Реферат: Принципы автоматизации систем автоматического управления. Методы и алгоритмы - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Принципы автоматизации систем автоматического управления. Методы и алгоритмы

Банк рефератов / Программирование

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Архив Zip, 156 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

32 Царев Александр Владимирович . гр. САПР -1В -96 , 1999 г. Московский Государственны й Горный Университет РЕФЕРАТ Принципы автоматизации Систем Автоматического Управления. Методы и Алгоритмы. Студент гр . САПР -1В -96 Царев Александр В. Москва 1999 г. Оглавление стр. О главление 2 В ведени е 3 1 Алгоритмы. 4 1 .1 Алгоритм локального параметрического поиска. 4 1.1.1 Алгоритм случайного спуска. 4 1.1.2 Случайный поиск с возвратом. 5 1.1.3 Релаксационный алгоритм случайного спуска. 5 1.1.4 Случайный поиск по наилучшей пробе. 6 1.1.5 Адаптивные параметрические алгоритмы случайного поиска. 6 1.1.5.1 Адаптация величины рабочего шага. 7 1.1.5.2 Адаптация распределения случайного шага. 7 1.2 Учет ограничений в процессе случайного поиска . 9 1.2.1 Ограничения типа неравенств. 9 1.2.2 Ограничения типа равенств . 10 1.2.3 Ограничения типа неравенств и равенств. 10 1.2.4 Дискретные ограничения. 10 1.2.5 Дискретные ограничения с неравенс твами. 11 1.3 Глобальный поиск . 12 1.3.1 “Набросовые” алгоритмы. 12 1.3.1.1 Случайный наброс с локальным поиском. 12 1.3.1.2 Адаптивный набросовый алгоритм. 12 1.3.2 Сглаживающие алгоритмы. 13 1.3.2.1 Сглаживание функционала. 13 1.3.2.2 Сглаживание траектории. 14 1.4 Оптимизация в обстановке случайных помех . 16 1.4.1 Метод стохастической аппроксимации. 16 1.4.2 Сглаживание помех. 17 1.4.3 Стохастическое накопление. 17 1.4.4 Последовательное накопление. 18 1.4.5 Симплексный алгоритм поиска. 18 1.5 Структурная оптимизация . 21 1.5.1 Дискретизация структуры. 21 1.5.2 Эволюционная опти мизация структуры. 22 2 Автоматизация проектирования систем автоматического управления . 25 2.1 Принципы автоматизации проектирования систем автоматического 25 управления . 25 2.1.1 Этапы и стадии проектирования. 25 2.1.2 Уро вни автоматизации проектирования. 26 2.1.3 Компоненты обеспечения САПР. 27 2.1.4 Общие принципы построения САПР. 28 2.2 Способы построения систем автоматизированного проектирования. 28 2.2.1 Диалоговая система проектирован ия ДИСПАС. 29 2.2.2 САПР адаптивных систем САПРАС. 30 2.2.3 Система “Гамма -1М”. 31 Введение В этом реферате мной изложены широко распространенные алгоритмы и методы поиска , сортировки , сглаживания , накопления , оптимизации , а так ж е здесь рассматриваются наиболее общие вопросы автоматизированного проектирования Систем Автоматизированного Управления , основные этапы , уровни автоматизации процесса проектирования. Весь материал мной подобран из справочника “ Справочник по теории автомати ческого управления 1987г ”. 1. Алгоритмы. 1.1 Алгоритм локального параметрического поиска. В случае параметрического синтез САУ , алгоритм решения задачи оптимизации имеет параметрический характер. C [ N +1] = C [ N ] + C [ N +1] (13.3.1) Где приращение C [ N +1] вектора параметров C [ N ] опред еляется алгоритмом поиска , использующим приращение : Q [ N ] = Q [ N ] - Q [ N -1] (15.2.7) в котором Q [ N ] = Q ( C [ N ]). 1.1.1 Алгоритм случайного спуска. Этот ал горитм построен с помощь только двух операторов : · оператора случайного шага ( ) и · оператора повторения предыдущего шага ( + ), которые взаимодействуют как п оказано на рисунке 15.3.1 , где этот алгоритм изображен в виде графика с условными переходами (условия переходов рядом с соответствующими дугами переходов ). Рекуррентная форма записи этого алгоритма имеет вид : (15.3.2) где a - величина шага ( ) - единичный случайный вектор распределенный по всем направлениям пространства оптимизированных параметров C Q 0 Q <0 + Q 0 Алгоритм имеет очень простую геометрическую интерпрет ацию . Это по сути дела , спуск шагами а в выбранном направлении . Как видно это стохастический аналог известного алгоритма наискорейшего спуска , в котором спуск производится в антиградиентом направлении. Преимущество алгоритма случайного спуска заключается в том , что здесь нет затрат на определение градиентного направления. Алгоритм случайного спуска опирается на следующие очевидное предположение относительно о бъекта оптимизации : вероятность удачи ( Q < 0) в ранее удачном направлении больше , чем в случайном , т.