Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения
Розроблено метод керування нелінійними об’єктами за допомогою еволюціонуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому використовується для рекурсивного передбачення поведінки об’єкта в системі керування з...
Gespeichert in:
| Veröffentlicht in: | Проблемы управления и информатики |
|---|---|
| Datum: | 2015 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2015
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/208045 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения / О.Г. Руденко, А.А. Бессонов // Проблемы управления и информатики. — 2015. — № 6. — С. 46-55. — Бібліогр.: 18 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860162121419980800 |
|---|---|
| author | Руденко, О.Г. Бессонов, А.А. |
| author_facet | Руденко, О.Г. Бессонов, А.А. |
| citation_txt | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения / О.Г. Руденко, А.А. Бессонов // Проблемы управления и информатики. — 2015. — № 6. — С. 46-55. — Бібліогр.: 18 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Розроблено метод керування нелінійними об’єктами за допомогою еволюціонуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому використовується для рекурсивного передбачення поведінки об’єкта в системі керування з прогнозуючою моделлю. Для навчання нейронної мережі запропоновано застосування генетичних алгоритмів, що дозволяє значно прискорити процес навчання. Наводяться результати імітаційного моделювання, що підтверджують ефективність запропонованого методу керування.
The development of a method of nonlinear objects control with the evolving feedforward neural networks is considered. The neural networks are used to build a nonlinear model of the object, which is then utilized for recursive prediction of the object’s behavior in the model predictive control. Genetic algorithms, which are used for the neural network’s training, significantly speed up the training process. The simulation results confirm the effectiveness of the proposed control method.
|
| first_indexed | 2025-12-07T17:55:23Z |
| format | Article |
| fulltext |
© О.Г. РУДЕНКО, А.А. БЕССОНОВ, 2015
46 ISSN 0572-2691
УДК 519.71
О.Г. Руденко, А.А. Бессонов
ПРОГНОЗИРУЮЩЕЕ УПРАВЛЕНИЕ
НЕЛИНЕЙНЫМИ ОБЪЕКТАМИ НА ОСНОВЕ
ЭВОЛЮЦИОНИРУЮЩИХ НЕЙРОННЫХ СЕТЕЙ
ПРЯМОГО РАСПРОСТРАНЕНИЯ
Введение
Отличительной особенностью получивших в последнее время широкое распро-
странение методов прогнозирующего управления динамическими объектами [1–3]
является способность построенных на данном принципе контроллеров работать
достаточно длительное время без вмешательства оператора. Из различных мето-
дов проектирования систем управления на основе концепции прогнозирующего
управления с моделью (ПУМ) наиболее часто используются такие стратегии, как
Dynamic Matrix Control (DMC), Model Algorithmic Control (MAC), Predictive Func-
tional Control (PFC), Extended Prediction Self-Adaptive Control (EPSAC), Extended
Horizon Adaptive Control (EHAC) и Generalized Predictive Control (GPC) [4].
ПУМ явно использует точную модель процесса для прогнозирования его по-
ведения для расчета оптимальной траектории управления (последовательности
управляющих сигналов) за счет оптимизации некоторой целевой функции в пре-
делах заданного горизонта предсказания.
