Методы искусственного интеллекта в робототехнике (2 варианта) (1088971), страница 5
Текст из файла (страница 5)
Создание методики выбора критериев оптимизации алгоритмов управления мультиагентной системой. Например, время достижения цели, расходование ресурсов, цена ит.д [1,2].3. Разработка алгоритмов обработки информации поступающей от роботов.4. Разработка методики обработки отказов.5.
Следующая по сложности задача группового управления роботами – это определение области самостоятельных действий роботов. Создание алгоритмов самостоятельноговыполнения роботами промежуточных задач. Возможным классом подзадач здесь являются:– разработка алгоритма движения роботов к промежуточным целям;– самостоятельный сбор информации об исследуемой области;– обмен информацией между агентами.Для самостоятельного решения роботами промежуточных задач необходима некаясистема управления, которая бы руководила действиями робота в зависимости от состояния окружающей среды. Такую систему управления можно реализовать с помощьюразличных методов и математических моделей.1. Самый простой вариант реализации такого алгоритма – конечный автомат (это модуль, имеющий конечное число возможных состояний и функционирующий в дискретном времени).В каждый такт дискретного времени на вход автомата, управляющего автономнымроботом, поступают данные об окружающей среде; под ее воздействием автомат меняетсвое состояние; состояние, в которое автомат перейдет, определяется предыдущим егосостоянием и текущими данными об окружающей среде, полученными роботом.Достоинством данного метода являются простота реализации и отсутствие неоднозначных ситуаций в управлении.
Недостатком является невозможность адаптации к окружающей среде.2. Более сложный вариант реализации алгоритма управления роботом – использование математического аппарата нейросетевых алгоритмов. Нейронная сеть – это программная модель взаимодействия нейронов головного мозга человека.Основные задачи, которые решаются с помощью нейронных сетей, – это задачи распознавания (образов,текстов и т.п.). Важнейшая особенность нейронных сетей – наличие памяти и способностьк обучению.
Для обучения нейронных сетей используют некоторую обучающую базувходных данных и правильных откликов на эти данные.Методы искусственного интеллекта в робототехнике1. Выделениеклассаинтеллектуальныхуправляющихсистем,организованных с применением современной информационной технологии.Многоуровневые структуры интеллектуальных систем управления.
ПринципСаридиса. Интеллектуальность и точность по Саридису. Трехслойнаяконцептуальная архитектура интеллектуальных управляющих систем. Пятьпринципов построения интеллектуальных систем управления. Определения системуправления, интеллектуальных в большом и в малом.В качестве класса управляющих интеллектуальных систем можно выделить такие технологии:- технология экспертных систем, ориентированная на обработку знаний с явной формой представления ввиде продукционных правил, семантических сетей, предикатов и фреймообразных структур;- технология нечеткой логики, ориентированная на обработку логико-лингвистических моделейпредставления знаний с помощью продукционных правил и размытых множеств;- технология нейросетевых структур с неявной формой представления знаний, скрытых в архитектуре сети,параметрах нейронов и связей.- технология ассоциативной памяти, ориентированная на обработку с неявной формой представления в видегиперповерхности в многомерном пространстве признаков.Многоуровневые структуры интеллектуальных систем управления: стратегический уровень (планированиецелесообразности поведения), тактический уровень (планирование целесообразности действий),исполнительный уровень (обеспечение инвариантности или активной адаптации системы управленияприводами).
Измерительно-информационный комплекс замыкает контуры отдельных уровней управления.Принцип Саридиса, означает, что по мере продвижения к высшим уровням иерархической структурыповышается интеллектуальность системы, но снижается ее точность, и наоборот.Под интеллектуальностью системы подразумевается ее способность работать с базой внешних событийили ситуаций для привлечения знаний, позволяющих уточнить предложенную задачу и наметить пути еерешения. Под точностью понимается свобода выбора в выполнении операции по решению задачи.Слои обработки неопределенной информации (слои интеллектуальности):- слой прогноза событий;- слой самообучения и адаптации;- слой работы с базами событий, знаний и формирования решений;- исполнительный слой.Пять принципов построения интеллектуальных систем управления:- наличие тесного информационного взаимодействия управляющих систем с реальным внешним миром ииспользование специально организованных каналов связи;- принципиальная открытость системы для повышения интеллектуальности и совершенствованиясобственного поведения;- наличие механизмов прогноза изменений внешнего мира и собственного поведения системы;- построение управляющей системы в виде многоуровневой иерархической структуры в соответствии справилом: повышение интеллектуальности и снижение требований к точности по мере повышения рангаиерархии в системе (и наоборот);- сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности) приразрыве связей или потере управляющих воздействий от высших уровней иерархии управляющейструктуры.Система управления, функционирование которой ограничено двумя нижними слоями интеллектуальности,имеет степень интеллектуальности в малом.