е . целесообразно повторить удачные шаги , а при неудаче ( Q 0) делать случайный шаг , т.е . обращаться к оператору . Такая ситуация обычно имеет место вдали от экстремума С оп , что и определяет рекомендуемую область применения для алгоритма случайного спуска. 1.1.2 Случайный поис к с возвратом. Этот метод поиска моделирует метод проб и ошибок . Алгоритм этого метода построен из двух операторов : оператора случайного шага ( ) и оператора возврата (-). Граф алгоритма с нелинейной тактикой показан на рисунке 15.3.2. Его работоспособность обеспечивается за счет того , что используется только удачные случайные шаги , а неудачные устраняются (точнее , исправляются ) с помощью оператора возврата (-). Рекуррентная формула алгоритма имеет вид : C [ N +1]= (15.3.3) Рассмотрим область целесообразного использования этого алгоритма. Анализ показывает , что его следует применять в ситуациях со значительной нелинейностью функционала Q ( C ) , когда целес ообразно повторить удачные шаги , так как вероятность повторного успеха в этом случае мала . Такой бывают ситуация в районе экстремума С оп или Q <0 Q <0 Q 0 Q <0 - Q 0 Q 0 Рис . 15.3.2 Иллюстрация случайного Рис . 15.3.3 Иллюстрация поиска с возвратом. Релаксационного алгоритма случайного спуска. на дне “оврага” минимизируемой функции . Именно в таких случаях целесообразно применение этого алгоритма. 1.1.3 Релакс ационный алгоритм случайного спуска. Введение возврата в алгоритм случайного спуска (15.3.1) обеспечивает ему релаксационные свойства , т.е . не увеличивает минимизируемый функционал . Граф этого алгоритма изображен на рисунке 15.3.3. Его рекуррентная формул а имеет вид : = (15.3.4) Здесь - знак конъюнкции , требующий одновременности выполнения событий , указанных в скобках. 1.1.4 Случайный поиск по наилучшей пробе. Алгоритм имеет вид : (15.3.5) где оп - случайный вектор , минимизирующий функционал в районе точки С [ N ]: Q(C[N] + g оп ) = min Q(C[N] + g j ), (15.3.6) i = 1,.,., m j - случайные независимые единичны е векторы , с помощью которых обеспечивается режим случайных проб вокруг точки C [ N ]. Если величина g мала и функционал в районе С [ N ] достаточно гладкий , то можно повысить эффективность алгоритма следующим образом : , (15.3.7) где (15.3.8) и (15.3.9) В этом случае шаг делается по наилучшей пробе _, если модуль приращения функционала при этом больше модуля его приращения при наихудшей пробе + , и по наихудшей пробе + в обратном случае. 1.1 . 5 Адаптивные параметрические алгоритмы случайного поиска. Многочисленные ситуации, складывающиеся в процессе решения задачи оптимизации типа “холм” , “яма” , “плоскогорье” , “хребет” , “овраг” и т . д . Заставляют искать средства такой перестройки алгоритма поиска , чтобы эти ситуации преодолевались бы с минимальными затратами . Такого рода перестройка алгоритма , реализу емая формально , является адаптацией этого алгоритма. Таким образом , задача адаптации процесса поиска возникает всегда , когда алгоритм необходимо изменять в процессе поиска , чтобы поддержать его эффективность на необходимом уровне . Проблема адапта ции возникает всегда при оптимизации сложных объектов , когда нельзя заранее указать на ситуацию , в которую попадает алгоритм поиска . Такого рода неопределенность типична для задач проектирования систем автоматического управления. Параметрическая адаптация алгоритма случайного поиска опирается на то , что параметрами алгоритма случайного поиска являются величина рабочего шага a и параметра плотности распределения p ( ) случайного шага . Заметим , что случайный поиск отличается от любого детерминированного именно наличием такого распределения , изменение которого позволяет адаптировать случайный поиск . Этой “рукоятки” управления процессом поиска не имеют регулярные алгоритмы , что выгодно отличает случайный поиск. Рассмотрим адаптацию по каждому на указанных фак торов отдельно. 