Асу и ее декомпозиция общие понятия




Скачать 112.52 Kb.
Дата14.07.2016
Размер112.52 Kb.
ФОРМАЛЬНАЯ ПОСТАНОВКА ОСНОВНОЙ ЗАДАЧИ

АСУ И ЕЕ ДЕКОМПОЗИЦИЯ

 

ОБЩИЕ ПОНЯТИЯ



 

Принятие решения в АСУ – это выбор некоторого наиболее предпочтительного управляющего воздействия из исходного множества всех возможных управляющих воздействий, обеспечивающего наиболее эффективное достижение целей управления. В результате выбора неопределенность исходного множества уменьшается на величину информации, которая порождается самим актом выбора.

Следовательно, теория информации может быть применена как для идентификации состояний объекта управления, так и для принятия решений об управляющих воздействиях в АСУ.



Модель АСУ включает в себя: модель объекта управления, модель управляющей подсистемы, а также модель внешней среды. Управляющая подсистема реализует следующие функции: идентификация состояния объекта управления, выработка управляющего воздействия, реализация управляющего воздействия.

С позиций теории информации сложный объект управления (СОУ) может рассматриваться как шумящий (определенным образом) информационный канал, на вход которого подаются входные параметры , представляющие собой управляющие воздействия, а также факторы предыстории и среды, а на выходе фиксируются выходные параметры , связанные как с входными параметрами, так и с целевыми и иными состояниями объекта управления.

 

 

ФОРМАЛЬНАЯ ПОСТАНОВКА ОСНОВНОЙ ЗАДАЧИ АСУ



 

Одной из основных задач АСУ является задача принятия решения о наиболее эффективном управляющем воздействии. В терминах теории информации эта задача формулируется следующим образом: зная целевое состояние объекта управления, на основе его информационной модели определить такие входные параметры , которые с учетом предыстории и актуального состояния объекта управления, а также влияния среды с наибольшей эффективностью переведут его в целевое состояние, характеризующееся выходными параметрами.

С решением этой задачи тесно связана задача декодирования теории информации: по полученному в условиях помех сообщению определить, какое сообщение было передано. Для решения данной задачи используются коды, корректирующие ошибки, а в более общем случае,  различные методы распознавания образов.

Учитывая вышесказанное, предлагается рассматривать принятие решения об управляющем воздействии в АСУ как решение обратной задачи декодирования: что надо передать, чтобы получить заранее заданное сообщение. Данная задача решается на основе математической модели канала связи.

 

ДЕКОМПОЗИЦИЯ ОСНОВНОЙ ЗАДАЧИ



В РЯД ЧАСТНЫХ ПОДЗАДАЧ

 

Построение аналитической модели СОУ затруднено из-за отсутствия или недостатка априорной информации об объекте управления, а также из-за ограниченности и сложности используемого математического аппарата. В связи с этим предлагается путь решения данной проблемы, состоящий в поэтапном решении следующих задач:



1–я задача: отказавшись от попыток построения конкретной содержательной аналитической модели СОУ, разработать абстрактную модель более общего класса (матричную информационную);

2–я задача: обучить абстрактную информационную модель путем учета информации о реальном поведении СОУ, поступающей в процессе экспериментальной эксплуатации АСУ; на этом этапе адаптируется и конкретизируется абстрактная модель СОУ, т.е. в ней все более точно отражаются взаимосвязи между входными параметрами и состояниями СОУ;

3–я задача: на основе конкретной содержательной информационной модели разработать алгоритмы решения следующих задач АСУ:

3.1. Расчет влияния факторов на переход СОУ в различные возможные состояния (обучение, адаптация).

3.2. Прогнозирование поведения СОУ при конкретном управляющем воздействии и выработка многофакторного управляющего воздействия (основная задача АСУ).

3.3. Выявление факторов, вносящих основной вклад в детерминацию состояния СОУ; контролируемое удаление второстепенных факторов с низкой дифференцирующей способностью, т.е. снижение размерности модели при заданных ограничениях.

3.4. Сравнение влияния факторов. Сравнение состояний СОУ.

Сформулируем предлагаемую абстрактную модель СОУ, опишем способ ее конкретизации и приведем алгоритмы решения задач адаптивных АСУ СОУ на основе данной модели.


