Основная задача, возникающая при синтезе АСУ, состоит в определении конкретного вида передаточной функции, которая представляет собой по существу математическую модель объекта управления. Для построения передаточной функции используется априорная информация об объекте управления.

Передаточная функция представляет собой некоторое аналитическое выражение, связывающее входные и выходные параметры объекта управления:

,

Само понятие "передаточной функции" также требует уточнения для случая СОУ. Выходные параметры связаны с состояниями СОУ сложным, неоднозначным и просто неизвестным образом, поэтому известных параметров СОУ недостаточно для полного и однозначного определения его состояния. Следовательно, принимать решение об управляющем воздействии на СОУ, зная только его выходные параметры, рискованно. Управление СОУ должно осуществляться не по его параметрам, а по состояниям. Но для этого, как минимум, надо уметь идентифицировать эти состояния. Следовательно, в АСУ СОУ возникает задача вероятностной идентификации состояния сложного объекта управления по его наблюдаемым (известным) параметрам. (Отметим, что для объектов управления, которые полностью описываются своими параметрами, понятие "состояние объекта" эквивалентно понятию "система параметров", поэтому оно в явном виде не вводится, хотя и подразумевается.)

Данная задача должна решаться на основе математической модели СОУ. Для ее построения целесообразно использовать более общие классы моделей, чем аналитические, например, матричные (статистические) и информационные модели, которые относятся к абстрактным моделям.

Подобные модели не могут быть непосредственно применены для управления. Они являются как бы "пустой оболочкой" и требуют предварительной "привязки" путем "наполнения" их конкретной информацией о фактическом поведении данного СОУ. Авторы предлагают компенсировать дефицит априорной информации о сложном объекте управления апостериорной информацией о нем, т.е. окончательный синтез модели СОУ (его передаточной функции) предлагается осуществлять не до начала эксплуатации АСУ, как обычно, а уже непосредственно в процессе эксплуатации.

Первая и основная цель всякого АСУ, в том числе и АСУ СОУ, состоит в том, чтобы эффективно перевести объект управления в целевое состояние. Но АСУ СОУ должны обеспечивать также и достижение второй цели, а именно: формирование конкретной информационной модели СОУ на основе некоторой абстрактной модели и фактической информации о поведении СОУ.

Из вышесказанного следует, что работы по разработке и внедрению АСУ СОУ существенно отличаются от "стандартного варианта".

Обычно АСУ сначала полностью разрабатываются (включая модель объекта управления и методы выработки управляющего воздействия), а затем внедряются, причем уже на этапе экспериментальной эксплуатации осущест-вляется реальное управление объектом управления. Этот цикл "разработка-внедрение" может повторяться, в этом случае говорят о разработке и внедрении новых версий АСУ.

В случае же АСУ СОУ конкретизация модели сложного объекта управления и методов выработки управляющих воздействий осуществляется не "за рабочим столом", а лишь на этапе экспериментальной эксплуатации. При этом реальное управление СОУ не осуществляется, а лишь имитируется (моделируется), с целью определения его эффективности и качества. Этап экспериментальной эксплуатации, по сути являющийся адаптацией, заканчивается тогда, когда качество управления достигает практически приемлемого уровня. Только после этого начинается реальная эксплуатация АСУ СОУ в опытно-производственном и производственном режимах.

Существует два подхода в применении АСУ СОУ:

1) Эксплуатация в режиме "обычной АСУ" с фиксированной передаточной функцией;

При проектировании адаптивной АСУ СОУ прежде всего возникает задача выбора определенной абстрактной модели СОУ. К модели предъявляют ряд довольно жестких требований, связанных с тем, что эта модель должна обеспечивать выработку управляющего воздействия в АСУ СОУ. Как минимум, это означает, что данная модель должна обеспечивать решение следующих задач:

1) формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);

2) идентификация состояния СОУ на основе его выходных параметров (распознавание);

3) определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);

4) прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;

5) прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Чтобы решение этих задач представляло практический интерес, оно должно обеспечиваться в режиме реального времени на реальных размерностях данных и на стандартных компьютерах.

Отметим, что математически задачи идентификации и прогнозирования не отличаются, различие состоит лишь в содержании обрабатываемой информации: при идентификации по актуальным признакам надо классифицировать актуальное состояние СОУ, а при прогнозировании по прошлым и актуальным признакам (факторам) - его будущее состояние.