1.1.5.1 Адаптация величины рабочего шага . Она связана с необходимостью уменьшить величину шага по мере приближения к положению экстремума C оп Очевидно , что в процессе поиска ввиду априорной неопределенности необходимо увеличивать и уменьш ать рабочий шаг . Очень плодотворной эвристикой оказалась следующая : нужно уменьшать величину a при неудачном случайном шаге и увеличивать при удачном : (1 5.3.10) где в соответствии с указанными соображениями 1 1; 2 <1 . Значения параметров 1 и 2 алгоритма адаптации (15.3.10) зависят от вероятности того , что случайный шаг будет удачен , т . е . От вероятности события Q <0 . В процессе адаптации следует стремиться к тому значению шага , при котором приближение к цели было бы наибольшим . Пусть вероятность удачного случайного шага при такой оптимальной величине шага равна P .Тогда оптимальные значения 1 и 2 связаны следующими соотношениями (15.2) : (15.3.11) где величина P с ростом n стремится к 0,27. Используя это выражение , можно добиться оптимального режима адаптации алгоритма , что позволяет значительно убыстрить решение задачи оптимизации. 1.1.5.2 Адаптация распределения случайного шага . Она заключается в том , что получаемая на каждом шаге поиска информация об успехе или неуспехе случайного шага используется для изменения этого распределения так , чтобы эффективность процесса поиска возрастала. Пусть p ( ) плотность распределения случайного шага . Основной характеристикой всякого распределения является его математическое ожидание E [ ] . Изменяя эту характеристику , можно эффективно воздействовать на процесс поиска . Практически это сведется к добавлению вектора V к 0 - случайному вектору с нулевым математическим ожиданием (E[ 0 ]=0) = 0 + V , (15.3.12) откуда следует , что E [ ] = V , т.е . имеет место “снос” процесса поиска в направлении V . Естественно , что этот снос должен быть направлен в ст орону уменьшения функционала Q ( C ) . Вектор V должен при этом отражать предысторию процесса поиска и таким образом выявлять перспективное направление движения при оптимизации. Здесь помогает довольна очевидная эвристика : направление V следует фо рмировать как взвешенную сумму случайных шагов , причем удачные шаги ( Q <0 ) следует брать с положительными весами , а неудачные с отрицательными . При этом пре дпочтение должно отдаваться более свежей информации . Эта эвристика реализуется , например , такой простой рекуррентной формулой адаптации в процессе поиска : V [ N ]= kV [ N -1]- (15.3.13) где 0 < k 1 - коэффициент забывания , а - коэффициент интенсивности учета новой информации. Случайный поиск , снабженный такой адаптацией вероятностных свойств , обладает , как правило , повышенным быстродействием . Для этого ситуация , которая складывается в процессе оптимизации , не дол жна изменяться слишком быстро , иначе не к чему будет адаптироваться . Поэтому введение адаптации такого рода (ее часто называют самообучением ) не всегда улучшает процесс поиска , но и не ухудшает его. 1.2 Учет ограничений в процессе случайного поиска . Проб лема многопараметрической оптимизации в задачах оптимального проектирования всегда имеет условный характер , т . е . Связана с обязательным выполнением ограничений S (15.1.2) . Случайный поиск как метод решения условных задач (15.1.1) отличается рядом преимущес тв по сравнению с детерминированными методами . У случайного поиска имеются возможности , связанные со случайным характером поиска , которых в принципе не может иметь не один детерминированный метод решения задачи условной оптимизации. Рассмотрим различные виды ограничений . Они могут иметь троякий характер . К ограничениям типа неравенств и равенств (15. 