РАЗРАБОТКА АБСТРАКТНОЙ МОДЕЛИ ОБЪЕКТА УПРАВЛЕНИЯ

 

Модель должна обеспечивать отражение взаимосвязей между входными и выходными параметрами СОУ и окружающей среды (факторами), с одной стороны, и будущими состояниями СОУ, – с другой. Как было показано выше, построить содержательную аналитическую модель СОУ не представляется возможным из–за дефицита априорной информации. Остается вариант использования феноменологической аналитической модели, например регрессионного типа, однако и для ее построения необходима исходная информация, которая, как это следует непосредственно из определения СОУ, может быть только апостериорной. Общепринятой стандартной формой представления исходной информации для анализа является матричная.



Поэтому предлагается представить информационную модель СОУ адаптивной АСУ в форме двумерной матрицы, столбцы которой соответствуют возможным будущим, конечным состояниям СОУ (в том числе – целевым), а строки – входным параметрам, т.е. факторам (табл. 5.1).

 

Таблица 5. 1

МАТРИЧНАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ СЛОЖНОГО ОБЪЕКТА УПРАВЛЕНИЯ АДАПТИВНОЙ АСУ


Факторы

Состояния СОУ

Дифференцирующая
мощность фактора

...

J

...

...













i











...

 

 

 

 

Детерминированность
состояния СОУ

 



 



Элементами матрицы являются частные критерии , отражающие влияние i–го фактора на перевод СОУ в j–е состояние.

В связи с тем, что в дальнейшем изложении широко применяются понятия теории АСУ, теории информации (связи) и теории распознавания образов, приведем таблицу соответствия наиболее часто используемых нами терминов из этих научных направлений (табл. 5.2).

 

Таблица 5. 2

СООТВЕТСТВИЕ ТЕРМИНОВ РАЗЛИЧНЫХ НАУЧНЫХ НАПРАВЛЕНИЙ



Теория
автоматизированного
управления


Теория
распознавания
образов


Теория информации
(связи)


Фактор

Признак

Входной сигнал

Состояние объекта
управления

Класс распознавания

Информационный
источник

Идентификация
состояния объекта
управления

Распознавание

Декодирование

Выработка
управляющего
воздействия

Решение обратной
задачи
распознавания

Решение обратной
задачи
декодирования

 

В предыдущем изложении это соответствие было раскрыто содержательно.

Выбор конкретного вида частных критериев является одним из ключевых моментов в построении информационной модели СОУ. В качестве предлагается применить семантическую меру целесообразности информации, введенную в 1960 году А.А.Харкевичем на основе апостериорного подхода. Сущность этого подхода состоит в том, что количество информации оценивается по изменению степени целесообразности поведения системы в результате сообщения ей данной информации. Но именно это и происходит в АСУ: управляющая подсистема оказывает на СОУ управляющее воздействие с целью перевода его в целевое состояние. Управляющее воздействие в АСУ является прежде всего информационным воздействием, т.е. некоторым сообщением.

Понятие "целесообразность поведения" тесно связано с понятием "целевое состояние". Целевым состоянием называется конечное состояние системы, в которое она должна перейти в результате оказания управляющего воздействия. Поведение системы считается "целесообразным", если приближает ее к переходу в целевое состояние, и "нецелесообразным" – в противном случае. Таким образом, управляющее воздействие может изменять целесообразность поведения системы, если изменяет вероятность ее перехода в целевое состояние. Множество целевых состояний является подмножеством конечных состояний объекта управления.

В наших обозначениях мера Харкевича имеет вид:

.

(5. 1)

Целесообразность выбора именно данной меры обусловлена самим смыслом величин и , обозначающих соответственно вероятность перехода СОУ в j–е конечное состояние под воздействием i–го фактора и вероятность случайного (спонтанного, самопроизвольного) перехода СОУ в то же состояние.

То же самое количество информации согласно Харкевичу может быть выражено и в другой (эквивалентной) форме:



,

(5. 2)

где и обозначают вероятность обнаружения i–го фактора при переходе СОУ в j–е состояние и вероятность обнаружения этого же фактора при переходе СОУ в любое конечное состояние.

Выражения (1) и (2)непосредственно определяют, какое количество информации АСУ получает о наступлении события: {СОУ перейдет в j–е состояние}, из сообщения: {на СОУ действует i–й фактор}. Когда количество информации >0 – i–й фактор способствует переходу СОУ в j–е состояние, когда <0 – препятствует этому переходу, когда же =0 – никак не влияет на это.