В настоящее время достаточно хорошо разработаны методы прогнозирующе-
го управления с линейной моделью, которые применимы и для процессов, не яв-
ляющихся существенно нелинейными. Действительно, в некоторых случаях оп-
равдывает себя замена нелинейной модели линейной и нахождение параметров
регулятора, которые обеспечивали бы наилучшее управление в некоторой ком-
промиссной точке. Хотя такой подход и позволяет в ряде случаев существенно
уменьшить априорную неопределенность и реализовать достаточно эффективное
управление, ограничение линейными моделями не всегда обеспечивает получение
требуемого результата. Поэтому более эффективным представляется разработка
систем управления на основе адаптивного подхода в сочетании с методами тео-
рии искусственных нейронных сетей (ИНС), что позволяет, с одной стороны, по-
строить довольно простые нелинейные нейросетевые модели, а с другой — адап-
тивно корректировать параметры как самих моделей, так и регулятора в соответ-
ствии с изменяющимися условиями. Однако при использовании ИНС возникает
проблема выбора ряда характеристик сети (тип сети, ее структура, количество
нейронов и вид их базисных функций), существенно влияющих на качество ре-
шаемой задачи. Если задача определения структуры сети дискретно оптимизаци-
онная (комбинаторная), то поиск оптимальных параметров осуществляется в не-
прерывном пространстве с помощью классических методов оптимизации. Кроме
того, существенным недостатком применения ИНС для построения систем управ-
ления является их низкая скорость реакции, обусловленная необходимостью ис-
пользования для обучения сети и реализации управления ресурсоемких градиент-
ных алгоритмов оптимизации. В связи со сложностью получаемых таким образом
контроллеров гибкими и наиболее подходящими для управления нелинейными
объектами являются неградиентные методы оптимизации [5]. С учетом сказанно-
го целесообразно применение эволюционного подхода, позволяющего не только
осуществить выбор параметров сети, но и их настройку.
Международный научно-технический журнал
«Проблемы управления и информатики», 2015, № 6 47
Основным преимуществом использования эволюционных алгоритмов (ЭА) в
качестве алгоритмов обучения является то, что многие параметры ИНС могут
быть закодированы в геноме и определяться параллельно. Более того, в отличие
от большинства алгоритмов оптимизации, предназначенных для потактового ре-
шения задачи, ЭА оперируют множеством решений — популяцией, что позволяет
достичь глобального экстремума, не застревая в локальных. При этом информа-
ция о каждой особи популяции кодируется в хромосоме (генотипе), а получение
решения (фенотипа) осуществляется после эволюции (отбора, скрещивания, му-
тации) путем декодирования.
Среди ЭА, являющихся стохастическими и включающими эволюционное
программирование, эволюционные стратегии, генетические алгоритмы, генетиче-
ское программирование, в частности программирование с экспрессией генов, од-
ними из наиболее распространенных являются генетические алгоритмы (ГА) [6].
С помощью простых арифметических операций они позволяют достаточно быст-
ро не только вычислять значения управляющих сигналов, но и осуществлять
адаптивную настройку внутренних параметров контроллера.
В данной работе предлагается схема прогнозирующего управления нелиней-
ным объектом, являющаяся дальнейшим развитием схем, предложенных в рабо-
тах [7, 8]. Она включает эволюционирующую нейросетевую модель и контроллер,
реализованный на основе ГА.
Задача прогнозирующего управления
Рассмотрим задачу управления нелинейным объектом в дискретном времени,
описываемом уравнением
),()](...,),1(),(...,),1([)( knkukumkykyfky (1)
где ),(ky )(ku — выходные и управляющие сигналы соответственно; )(f —
неизвестная нелинейная функция; )(k — помеха.
Традиционная схема управления объектом (1) с прогнозирующей моделью с
предсказывающей процедурой (пунктирная линия) показана на рис. 1. В текущий мо-
мент времени модель используется для предсказания влияния будущего управляюще-
го сигнала u~ (или «манипулирующей переменной») на выходной сигнал объекта .~y
Предсказание производится на несколько шагов вперед. Учитывая будущие значения
эталонного сигнала r~ и выходного сигнала ,~y будущее изменение управляющего
сигнала u~ определяется с помощью оптимизационного процесса в целях уменьшения
предсказанной ошибки.