1 .2) S H : h i ( C ) 0, i = ; S G : g j ( C )=0, j = , (15.4.1) добавим ограничения , связанные с дискретностью ряда функций оптимизирующих параметров S D : f z ( C ) , z = (15.4.2) где f z ( . ) - заданные функции , а - заданное значение , которое может принимать 2-я функция ( r = ). В частном случае при f z ( C ) = c z получаем S D : Cz (15.4.3) где - значение , которые может принимать z -я переменная (например , целочисленные значения ). Область поиска S , вообще говоря , может быть образована путем различных комбинаций пересечения областей S H , S G , S D . Разумными комбинациями в общем случае являются лишь две . Первая : S = S H S G как известно , связана с непрерывными задачами математического программирова ния , а вторая : S = S H S D - с задачами дискретного программирования. Рассмотрим специфику процессов случайного поиска при учете ограничений различного рода. 1.2. 1 Ограничения типа неравенств . Ограничения типа неравенств ( S = S H ) образует обычно область размерности n . Выход за границу этой области ( C S ) является сигналом о необходимости учета ограничений S . При случайном поиске это можно осуществить множеством способов . Рассмотрим наиболее эффективный из них. Способ возврата заключается в том , что нарушение ограничений S отождествляется с неудачным шагом , т . е . c не убыванием показателя качества ( ), для чего вводится оператор возврата. Таким образом , в процессе поиска различаются лишь две ситуации удачного и неудачного шагов : : ( C S ) ( Q <0), : ( C S ) ( Q 0) (15.4.4) т.е . удачным шагом считается случай , когда ограничения не нарушены и одновременно уменьши лся показатель качества . Неудачным шагом считается тот , при котором нарушены ограничения или увеличился показатель качества . Реакцией на является возврат в предыдущее состояние ( C [ N +1]=- C [ N ] ) и случайный шаг . ( C [ N +2]= a ). На удачу – можно реагировать по-разному . При случайном спуске (см . П . 15.3.2) - повторять удачный шаг ( C [ N +1]= C [ N ] ). При алгоритме с возвратом (п . 15.3.1) - вводить случайный шаг ( C [ N +1]= a ). 1. 2 .2.Ограничения типа равенств . Учет огр аничений типа равенств ( S = S G ) в процессе случайного поиска связан с организацией движения вдоль этих ограничений . Это можно осуществить различными путями . Простейшим из них является введение “коридора” , т.е . переход к ограничениям типа неравенств : || gj ( C ) ||< e , f = (15.4.5) При этом величина – должна стремиться к нулю в процессе поиска. 1.2.3 Ограничения типа неравенств и равенств . Учет такого рода огра ничений ( S H S G ) в процессах случайного поиска осуществляется путем прямого комбинирования методов , используемых в двух рассмотренных выше случаях. 1.2.4 Дискр етные ограничения. Простейшая схема следующего поиска в случае ограничений S D опирается на случайный выбор новой точки в e - окрестности исходной точки . Пусть e - окрестность исходной точки С [ N ] имеет вид || C - C [ N ]|| e (15.4.6) и пусть для простоты множество S p образовано целочисленными векторами С . Это означает , что все координаты этих векторов имеют целочисленные значения (более общий случай легко сводит ся к этому ). Пусть D e [ N ] - множество целочисленных точек , попавших в --окрестность , т.е . удовлетворяющих условию (15.4.6). Так , например , при e =1 таких точек будет 2 n . Тогда процедура случайного поиска на ( N +1 )-м шаге будет связана со случайным выбором та кой точки множества D e [ N ] , для которой выполняются очевидные условия Q(C[N+1])1 , т.е . зона поиска расширяется с каждой удачей и сужается при неудаче . Этот алгоритм стремится стянуть наброс вокруг лучшей точ ки . Темп такого стягивания , т.е . величина 1 , определяет степень глобальности алгоритма . Если он велик (т.е . 1 мало ), то , очевидно , будет найден ближайший локальный экстремум . Если мал , то шансы найти экстремум лучше ближайшего локального повышаются и при 1 1 вероятность отыскания глобального экстремума при N стремиться к единице (для этого необходимо , чтобы p ( C , V , ) 0 для любой точки С S , т.е . чтобы плотность вероятности появления любой допускаемой точки не было равна нулю ). 