Д.Ю. Опенкин1, С.В. Черномордов2

1,2 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)  

Постановка проблемы. Развитие инструментально-методического обеспечения для моделирования нелинейных управляемых систем с переключениями является актуальной задачей. На пути решения данной задачи используются интеллектуальные технологии и различные модификации методов численной оптимизации.

Цель. Создать алгоритмическое обеспечение для моделирования управляемых систем с переключениями на основе использования интеллектуальных технологий и методов численной оптимизации.

Результаты. Разработано алгоритмическое обеспечение для синтеза управлений с обратной связью при помощи пропорционально-интегрально-дифференцирующего регулятора (ПИД-регулятора). Охарактеризованы интеллектуальные технологии для моделирования управляемых систем с переключениями. Для настройки ПИД-регулятора предложен алгоритм с использованием методов глобальной параметрической оптимизации. Изучены модели нелинейных динамических систем с переключениями. Предложен алгоритм поиска оптимальных траекторий на основе нейросетевых автоматов. Разработаны основы для дальнейших исследований, в которых планируется создать программную реализацию алгоритма переключений и нейросетевого алгоритма.

Практическая значимость. Разработанное алгоритмическое обеспечение для синтеза управлений с обратной связью при помощи ПИД-регулятора позволит проводить анализ влияния различных параметров на качество и скорость функционирования интеллектуальных систем управления с переключениями. Полученные результаты могут быть использованы в различных задачах моделирования и глобальной оптимизации управляемых систем: технических систем с переключениями режимов работы, транспортных систем, а также в задачах нейросетевого моделирования и машинного обучения.

Опенкин Д.Ю., Черномордов С.В. Применение интеллектуальных технологий для моделирования управляемых систем с переключениями // Наукоемкие технологии. 2021. Т. 22. № 4. С. 26−33. DOI: https://doi.org/10.18127/j19998465-202104-04

1. Синицын И.Н., Дружинина О.В., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки инструментально-методического обеспечения для решения задач моделирования управляемых динамических систем с применением технологий машинного обучения и отечественных программно-аппаратных средств // Нелинейный мир. 2019. Т. 17. № 4. С. 5–19.
2. Шпилевая О.Я., Котов К.Ю. Переключаемые системы: устойчивость и проектирование (обзор) // Автометрия. 2008. T. 44. № 5. С. 71–87.
3. Druzhinina O.V., Masina O.N., Petrov A.A. Models for the control of technical systems motion taking into account optimality conditions. Proceedings of the VIII International Conference on Optimization Methods and Applications «Optimization and Applications» (OPTIMA–2017), Petrovac, Montenegro, October 2–October 7, 2017. Published at http://CEUR-WS.org 10.11.2017. Vol. 1987. P. 386–391.
4. Druzhinina O.V., Masina O.N., Petrov A.A. The synthesis of the switching systems optimal parameters search algorithms. Communications in Computer and Information Science. 2019. Т. 974. С. 306–320.
5. Хайкин С. Нейронные сети. М.: Издательский дом «Вильямс», 2006.
6. Круглов В.В., Дли М.Н., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит. 2001.
7. Plotnikova N.P., Fedosin S.A., Teslya V.V. Gravitation search training algorithm for asynchronous distributed multilayer perceptron model. Lecture Notes in Electrical Engineering. 2015. V. 312. P. 417–423.
8. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. Изд. 2-е. М.: МГТУ им. Н.Э. Баумана. 2016.
9. Посыпкин М.А. Параллельный эвристический алгоритм глобальной оптимизации // Труды ИСА РАН. 2008. Т. 32. С. 166–179.
10. Сахаров М.К. Новый адаптивный метод мультимеметической глобальной оптимизации для слабосвязанных вычислительных систем // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2019. № 5. С. 95–114.
11. Антамошин, А.Н., Близнова О.В., Бобов А.В. Интеллектуальные системы управления организационно-техническими системами. М.: ГЛТ. 2016. 
12. Васильев С.П., Полетаева Н.Г. Применение методов машинного обучения в задачах оптимизации // Информационные системы и технологии: теория и практика: Сб. науч. тр. СПб. 2019. № 11. С. 28–40.
13. Масина О.Н. Вопросы управления движением транспортных систем // Транспорт: наука, техника, управление. 2006. № 12. С. 10–12.
14. Дружинина О.В., Масина О.Н., Петров А.А. Разработка подхода к решению задач управления движением технических систем, моделируемых дифференциальными включениями // Информационно-измерительные и управляющие системы. 2017. Т. 15. № 4. С. 64–72.
15. Никулин Е.А. Основы теории автоматического управления. Частотные методы анализа и синтеза систем. СПб.: БХВПетербург, 2004.
16. Emelyanov S.V., Korovin S.K., Levant A. Sliding modes of higher orders in control systems // Differential Equations. V. 29. № 11. 1993. P. 1877–1899.
17. Петров А.А. Структура программного комплекса для моделирования технических систем в условиях переключения режимов работы // Электромагнитные волны и электронные системы. 2018. Т. 23. № 4 С. 61–64.
18. Лурье Б.Я., Энрайт П.Дж. Классические методы автоматического управления. СПб.: БХВ-Петербург. 2004.
19. Опенкин Д.Ю. Разработка и реализация алгоритма переключений на основе ПИД-регулятора по сигналу рассогласования // Материалы Международного молодежного научного форума «ЛОМОНОСОВ-2021». [Электронный ресурс] – М.: МАКС Пресс, 2021.
20. Aggarwal C. Neural Networks and Deep Learning. Springer International Publishing. 2019.
21. МЦСТ Эльбрус. Российские микропроцессоры и вычислительные комплексы [Электронный ресурс]. URL= http://www.mcst.ru / (дата обращения: 15.04.2021)