Система управления, функционирование которой ограниченотремя нижними слоями интеллектуальности, имеет степень интеллектуальности в большом.2. Экспертная система. База знаний, база данных, механизмлогического вывода. Обобщенная структура экспертной системыуправления. примеры применения экспертных систем в задачахуправления.Экспертные системы — это средство решения неформализуемых задач. Вместо математических моделей вэтих системах в явном виде используются профессиональные знания специалистов, т.
е. их интеллект в виденабора рекомендуемых вариантов решений для заданного перечня ситуаций. Название "экспертныесистемы" появилось по первому применению этих систем как советчика специалиста, который долженпринимать решения в конкретной ситуации.База знаний содержит теоретические и эмпирические сведения о динамике объекта управления. База данныхвключает информацию о текущем состоянии системы управления и цели управления, а база алгоритмов—алгоритмы обработки данных, идентификации и управления. Блок логического вывода формируетэкспертное заключение об оптимальной текущей структуре и настройке системы приводов, которая затемреализуется в системе управления.Обобщенная структура экспертной системы управления:Пример системы управления манипулятором с экспертной системой настройки с помощью обучающейсябазы данных.Блок оценки качества БОК выявляет отклонения выбранного показателя качества для каждого привода поих выходным переменным.
Это осуществляется экспертной системой.Блок настройки БН приводов так же построен на базе знаний, содержащей рекомендации экспертов. Помере накапливания опыта в ходе эксплуатации системы содержание базы знаний пополняется, т. е.происходит процесс самоусовершенствования системы.3. Понятие лингвистической переменной и ее применение в системахуправления. Понятие нечеткой системы. Нечеткая система управления.Концептуальная схема нечеткой системы управления. Фазификация идефазификация. Основные способы дефазификации.Лингвистической называется переменная, принимающая значения из множества слов или словосочетанийнекоторого естественного или искусственного языка. Множество допустимых значений лингвистическойпеременной называется терм-множеством. Задание значения переменной словами, без использования чисел,для человека более естественно (прим.
"очень высокая температура"). Лингвистическая переменная задаетсяпятеркой, где- имя переменной;- терм-множество, каждый элемент которого (терм)представляется как нечеткое множество на универсальном множествечасто в виде грамматики, порождающие название термов;;- синтаксические правила,- семантические правила, задающие функциипринадлежности нечетких термов, порожденных синтаксическими правилами. В СУ с помощью ЛПописывается зависимость «вход-выход» во всем диапазоне возможных значений входных и выходныхвоздействий.Нечеткую систему применяют для формирования предельно обобщенных логико-лингвистических моделейпредставления знаний и разработки алгоритмов оценки ситуаций и принятия решений по управлению.Нечеткая система управления направлена на решение проблем в управлении, показала себя превосходно всложных, нелинейных системах.
Основная трудность синтеза систем нечеткого управления заключается ввыборе числа и значений лингвистических переменных и функций принадлежности. Сегодня этоосуществляется с помощью экспертных оценок. Нечеткая логика наряду с самостоятельным использованиемв системах нечеткого управления применяется в других интеллектуальных методах – экспертных системах,ассоциативной памяти, нейронных сетях, когда имеет место неопределенность, которую нельзя описать спомощью традиционного вероятностного подхода.Концептуальная схема нечеткой системы управления:ЛингвистическиепеременныеФазификация - отображение входных величин на нечеткие множества лингвистических переменных.Фазификация (отдельной величины х) нахождение степени принадлежности величины х всем термамлингвистической переменной:{a1,a2,…an} = {A1(x0),A1(x0),…,AN(x0), }.Дефазификацией называется процедура преобразования нечеткого множества в четкое число.Основные способы дефазификации: метод центра тяжести, метод центра области, метод среднегомаксимума, метод наименьшего максимума, метод наибольшего максимума.4.
Понятие нейронной сети. Модель нейрона и реализуемые им функции.Нейронные сети Хопфилда и Румельхарта, Методы настройки сети. Моделиобучения на базе нейронных сетей.Нейронные сети можно рассматривать как современные вычислительные системы, которые преобразуютинформацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеетчисленный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта ссовершенно неизвестными характеристиками.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
