания, планирования действий и других “интеллектуальных” функций подталкивает разработчиков называть их системами интеллектного управления (СИУ). Однако современные СИУ, обладая все же недостаточным уровнем интеллектуальности, пока не оправдывают в полной мере своего названия [1].

В докладе обсуждаются вопросы повышения потенциала управления этих систем с применением оригинальных и известных результатов в области искусственного интеллекта (ИИ).

Использование средств ИИ расширяет потенциал проектирования и управления динамическими системами путем охвата задач с неизвестными или уже несправедливыми с некоторого момента эксплуатации уравнениями динамики (как в задачах выбора эффективных каналов управления в объектах с реконфигурацией) либо задач, в которых модели в форме уравнений динамики могут уступать по эффективности использования моделям ИИ (как в задачах планирования действий в среде) или могут использоваться совместно с моделями ИИ.

1. Интеллектные компоненты алгоритмического типа

Традиционные системы управления, основываясь на уравнениях динамики, являются системами алгоритмического типа. Искусственные нейронные сети, получившие в 80-е гг. свое “второе дыхание” благодаря новым методам обучения (backpropagation), тоже имеют алгоритмический характер.

Нейронные сети применимы для решения целого класса задач, где используются не уравнения динамики и даже не столько правила, как в традиционных экспертных системах, сколько опыт. Опытный врач поставит диагноз даже, если симптоматика заболевания искажена и ему не доводилось ранее ее наблюдать или абстрактно осмысливать. Механизм диагностики при этом иногда напоминает скорее распознавание на подсознательном уровне, чем цепочку рассуждений на логическом уровне. Построение экспертных систем, основанных на правилах, или использование логических исчислений для решения указанного класса задач упирается в сложность учета всех мыслимых сочетаний факторов и формализации закономерностей, связывающих условия задачи с результатом.

Алгоритм преобразования входных сигналов нейросети в выходные порождается процессом предварительной настройки (обучения) путем предъявления примеров пар “вход-выход”. Поэтому можно говорить о рефлекторном характере функционирования искусственных нейросетей.

Нейронные сети обладают высокой распараллеливаемостью, что и обеспечивает повышенное быстродействие, важное в задачах управления в реальном времени, т.е. когда идентификация или формирование закона управления осуществляются в темпе протекания процесса. Вместе с тем искусственные нейронные сети сегодняшнего дня моделируют скорее, например, глаз, чем мозг.

Аналогично, генетические алгоритмы моделируют организацию (дарвиновского типа) природной стихии, а не творческий процесс. Сказанное никак не умаляет значения нейроуправления и эволюционных алгоритмов самоорганизации. В частности, в силу своей реактивности и способности к обучению они полезны уже в сегодняшнем их состоянии развития при создании многоуровневых и многофункциональных систем управления с элементами ИИ.

1. Системы, “основанные на знаниях”

(СОЗ, Knowledge-Based Systems)

В ряде задач управления, в которых зависимости настолько сложны, что не допускают своего обычного аналитического представления, существенная роль принадлежит экспертным суждениям и знаниям человека, заставляя в дополнение к количественным методам или вместо них применять логический или логико-лингвистический подходы, в соответствии с которыми в качестве значений переменных допускаются не только числа, но и слова или предложения искусственного или естественного языка [2].

В английском языке слово "knowledge" означает не только "знание", но еще и "умение". В СОЗ умение представлено процедуральной информацией, для которой характерно прежде всего исполнение, в то время как данные хранятся и пересматриваются, а знания преобразовываются и применяются [3]. При этом, в отличие от данных, знания могут иметь не только информационную часть, но и описательную для эффективной актуализации знания, и, кроме того, в качестве информационных единиц знания могут выступать встроенные процедуры, что придает знаниям активность, их первичность по отношению к процедурам [4].

По своему замыслу, такие системы должны обладать способностью рассуждать и выводить заключения на основе знания некоторых общих закономерностей мира, сведений о текущем и целевом состоянии объекта управления и т.п. Так как интуитивные представления человека о логичности умозаключений представимы, например, в логических языках, то представление знаний в некотором логическом языке и их обработка с помощью специальных логических средств позволяет получать те или иные предпочтения на множестве допустимых управлений с целью выбора одного из них.

Логические исчисления не предписывают жесткой последовательности действий, а предполагают определенную свободу выбора в рамках соответствующего "исчисления возможностей". Переход к логическим исчислениям, как к новым, логическим, моделям динамики и управления, стимулирует использование "аналитических (символьных) вычислений, утверждавших свое право на существование в условиях конкуренции с численными методами механики, физики, математики" [5].