Целевая
функция Ограничения
Контроллер
на базе ГА
Нелинейный
объект
Корректор
Модель
y~
ŷ
y u
u~
r~
r
+
+
ue
ye
cr
–
–
Рис. 1
48 ISSN 0572-2691
Принцип работы прогнозирующего контроллера представлен на рис. 2. На
основе модели, предположительно известной, определяются будущие значения вы-
ходов объекта ),( lky ,...,,2,1 HNl где HN — горизонт предсказания, кото-
рые зависят от его текущих состояний и будущих значений управляющих сигна-
лов, ),( mku ,...,,2,1 CNm где CN — горизонт управления и .HC NN Про-
гнозирующий контроллер вычисляет возможные будущие значения сигналов
управления таким образом, чтобы значения будущих выходных сигналов были
наиболее близкими к требуемым значениям ),( lkr ....,,2,1 HNl
Прошлое Будущее Желаемые значения r
Предсказанные выходные
сигналы y(k l)
Управляющие сигналы
u(k l)
Горизонт управления
Горизонт предсказания
k 1k cNk HNk … …
Рис. 2
Задача управления при этом заключается в точном отслеживании эталонной
траектории )(kr при отсутствии значительных колебаний управляющего сигнала
и соблюдении при этом всех наложенных ограничений на диапазон управляюще-
го сигнала, градиент управляющего сигнала и допустимый диапазон состояний
процесса:
. )(
, )(
, )(
maxmin
maxmax
maxmin
kykyy
kukuu
kukuu
(2)
Математически цель процесса управления можно сформулировать как мини-
мизацию некоторой целевой функции. В качестве целевой функции при прогно-
зирующем управлении широко используется функционал вида
,)]1([)()]()(ˆ)[(),,(
1
22
0
0
cp N
j
cp
N
Ni
cp jkujikrkikyiNNNJ (3)
где 0N — начало интервала предсказания, p и c — некоторые весовые
параметры.
Прогнозирующее нейроуправление
При реализации нейросетевого прогнозирующего управления в качестве мо-
дели объекта (1) используется нейросетевая модель, для построения которой наи-
более часто применяются многослойный персептрон (МП) и радиально-базисная
сеть (РБС).
То обстоятельство, что обе сети позволяют аппроксимировать с любой за-
данной точностью любую непрерывную функцию, обеспечило их широкое при-
Международный научно-технический журнал
«Проблемы управления и информатики», 2015, № 6 49
менение в задачах идентификации нелинейных объектов, а сочетание хороших
аппроксимирующих свойств со способностью быстро обучаться позволяет
использовать их для управления нелинейными динамическими объектами в ре-
альном времени. Обе сети используют аппроксимацию нелинейного оператора
объекта )(f некоторой системой базисных функций, реализуемой нейронами,
образующими слой сети, а задача идентификации сводится к обучению сети, за-
ключающемся в настройке параметров нейронов на основе предъявления обу-
чающих пар (измеряемых значений входных и соответствующих выходных пере-
менных) обычно путем минимизации квадратичного функционала ошибки
},])(ˆ)(~{[)( 22 kykyMkeJ и (4)
где )(~ ky — вектор выходных сигналов модели.
Обучение многослойного персептрона, содержащего несколько (чаще всего не
более двух) скрытых слоев, осуществляется обычно с помощью алгоритма обратного
распространения ошибки, реализация которого связана с существенными вычисли-
тельными трудностями. Более простой архитектурой обладают РБС (они состоят из
одного слоя нейронов). Однако для их обучения также используются градиентные ал-
горитмы, требующие значительных вычислительных затрат, что усложняет их приме-
нение в системах управления в реальном времени. В связи с этим возникла новая об-
ласть, объединяющая нейронные и эволюционные парадигмы [9, 10], в основном на-
правленная на объединение алгоритмов обучения с теорией эволюции (эволюция
весов ИНС, архитектуры, алгоритмов обучения и активационных функций).
Использование в эволюционирующих искусственных нейронных сетях (ЭИНС)
двух форм адаптации — эволюции и обучения, позволяющих изменять структуру
сети, ее параметры и алгоритмы обучения без внешнего вмешательства, делает
данные сети наиболее приспособленными для работы в нестационарных условиях
и при наличии неопределенности относительно свойств исследуемого объекта и
условий его функционирования.
