О.В. Дружинина1

1 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

1 ovdruzh@mail.ru

Постановка проблемы. Построение и анализ математических моделей технических систем с переключениями режимов функционирования относятся к актуальным задачам исследования. Круг таких задач включает в себя построение обобщенных динамических моделей, синтез управлений, оптимальное управление переключаемыми динамическими системами в условиях неопределенности, разработку алгоритмического обеспечения с использованием архитектур искусственных нейронных сетей.

Цель. Усовершенствовать подход к разработке алгоритмического обеспечения для моделирования управляемых технических систем с переключениями на основе использования интеллектуальных технологий и методов численной оптимизации.

Результаты. Дано описание обобщенной многомерной модели переключаемой системы. Охарактеризованы задачи управления переключаемыми системами, решаемые с привлечением методов численной оптимизации и нейросетевого моделирования. Разработаны алгоритмы для моделирования переключаемых технических систем, а именно: алгоритм поиска оптимального значения функции на основе роя нейросетевых агентов и алгоритм обучения нейросетевых агентов. Рассмотрены перспективы применения разработанного алгоритмического обеспечения.

Практическая значимость. Результаты исследования могут быть использованы при решении задач нейросетевого моделирования, машинного обучения и различных оптимизационных задач, а также при проектировании и совершенствовании переключаемых систем с учетом неопределенностей. Кроме того, полученные результаты могут найти применение в задачах оптимизации транспортных маршрутов и управления транспортными системами.

Дружинина О.В. Нейросетевые алгоритмы для моделирования переключаемых технических систем // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 5. С. 72-79. DOI: https://doi.org/10.18127/j19998554-202405-07

1. Liberzon D. Switching in systems and control. New York: Springer. 2012. 233 p.
2. Li Z., Soh Y., Wen C. Switched and impulsive systems: Analysis, Design and Applications. New York: Springer. 2005. 274 p.
3. Zhao X., Kao Y., Niu B., Wu T. Control synthesis of switched systems. New York: Springer. 2017. 164 p.
4. Васильев С.Н., Маликов А.И. О некоторых результатах по устойчивости переключаемых и гибридных систем // Актуальные проблемы механики сплошной среды. К 20-летию ИММ КазНЦ РАН. Казань: Фолиант. 2011. Т. 1. С. 23–81.
5. Бортаковский А.С. Достаточные условия оптимальности управления переключаемыми системами // Известия Российской академии наук. Теория и системы управления. 2017. № 4. С. 86–103. DOI 10.7868/S0002338817040084.
6. Бортаковский А.С., Урюпин И.В. Оптимизация траекторий переключаемых систем // Известия Российской академии наук. Теория и системы управления. 2021. Т. 5. № 5. С. 33–51. DOI 10.31857/S000233882105005X.
7. Бортаковский А.С., Урюпин И.В. Компьютерная технология синтеза оптимальных линейных переключаемых систем // Вестник компьютерных и информационных технологий. 2019. № 11(185). С. 13–20. DOI 10.14489/vkit.2019.11.pp.013-020.
8. Masina O.N., Petrov A.A., Druzhinina O.V. Models for the control of technical systems motion taking into account optimality conditions // CEUR Workshop Proceedings. 2017. V. 1987. P. 386–391.
9. Druzhinina O., Masina O., Petrov A. The synthesis of the switching systems optimal parameters search algorithms // Communications in Computer and Information Science. 2019. V. 974. P. 306–320. DOI 10.1007/978-3-030-10934-9_22.
10. Haykin S. Neural Networks: A Comprehensive Foundation. Prentice Hall. 1999. 842 p.
11. Sun S., Cao Z., Zhu H., Zhao J. A Survey of Optimization Methods from a Machine Learning Perspective // IEEE Transactions on Cybernetics. 2020. V. 50. № 8. P. 3668–3681. DOI 10.1109/TCYB.2019.2950779.
12. Матренин П.В., Секаев В.Г. Системное описание алгоритмов роевого интеллекта // Программная инженерия. 2013. № 12. С. 39–45.
13. Ермаков Б.С. Оптимизация роем частиц в обучении искусственных нейронных сетей // Системный анализ и логистика. 2017. № 1(14). С. 3–9.
14. Грачев П.Г., Муравьев С.Б., Фильченков А.А., Шалыто А.А. Генерация автоматов на основе рекуррентных нейросетей и автоматического выбора кластеризации // Информационно-управляющие системы. 2020. № 1(104). С. 34–43. DOI 10.31799/1684-8853-2020-1-34-43.
15. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Развитие инструментального обеспечения отечественной вычислительной платформы «Эльбрус 801-PC» в задачах нейросетевого моделирования нелинейных динамических систем // Нелинейный мир. 2021. Т. 19. № 1. С. 15−28. DOI 10.18127/j20700970-202101-02.
16. Druzhinina O.V., Masina O.N., Petrov A.A., Lisovsky E.V., Lyudagovskaya M.A. Neural network optimization algorithms for controlled switching systems // Advances in Intelligent Systems and Computing. 2020. V. 1225. P. 470–483. DOI 10.1007/978-3-030-51971-1_39.
17. Петров А.А., Дружинина О.В., Масина О.Н. Развитие алгоритмического обеспечения для моделирования нелинейных управляемых систем с переключениями // Нелинейный мир. 2022. Т. 20. № 1. С. 5–13. DOI 10.18127/j20700970-202201-01.
18. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 1. С. 25–35. DOI 10.18127/j19998554-202201-03.
19. Masina O.N., Petrov A.A., Chernomordov S.V., Openkin D.Y., Druzhinina O.V. Algorithms for switching technical systems modeling // CEUR Workshop Proceedings. 2021. V. 2922. P. 109–118.
20. Kiam H.A., Chong G., Yun L. PID control system analysis, design, and technology // IEEE Transactions on Control Systems Technology. 2005. V. 13. № 4. P. 559–576. DOI 10.1109/TCST.2005.847331.
21. Shtessel Y., Edwards C., Fridman L., Levant A. Sliding Mode Control and Observation. Basel: Birkhauser. 2014. 356 p.
22. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой: Учеб. пособие. Изд. 3-е. М.: МГТУ им. Н.Э. Баумана. 2021. 448 c.
23. Ясинский И.Ф. Метод самоорганизации нейронной сети для прогнозирования процессов cо штрафом за сложность и произвольной структурой // Вестник Ивановского государственного энергетического университета. 2013. № 3. С. 61–63.
24. Aggarwal C. Neural Networks and Deep Learning. Springer International Publishing. 2023. 529 p.