В общем случае СОЗ оперируют с более широкой информацией, в частности, объектно-ориентированными представлениями, тоже основанными на знаниях экспертов (семантические сети, фреймы и др.). Вместе с тем СОЗ могут использовать и традиционные алгоритмы, базирующиеся на уравнениях динамики. Поэтому класс решаемых задач принципиально расширяется, по сравнению с традиционной проблематикой теории управления.

К СОЗ мы относим, прежде всего, следующие:

1) системы, основанные на инструктивных знаниях, т.е. на правилах “если-то” (Rule-Based Reasoning),

2) системы, основанные на автоматическом доказательстве теорем (АДТ, Automatic Theorem-Proving Techniques),

3) системы, основанные на автоматическом гипотезировании (Automatic Hypothesizing), т.е. на порождении гипотез,

4) системы, основанные на рассуждениях по аналогии (Analogical Reasoning),

5) объектно-ориентированные интеллектные системы (Object-Oriented Intelligent Systems),

6) объектно-логические системы, сочетающие некоторые достоинства последних систем с системами АДТ и использующие объектно-логические языки, фреймовые логики (F-logics), логики транзакций (Transaction Logics) и т.д. [6, 7, 8].

В СОЗ реализуется относительно высокоуровневый процесс умозаключений, а современные искусственные нейронные сети и генетические алгоритмы нами не включаются в понятие "СОЗ", хотя их роль (сама по себе и в составе комплексных многоуровневых систем управления) является весьма полезной.

Так, обрабатывая дополнительно информацию, полученную на выходе нейронных сетей, с помощью логических средств обработки знаний, можно обеспечить более высокоуровневую обработку информации. Характерный пример – автоматическое двухуровневое распознавание образов (например, автомашин с борта летательного аппарата).

Интересное применение нейронных сетей в сочетании с экспертными системами, основанными на правилах, предложено в робототехнике [9]. Нейронная сеть функционирует параллельно с экспертной системой, которая поначалу полностью задействована и ответственна за управление. С течением времени, нейронная сеть обучается от экспертной системы и перехватывает управление, обеспечивая более высокое качество. Эта гибридная система предназначена для использования в исследованиях других планет. Экспертная система обеспечивает робастность функционирования, а нейронная сеть – тонкую настройку на специфические условия планеты, которые заранее с достаточной точностью неизвестны. Если произойдут их резкие изменения, то система вновь передает управление экспертной системе и процесс обучения начинается заново.

1. Проблема повышения уровня интеллектульности

Современные СИУ, использующие интеллектные компоненты даже неалгоритмического типа (СОЗ), проявляют недостаток интеллектуальности в сложных задачах управления. Рассмотрим причины на примере экспертных систем (относимых нами к неалгоритмическим СИУ).

В принципе знания любой экспертной системы могут быть организованы в форме инструктивного знания (правил “если-то”, Rule-Based Expert Systems). Однако в ряде случаев количество правил становится настолько большим, что их совокупность становится трудно исполнимой, теряется целенаправленность процесса формирования управления, надежность (корректность). В случае, когда набор правил рефлексирует, т.е. в правых частях некоторых из них фигурируют действия по изменению самого набора правил, большая ответственность возлагается на разработчиков по верификации и обеспечению корректности функционирования экспертной системы. Нужны более мощные системы “обдумывания ситуации”, обрабатывающие знания более общего вида вместо простого использования правил, заранее заготовленных или модифицируемых в процессе функционирования мало надежным способом.

Использование объектно-ориентированных экспертных систем упрощает структурирование знаний, но сильно усложняет программирование экспертной системы.

Системы АДТ работают обычно в полной первопорядковой логике и существенно превосходят сегодня другие средства ИИ с точки зрения сложности теорем, доказываемых ими. Решены некоторые открытые задачи, поставленные известными математиками [10, 11], причем планка сложности неуклонно повышается.

С другой стороны, эти достижения в области систем АДТ принадлежат сфере офлайн-задач, т.е. задач без характерных ресурсных ограничений: это – сфера математических задач, программирования и вообще автоматизации строгих рассуждений, допускающих формализацию в некотором логическом языке, когда нет особой критичности в вопросе о ресурсах, отпущенных на проведение автоматических выкладок.

Последнее не означает, что методы АДТ принципиально не применимы к задачам реального времени. Например, так же, как и в логическом программировании [12], известны попытки применить АДТ в управлении движущимися объектами для построения полностью автономных систем. Первым примером такого типа является система управления мобильным интегральным роботом STRIPS – самоходным аппаратом, совершающим передвижения в упрощенной среде по формируемым командам [13, 14]. В работе [15] полное исчисление предикатов было использовано для планирования с учетом новых для того времени продвижений в АДТ.