Подробно процесс построения моделей нелинейных объектов на основе ЭИНС
прямого распространения рассматривается в работах [11–13].
После окончания процесса обучения сеть используется для реализации алго-
ритма управления с предварительной коррекцией эталонной траектории.
Как и в случае идентификации, для нахождения минимума функционала (2) могут
использоваться различные рекуррентные алгоритмы, в частности градиентные вида
)),()(()1()( kekkuku уu (5)
где ;
)(
)(
ku
ke
e
у
уu
);()( kykreу .0)( k
Следует отметить, что наличие помех измерений приводит к тому, что реше-
ния, получаемые как с помощью алгоритмов управления, использующих вычисле-
ния производных, так и с помощью эволюционных алгоритмов, обычно неудовле-
творительны [14]. Более того, отсутствие информации о виде распределения помех
зачастую приводит к тому, что возникает необходимость дополнительной коррек-
ции эталонной траектории. При этом одним из наиболее эффективных подходов
является применение модели Тьюки–Хьюбера для -засоренных вероятностных
распределений [15]
),()()1()( 0 xqxpxp (6)
где )(0 xp — плотность соответствующего основного распределения );,0( 2
1N
)(xq — плотность засоряющего (произвольного) распределения ),,0( 2
2N
;2
2
2
1 ]1,0[ — параметр, характеризующий степень засорения основного
распределения.
50 ISSN 0572-2691
При использовании модели засорения (6) с помощью некоторых процедур
можно настроить величины 2
1s и ,2
2s являющиеся оценками 2
1 и ,2
2 и осуще-
ствить коррекцию эталонной траектории управления следующим образом:
),(ˆ)()( 2 kehkrhkrc (7)
где ;...,,0 pNNh
случае. противном в
)(
))(ˆ)((
);(3)(ˆ)(если,
)(
))(ˆ)((
)(ˆ
2
2
2*
1
*
2
1
2*
2
ks
xyxy
ksxyxy
ks
xyxy
ke
jjjj
jjjj
jjjj
(8)
Скорректированная с помощью процедуры (7) эталонная траектория подается
на контроллер, который минимизирует функционал (3).
Прогнозирующее управление на основе ГА
В связи с высокими вычислительными затратами, связанными с вычислением
градиента для вычисления возможных будущих сигналов управления, целесооб-
разно использовать ГА. Общую схему ГА можно описать следующими шагами.
1. Инициализация популяции хромосом (набор случайно сгенерированных
хромосом).
2. Оценка фитнес-функции для всех особей.
3. Выбор родительских особей.
4. Кроссовер и мутации родительских особей и их потомков.
5. Завершение формирования нового поколения из новых потомков и отдель-
ных особей предыдущего поколения.
6. Проверка критерия останова. Если не выполняется, то переход к шагу 2.
Отдельные шаги алгоритма рассмотрим более подробно.
Инициализация популяции хромосом. Каждая особь популяции кодирует-
ся хромосомой },...,,1;{ popNioi содержащей набор генов, определяющих по-
следовательность управляющих сигналов и внутренние параметры корректора
2
1(s и )2
2s и контроллера. Формат хромосомы представлен на рис. 3. Следует от-
метить, что помимо указанных на рисунке параметров, хромосома может содер-
жать также гены, характеризующие активационные функции нейронов, оценки
,1 2 и т.д. (это целесообразно при построении нейросетевой модели).
Управляющие сигналы
1ru
Параметры корректора Параметры контроллера
2ru 3ru
4ru
1s
2s … … … … … …
Рис. 3
Оценка фитнес-функции. Фитнес-функцией оптимизатора является целевая
функция системы интеллектуального управления (3).