Чрезвычайно важное для данного исследования выражение (1) заслуживает специального комментария. Прежде всего, нельзя не обратить внимания на то, что оно по своей математической форме, т.е. формально, ничем не отличается от выражения для превышения сигнала над помехой для информационного канала. Из этого, на первый взгляд, внешнего совпадения следует интересная интерпретация выражения (2). А именно: можно считать, что, обнаружив некоторый i–й признак у объекта, предъявленного на распознавание, мы тем самым получаем сигнал, содержащий некоторое количество информации

о том, что этот объект принадлежит к j–му классу. По–видимому, это так и есть, однако чтобы оценить насколько много или мало этой информации нами получено, ее необходимо с чем–то сравнить, т.е. необходимо иметь точку отсчета или базу для сравнения. В качестве такой базы естественно принять среднее по всем классам распознавания количество информации, которое мы получаем, обнаруживая этот i–й признак:



Иначе говоря, если при предъявлении какого–либо объекта на распознавание у него обнаружен i–й признак, то для того, чтобы сделать из этого факта обоснованный вывод о принадлежности этого объекта к тому или иному классу, необходимо знать и учесть, насколько часто вообще (т.е. в среднем) обнаруживается этот признак при предъявлении объектов различных классов.

Фактически – это среднее количество информации можно рассматривать как некоторый "информационный шум", который имеется в данном признаке и не несет никакой полезной информации о принадлежности объектов к тем или иным классам.

Выражению (2) может быть придан более обычный для теории связи вид



,

который интерпретируется как вычитание шума из полезного сигнала. Эта операция является совершенно стандартной в системах шумоподавления.



Если полезный сигнал выше уровня шума, то его обнаружение несет информацию в пользу принадлежности объекта к данному классу, если нет – то, наоборот, в пользу не принадлежности.

Возвращаясь к выражению (1), необходимо отметить, что сам А.А. Харкевич рассматривал как вероятность достижения цели, при условии, что система получила информацию , а – как вероятность ее достижения при условии, что система этой информации не получала. Очевидно, что фактически соответствует вероятности случайного угадывания системой правильного пути к цели.

Необходимо отметить также, что каждый признак объекта управления как канала связи может быть охарактеризован динамическим диапазоном, равным разности максимально возможного (допустимого) уровня сигнала в канале и уровня помех в логарифмическом масштабе:

Максимальное количество информации, которое может содержаться в признаке, полностью определяется количеством классов распознавания W и равно количеству информации по Хартли: I=Log2W. Динамический диапазон признака является количественной мерой его полезности (ценности) для распознавания, но все же предпочтительней для этой цели, по мнению авторов, является применение среднего количества полезной для классификации информации в признаке, т.е. исправленное выборочное среднеквадратичное отклонение информативностей:




АДАПТАЦИЯ И КОНКРЕТИЗАЦИЯ АБСТРАКТНОЙ МОДЕЛИ ОБЪЕКТА УПРАВЛЕНИЯ

 

На основе обучающей выборки, содержащей информацию о том, какие факторы действовали, когда СОУ переходил в те или иные состояния, методом прямого счета формируется матрица абсолютных частот, имеющая следующий вид (табл. 5.3).



Таблица 5. 3

МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ



Факторы

Состояния СОУ

Сумма

...

j

...

...

 

 

 

 

i

 



 



...

 

 

 

 

Сумма

 



 



здесь количество переходов СОУ в j–е состояние при действующем i–м факторе по данным обучающей выборки.

Необходимо отметить, что в случае СОУ в большинстве случаев нет возможности провести полный факторный эксперимент для заполнения матрицы абсолютных частот. На практике достаточно воспользоваться естественной вариабельностью факторов и состояний СОУ, представленных в обучающей выборке. С увеличением объема обучающей выборки в ней со временем будут представлены все практически встречающиеся варианты и из этих данных со временем может быть набрана выборка и для факторного эксперимента.

Подставив в (1) и , рассчитанные из данной корреляционной матрицы по очевидным формулам: , или в (2) и , рассчитанные из той же матрицы по формулам: , получим одно и то же выражение:



(5. 3)

Окончательное выражение для расчета количества информации в i–м факторе о переходе СОУ в j–е состояние имеет вид:



(5. 4)

где – нормировочный коэффициент, переводящий количество информации в двоичные единицы измерения информации – биты с учетом количества возможных состояний СОУ: W, а также суммарного количества зарегистрированных случаев действия различных факторов: N [15].

В соответствии с выражением (4), непосредственно на основе матрицы абсолютных частот (табл. 5.3) рассчитывается матрица информативностей факторов (табл. 5.1).



Количество информации в i–м факторе о наступлении j–го состояния СОУ является статистической мерой их связи и количественной мерой влияния данного фактора на переход СОУ в данное состояние.

 


База данных защищена авторским правом ©uverenniy.ru 2016
обратиться к администрации

    Главная страница