Возникло предположение, что различные методы распознавания в различной степени удовлетворяют вышеперечисленным требованиям. И действительно, анализ различных моделей распознавания образов, описанных в работах таких авторов, как: Ю.Л.Барабаш, Б.В.Варский, В.Т.Зиновьев [2], А.Л.Горелик, В.А.Скрипкин [4], Р.Дуда, П.Харт [5], Л.Т.Кузин [8], Ф.И.Перегудов, Ф.П.Тарасенко [1], Ф.Е.Темников [15], Дж. Ту, Р.Гонсалес [16], П.Уинстон [17], К.Фу [18], Я.З.Цыпкин [19] и других, приводит к выводу, что, безусловно, выбор уже разработанной абстрактной модели, удовлетворяющей всем этим требованиям одновременно, представляет собой определенную проблему.

Поэтому авторами было признано целесообразным разработать модель распознавания с учетом требований, предъявляемых в адаптивных АСУ сложными системами. Такая модель была разработана [9- 11, 14] на основе апостериорной теории информации А.А.Харкевича [20], в которой количество информации измеряется изменением степени целесообразности поведения системы (в нашем случае СОУ).

Цель применения АСУ обычно можно представить в виде некоторой суперпозиции двух подцелей:

1. Стабилизация текущего состояния объекта управления в динамичной или агрессивной внешней среде.

2. Перевод объекта из текущего состояния в некоторое конечное, т.е. целевое состояние, в котором он приобретает определенные заранее заданные свойства.

Обычно в АСУ ставится и решается именно первая цель, но авторов в данной статье больше интересует вторая, которая является более общей.

В классическом варианте АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления (см. рисунок 1). Причем АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта. Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Управляющая система состоит из следующих подсистем:

А. Подсистема идентификации состояний окружающей среды и объекта управления.

Б. Подсистема выработки управляющих воздействий.

В. Подсистема реализации управляющих воздействий (исполнительный орган).

Некоторые авторы [13], объединяют первые две подсистемы в одну, которую называют управляющим органом.

А. Подсистема идентификации (мониторинга) по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал.

Б. Подсистема выработки управляющих воздействий анализирует влияние среды на объект управления и вырабатывает такие управляющие воздействия, которые, действуя с учетом прогнозируемого влияния среды, позволяют в определенном смысле "наилучшим образом" достичь цели управления.

В. Подсистема реализации управляющих воздействий, т.е. исполнительный орган, непосредственно осуществляет управляющее воздействие на управляемый объект.

Рассмотрим применение системы распознавания в подсистемах идентификации и выработки управляющих воздействий адаптивных АСУ СОУ. Как видно из рисунка 2, система распознавания образов входит как в подсистему идентификации состояния объекта управления (мониторинга), так и в подсистему выработки управляющих воздействий.

Однако применяется она в этих подсистемах по-разному.

Рисунок 1. Принципиальная логическая схема АСУ

Рисунок 2. Параметрическая модель адаптивной АСУ СОУ

В подсистеме выработки управляющих воздействий по заданным целевым состояниям СОУ определяют:

предпосылки, т.е. не зависящие от человека факторы (включающие предысторию СОУ, его актуальное состояние и факторы среды), необходимые для достижения этого состояния;

управляющие воздействия, которые могут перевести (т.е. ранее переводили) сложную систему в данном актуальном состоянии, с данной предысторией и находящуюся в данной окружающей среде в заданное целевое состояние.

Обе эти задачи относятся к обратным задачам декодирования теории информации. Для предложенной авторами модели распознавания образов они являются стандартными и реализуются в подсистеме "типологический анализ" в режиме: "вывод информационного портрета класса с фильтрацией по уровню признаков".

После выработки управляющих воздействий прогнозируется результат их применения. Для этого применяется режим распознавания.

Следовательно, в подсистемах идентификации (мониторинга) и выработки управляющих воздействий практически может быть применена одна и та же система распознавания образов. Однако в этих подсистемах система распознавания используется по-разному и в ней обрабатывается различная информация:

в системе идентификации используется режим распознавания;

в подсистеме выработки управляющих воздействий - режим вывода информационных портретов.

В обеих подсистемах используются режимы обучения с учителем (экспертом) и верификации решающих правил. Без обучения основные режимы вообще работать не могут, а без верификации могут, но неизвестно как.

Основная идея предлагаемого алгоритма состоит в том, что применение обучающейся с учителем (экспертом) адаптивной модели позволяет выявить информационные зависимости между факторами и целевыми состояниями объекта управления, т.е. фактически конкретизировать абстрактную модель СОУ, построить его передаточную функцию и осуществить синтез АСУ.