Кроссовер. С его помощью осуществляется обмен генетической информаци-
ей между двумя особями популяции. В данной работе используется одноточечный
оператор, модифицированный таким образом, что он выполняется только в том
случае, если после данной операции не будут нарушены ограничения управляю-
щих сигналов (2). Мутация. Мутация — единственный способ ввода новой ин-
формации в популяцию. В данном алгоритме оператор мутации применяется для
Международный научно-технический журнал
«Проблемы управления и информатики», 2015, № 6 51
случайно выбранного значения управляющего сигнала особи }...,,1;{ popNioi
с некоторой вероятностью Pmut. В работе используется модифицированная гаус-
совская мутация [16], которая отсекает измененные значения, лежащие вне допус-
тимого интервала, что позволяет удовлетворить условиям, ограничивающим до-
пустимые значения управляющего сигнала (5).
Моделирование
Эксперимент 1. Решалась задача управления нелинейным объектом, описы-
ваемым уравнением
,
)(1
)(
))((sin)1(
2 ky
ky
kuky
(9)
где )(ku — сигнал управления.
Вначале производилась идентификация объекта с помощью эволюциони-
рующей РБС. Начальная популяция состояла из 128 особей (ИНС). На каждой
итерации алгоритма каждой особи предъявлялось 5000M обучающих пар.
После окончания процесса идентификации производилось прогнозирующее
управление объектом (9) с помощью контроллера, использующего для вычисле-
ния управляющего воздействия ГА. Популяция состояла из 20 особей. Каждая
особь была закодирована хромосомой, содержащей информацию о будущих HN
управляющих воздействиях и о внутренних параметрах контроллера и предиктора.
Желаемый закон изменения выходного сигнала объекта представлял собой
пилообразный сигнал, изменяющийся в диапазоне ].5,0;5,0[ Результаты управ-
ления объектом (9) при различных значениях горизонта предсказания приведены
на рис. 4. Так для рис. 4, а ,10HN для рис. 4, б ,20HN а для рис. 4, в
.30HN На всех рисунках сплошной линией обозначен желаемый выходной
сигнал, пунктирной — реальный выходной сигнал, сплошной с кружками — управ-
ляющий сигнал.
0 100 200 300 400 500
– 1
0
0,6
– 0,6
а
0 100 200 300 400 500
– 1
0
0,6
– 0,6
б
Рис. 4
52 ISSN 0572-2691
Продолжение рис. 4
0 100 200 300 400 500
– 1
0
0,6
– 0,6
в
Как следует из рис. 4, с увеличением горизонта предсказания происходит
сглаживание результатов и повышается точность управления.
Эксперимент 2. Решалась задача идентификации зашумленного объекта, ко-
торый описывался уравнением
),(
)(2
]5,0))(()[cos(
)1(
2
k
ky
kyku
ky
(10)
где )(k — нормально распределенная помеха с .6,02
Желаемое значение выходного сигнала определялось по формуле
).100/(cos05,0)200/(sin07,06,0)1( kkkr (11)
Для идентификации объекта (10) использовалась популяция, состоящая из
150 особей. На каждом из 500 этапов эволюции каждой особи предъявлялось 5000
обучающих пар. В ходе работы алгоритма управления оценивались параметры
помехи в соответствии с моделью (6). При этом были получены следующие зна-
чения: ,6074,02
1 s ,128,22
2 s .0021,0
Результаты управления объектом приведены на рис. 5. Здесь, как и в пре-
дыдущем эксперименте, сплошной линией обозначен желаемый выходной
сигнал, пунктирной — реальный выходной сигнал, сплошной с кружками —
управляющий сигнал.
0 500 1000 1500 2000 2500
1
0
1,5
0,5
Рис. 5
Результаты моделирования свидетельствуют о том, что рассматриваемый
подход позволяет эффективно решать задачу управления при наличии помех из-
мерений.
Эксперимент 3. Изучалась задача прогнозирующего управления многомер-
ным нелинейным динамическим объектом, описываемым уравнениями
Международный научно-технический журнал
«Проблемы управления и информатики», 2015, № 6 53
),(
3
)1(2))1()1((sin
)(
);(1,0)1(25,0)1(5,0
)]1([502
)1()1(15
)(
2
212
2
1212
1
21
1
k
kukyku
ky
kkyku
ku
kyku
ky
(12)
где )(1 k и )(2 k — помехи измерений.
В качестве входных сигналов при обучении сети использовались некоррели-
рованные случайные последовательности с равномерным законом распределения
в интервале ].1 ,1[ Для обучения сети использовалась популяция, состоящая из
250 особей. На каждом из 500 этапов эволюции каждой особи предъявлялось
10 тыс. обучающих пар. По окончании процесса идентификации осуществлялось
управление многомерным объектом (12). Задавались требуемые значения выход-
ных сигналов:
.1000,501,1,0
;500,1,2,0
)(
;1000,501),200/(cos05,0)100/(sin2,0
;500,401,100/5,4
;400,301,100/5,3
;300,201,100/5,2
;200,101,100/5,1
;100,1,100/5,0
)(
*
2
*
1
k
k
ky
kkk
kk
kk
kk
kk
kk
ky
Результаты работы нейрорегулятора отражены на рис. 6. На всех рисунках
пунктирной линией показан требуемый выходной сигнал ),(kri сплошной — ре-
альный ),(ˆ kyi а линией с кружками — соответствующее изменение управляюще-
го сигнала .2,1 ),( ikui Рисунки 6, а, б отражают результаты моделирования
при отсутствии помех измерений, т.е. ,0)(1 k .0)(2 k На рис. 6, в, г приве-
дены результаты моделирования при наличии помех измерений по обоим каналам
управления, при этом )(1 k являлась нормально распределенной помехой с
,6,02 а )(2 k — с .8,02 Оценки параметров помех в соответствии с мо-
делью (6) дали следующие значения: ,5912,02
1 s ,9558,12
2 s 0023,0 для
первого канала управления и ,7982,02
1 s ,5847,22
2 s 0028,0 для второго.
0 200 400 600 800 1000
0
0,8
– 1
0 200 400 600 800 1000
0,2
0,8
– 0,2
а б
Рис. 6
54 ISSN 0572-2691
Продолжение рис. 6
0 200 400 600 800 1000
0,5
1
– 1,5
0 200 400 600 800 1000
0,2
0,8
– 0,2
в г
Результаты моделирования свидетельствуют о том, что развиваемый подход
позволяет синтезировать нейросетевой контроллер для управления многомерны-
ми нестационарными объектами при наличии помех измерений.
Заключение
Как следует из результатов моделирования, рассматриваемый подход к син-
тезу системы прогнозирующего управления нелинейными объектами на основе
эволюционирующих нейронных сетей прямого распространения позволяет суще-
ственно ускорить процесс синтеза модели объекта за счет применения негради-
ентных процедур построения нейросетевой модели и вычисления управляющего
сигнала. Результаты имитационного моделирования подтверждают эффектив-
ность применения предложенных методов для управления одно- и многомерными
нелинейными объектами в реальном времени при наличии помех измерений.
Несмотря на ряд очевидных преимуществ такого подхода (отсутствие необ-
ходимости в обучающем множестве данных при построении нейросетевой модели
объекта, независимость от структуры используемой ИНС и возможность одно-
временной настройки топологии сети и ее параметров и т.д.), при практической
его реализации возникает ряд специфических для каждого конкретного случая
проблем, например:
— выбор способа кодирования информации об используемой сети;
— выбор используемых генетических операторов кроссовера и мутации.
Способ кодирования влияет на скорость решения задачи, так как с увеличе-
нием сложности кодирования возрастают сложность декодирования и размер-
ность пространства поиска, что приводит к росту вычислительных затрат на его
реализацию. В свою очередь выбор проблемно-ориентированных генетических
операторов, зависящий от способа кодирования, существенно влияет на качество
получаемого решения. В этих условиях представляется целесообразным распа-
раллеливание эволюционного поиска путем использования, например, коэволю-
ционного подхода [17, 18].