Шаг 1-й (формальная постановка задачи): для начала работы по конкретизации модели СОУ разрабатывают описательные и классификационные шкалы, необходимые для формализованного описания предметной области. Описательные шкалы описывают признаки прошлых и актуальных состояний среды и объекта управления, а классификационные - все возможные, в том числе целевые, будущие состояния СОУ.

Шаг 2-й (формирование обучающей выборки): информация о состоянии среды и объекта управления, а также вариантах управляющих воздействий поступает на вход подсистемы обучения с учителем. Работа по преобразованию информации о вариантах управляющего воздействия в формализованный вид осуществляется оператором, обслуживающим систему. При этом используются описательные шкалы, позволяющие описать в формализованном виде варианты управляющих воздействий, а также состояния среды и сложного объекта управления. Кроме того, экспертами (дополнительно) с использованием классификационных шкал сообщается системе, к каким результатам на практике приводят те или иные управляющие воздействия на объект управления, находящийся в определенном актуальном состоянии и в данной окружающей среде. Вся эта информация представляется в виде специальных кодированных бланков, используемых также для ввода информации в компьютер. В результате ее ввода в базы данных получается так называемая "обучающая выборка".

Шаг 3-й (обучение): обучающая выборка обрабатывается обучающим алгоритмом, на основе чего им формируются решающие правила (обобщенные образы состояний СОУ, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность факторов для решения задач подсистемы идентификации, мониторинга и прогнозирования.

Шаг 4-й (оптимизация): факторы, не имеющие особой прогностической ценности, корректным способом удаляются из системы. Данный процесс осуществляется с помощью итерационных алгоритмов, при этом обеспечивается выполнение ряда граничных условий, таких как результирующая размерность пространства факторов, его информационная избыточность и т.п.

Шаг 5-й (подготовка данных для типологического анализа): формирование решающих правил не является единственным результатом работы подсистемы обучения. Эта система готовит также исходные данные для типологического анализа, который включает: информационные портреты, кластерно-конструктивный анализ, семантические сети, а также когнитивные диаграммы состояний СОУ и факторов [10].

Шаг 6-й (адаптация решающих правил). В подсистеме идентификации предусмотрен режим дозаписи распознаваемой выборки к обучающей, чтобы в последующем, когда станет известна степень адекватности прогноза результатов управления, этой верифицированной (т.е. достоверной) оценочной информацией дополнить обучающую выборку и переформировать решающие правила (обучающая обратная связь). При адаптации могут быть легко изменены и описательные, и классификационные (оценочные) шкалы, что позволяет плавно расширить или изменить сферу функционирования адаптивной АСУ СОУ.

Если результаты верификации конкретной модели СОУ удовлетворяют разработчиков адаптивной АСУ и заказчиков, то АСУ переводится из пилотного режима, при котором управляющие решения генерировались, но не исполнялись, в режим опытно-производственной эксплуатации, когда они реально начинают использоваться для управления. Если же модель признана недостаточно адекватной, то необходимо расширять перечень факторов (так как значимые факторы могли быть упущены из анализа), увеличивать объем обучающей выборки, исключать артефакты, пересматривать экспертные оценки и переформировывать коллектив экспертов, а также предпринимать другие действия для улучшения качества модели (повторяя шаги 1 – 7).

Необходимо отметить, что когда конкретная информационная модель СОУ построена и оптимизирована, то разработать на ее основе содержательную аналитическую или другую статическую модель детерминистского типа, например, регрессионную, уже достаточно просто.

1. На основе применения методов распознавания образов и принятия решений, основанных на теории информации, могут быть созданы эффективные адаптивные АСУ сложными системами, обеспечивающие решение следующих задач:

формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);

идентификация состояния СОУ на основе его выходных параметров (распознавание);

определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);

прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;

прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Для того чтобы предлагаемая методология могла быть применена на практике, она должна быть доведена до определенного уровня конкретности и детализированности. Для этого необходимо выполнить следующее:

разработать абстрактную информационную модель обучающейся с учителем системы распознавания образов, обеспечивающей решение прямых и обратных задач распознавания;

разработать конкретную инструментальную программную систему, реализующую данную модель;

решить вопросы технологии применения этой инструментальной системы;

описать технологию синтеза адаптивной АСУ сложной системой на конкретном примере;

привести примеры адаптивных АСУ сложными системами, созданных по предлагаемой технологии.