О.Г. Руденко, О.О. Безсонов
ПРОГНОЗУЮЧЕ КЕРУВАННЯ НЕЛІНІЙНИМИ
ОБ’ЄКТАМИ НА ОСНОВІ
ЕВОЛЮЦІОНУЮЧИХ НЕЙРОННИХ МЕРЕЖ
ПРЯМОГО РОЗПОВСЮДЖЕННЯ
Розроблено метод керування нелінійними об’єктами за допомогою еволюціо-
нуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі
застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому
використовується для рекурсивного передбачення поведінки об’єкта в сис-
темі керування з прогнозуючою моделлю. Для навчання нейронної мережі
Международный научно-технический журнал
«Проблемы управления и информатики», 2015, № 6 55
запропоновано застосування генетичних алгоритмів, що дозволяє значно
прискорити процес навчання. Наводяться результати імітаційного моделю-
вання, що підтверджують ефективність запропонованого методу керування.
O.G. Rudenko, А.А. Bezsonov
PREDICTIVE CONTROL OF NONLINEAR
OBJECTS USING EVOLVING
FEEDFORWARD NEURAL NETWORKS
The development of a method of nonlinear objects control with the evolving
feedforward neural networks is considered. The neural networks are used to build a
nonlinear model of the object, which is then utilized for recursive prediction of the
object’s behavior in the model predictive control. Genetic algorithms, which are used
for the neural network’s training, significantly speed up the training process. The
simulation results confirm the effectiveness of the proposed control method.
1. Qin S.J., Badgwell T. A survey of industrial model predictive control technology // Control Engi-
neering Practice. — 2003. — 11, — N 7. — P. 733–764.
2. Yu D.L., Yu D.W., Gomm, J.B. Neural model adaptation and predictive control of a chemical rig //
IEEE Transaction on Control Systems Technology. — 2006. — 14, N 5. — P. 828–840.
3. Lawrynczuk M. An efficient nonlinear predictive control algorithm with neural models based on
multipoint on-line linearization // EUROCON. The International Conference on Computer as
a Tool. Warsaw. — 2007. September 9-12. — P. 777–784.
4. Rusnak V, Fikar M., Najim K., Meszaros A. Generalized predictive control based on neural net-
works // Neural Process. Lett. — 1996. — N 4. — P. 107–112.
5. Potocnik P., Grabec I. Nonlinear model predictive control of a cutting process //
Neurocomputing. — 2002. — N 43. — P. 107–126.
6. Holland J. Adaptation in natural and artificial systems: 2nd edn. — Cambridge : MIT Press,
1992. —228 p.
7. Ichikawa Y., Sawa T. Neural network application for direct feedback controllers // IEEE Trans.
Neural Networks. — 1992. — N 3. — P. 224–231.
8. Sette S., Boullart L., Van L. Langenhove, Optimizing a production process by a neural network:
genetic algorithm approach // Eng. Appl. Artif. Intell. — 1996. — N 9. — P. 681–689.
9. Yao X. Evolving artificial neural networks // Proc. of the IEEE. — 1999. — 87, N 9. — P. 1423–1447.
10. Yao X., Lin Y. A new evolutionary system for evolving artificial neural networks // IEEE Trans.
on Neural Networks. — 1997. — N 3. — P. 694–713.
11. Руденко О.Г., Бессонов А.А. Робастная нейроэволюционная идентификация нелинейных не-
стационарных объектов // Кибернетика и системный анализ. — 2014. — № 1. — С. 11–20.
12. Руденко О.Г., Бессонов А.А. Идентификация нелинейных нестационарных объектов с по-
мощью эволюционирующей радиально-базисной сети // Международный научно-техничес-
кий журнал «Проблемы управления и информатики». — 2012. — № 4. — С. 5–14.
13. Руденко О.Г., Бессонов А.А. Многокритериальная оптимизация эволюционирующих сетей
прямого распространения // Там же. — 2014. — № 6. — С. 29–41.
14. Jin Y., Branke J. Evolutionary optimization in uncertain environments — a survey // IEEE
Tr. Evolutionary Computation. — 2005. — 5, N 3. — P. 303–317.
15. Хьюбер П. Робастность в статистике. — М. : Мир, 1984. — 304 с.
16. Бессонов А.А. Обучение радиально-базисных сетей с помощью генетических алгоритмов с
адаптивной мутацией // Системи обробки інформації. — 2012. — Вип. 3(2). — С. 177–180.
17. Potter M.A., De Jong K.A. Cooperative coevolution: An architecture for evolving coadapted sub-
components // Evolutionary Computation. — 2000. — N 8. — P. 1–29.
18. Moriarty D.E., Miikkulainen R. Forming neural networks through efficient and adaptive coevolu-
tion // Ibid. — 1997. — N 5. — P. 373–399.
Получено 19.05.2015
|
| id | nasplib_isofts_kiev_ua-123456789-208045 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2025-12-07T17:55:23Z |
| publishDate | 2015 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Руденко, О.Г. Бессонов, А.А. 2025-10-18T13:51:53Z 2015 Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения / О.Г. Руденко, А.А. Бессонов // Проблемы управления и информатики. — 2015. — № 6. — С. 46-55. — Бібліогр.: 18 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/208045 519.71 10.1615/JAutomatInfScien.v47.i12.20 Розроблено метод керування нелінійними об’єктами за допомогою еволюціонуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому використовується для рекурсивного передбачення поведінки об’єкта в системі керування з прогнозуючою моделлю. Для навчання нейронної мережі запропоновано застосування генетичних алгоритмів, що дозволяє значно прискорити процес навчання. Наводяться результати імітаційного моделювання, що підтверджують ефективність запропонованого методу керування. The development of a method of nonlinear objects control with the evolving feedforward neural networks is considered. The neural networks are used to build a nonlinear model of the object, which is then utilized for recursive prediction of the object’s behavior in the model predictive control. Genetic algorithms, which are used for the neural network’s training, significantly speed up the training process. The simulation results confirm the effectiveness of the proposed control method. ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Проблемы динамики управляемых систем Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения Прогнозуюче керування нелінійними об'єктами на основі еволюціонуючих нейронних мереж прямого розповсюдження Predictive control of nonlinear objects using evolving feedforward neural networks Article published earlier |
| spellingShingle | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения Руденко, О.Г. Бессонов, А.А. Проблемы динамики управляемых систем |
| title | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| title_alt | Прогнозуюче керування нелінійними об'єктами на основі еволюціонуючих нейронних мереж прямого розповсюдження Predictive control of nonlinear objects using evolving feedforward neural networks |
| title_full | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| title_fullStr | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| title_full_unstemmed | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| title_short | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| title_sort | прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения |
| topic | Проблемы динамики управляемых систем |
| topic_facet | Проблемы динамики управляемых систем |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/208045 |
| work_keys_str_mv | AT rudenkoog prognoziruûŝeeupravlenienelineinymiobʺektaminaosnoveévolûcioniruûŝihneironnyhseteiprâmogorasprostraneniâ AT bessonovaa prognoziruûŝeeupravlenienelineinymiobʺektaminaosnoveévolûcioniruûŝihneironnyhseteiprâmogorasprostraneniâ AT rudenkoog prognozuûčekeruvannânelíníinimiobêktaminaosnovíevolûcíonuûčihneironnihmerežprâmogorozpovsûdžennâ AT bessonovaa prognozuûčekeruvannânelíníinimiobêktaminaosnovíevolûcíonuûčihneironnihmerežprâmogorozpovsûdžennâ AT rudenkoog predictivecontrolofnonlinearobjectsusingevolvingfeedforwardneuralnetworks AT bessonovaa predictivecontrolofnonlinearobjectsusingevolvingfeedforwardneuralnetworks |