1.3.2 Сглаживающие алгоритмы. Идея сглаживания минимизируемого функционала или траектории поиска породила много эффективных алгоритмов глобального пои ска . Рассмотрим некоторые из них. 1.3.2.1 Сглаживание функционала. Если минимизируемый функционал Q образован путем положения на “хорошую” унимодальную функцию мелких колебательных отклонений , то для отыскания глобального экстремума можно воспользоваться идеей сглаживания [ 15.6-15.8 ] . Делается это следующим образом. В районе точки С осредним функцию Q ( C ) с некоторым неотрицательным весом q ( Y ) : (15.5.5) Эта функция уже ближе к унимодальной , так как здесь несколько сглажена колебательная составляющая . Для вычисления значений этой сглаженной функции нужно воспользоваться методом Монте-Карло . Пусть в качестве весовой функции q ( Y ) выбрана плотность распредел ения p ( Y ) , для которой выполняются условия (15.5.6) Тогда , генерируя в соответствии с этой плотностью случайные векторы Y 1 , ...., Y N , можно оценить значение интервала (15.5.5) в любой точке С следующим образом : (15.5.7) Эта оценка при N совпадает с точным значением интеграла (1 5.5.5) и отличается от него при конечном N на случайную величину с нулевым средним и дисперсией порядка 1/ N . Это дает возможность подбирать объем N случайной выборки таким образом , чтобы свойства оценки (15.5.7) были приемлемыми. Теперь , располагая значен ием оценки (15.5.7) в любой точке и зная , что функция унимодальна , можно найти ее минимум любым локальным методом поиска . Так как оценка (15.5.7) случайна , т о этот поиск происходит в обстановке случайных помех , вызванных методом оценки интеграла. Если для этого воспользоваться градиентным методом , то для вычисления градиента можно воспользоваться аналитическим видом распределения p ( . ) . Преобразуем интеграл (15.5.5) с помощью подстановки Z = C + Y к виду (15.5.8) Градиент можно определить путем прямого дифференцирования (15.5.9) где операция вычисления градиента осуществляется аналитически . Оценивать (15.5.9) можно также методом Монте-Карло (15.5.10) где Z i - случайные реализации вектора Z , распределенного в соответствии с заданной плотностью p ( Z ) 0 для Z S . Процесс поисковой оптимизации при этом реализуется очевидной формулой . Как легко заметить , такой поиск является случайным , так как здесь используются случайные точки Z i . Эффективная организация поиска требует изменения p ( . ) и N в процессе поиска , т.е . их адаптации таким образом , чтобы вдали от экстремума сглаживание было бы сильным и N мало , а по мере приближения к глобальному экстремуму N возрастало при уменьшении сглаживания. 1.3.2.2 Сглаживание траектории . Очень часто глобальный экстремум наход ится на “дне оврага” минимизируемого функционала Q ( C ) . Под оврагом принято понимать ситуацию , характеризующейся следующей особенностью : почти вдоль всех направлений функционал сильно увеличивается (это “склоны” оврага ) и только в сравнительно узком конусе направлений он слабо уменьшается (это и есть направление “дна” оврага ). Локальный поиск в такой ситуации имеет рыскающий характер ). Следует сгладить эту траекторию . Если глобальный экстремум лежит на дне оврага , то для такого сглаживания воспользоваться м етодом случайного поиска с направляющим конусом . Суть его состоит в следующем. На сферическом (радиусом a ) дне конуса с вершиной в С [ N ] и осью V [ N ] делаются m случайных проб C 1 [ N ], ..., C n [ N ] . Следующее ( N +1)- e состояние определяется по наилучшей пробе (15.5.11) а ось следующего конуса выбирается в соответствии с V [ N +1]=(1/ a )( C [ N +1]- C [ N ]) , (15.5.12) т.е . вдоль сделанного рабочего шага . Легко видеть , что траектория такого поиска полога и позволяет отслеживать направление оврага независимо от того , вверх или вниз идет этот овраг . Угол между следующими друг за другом шагами здесь не превышает половины угла раскрытия направляющего конуса . Изменяя этот у гол , можно воздействовать на гладкость траектории поиска , т.е . адаптировать его (15.9). Когда конус раскрывается в сферу , получаем поиск по наилучшей пробе , рассмотренный выше (см.п .15.3.4) 1.4 Оптимизация в обстановке случайных помех . В задачах проектир ования систем автоматического управления “зашумление” функционала появляется в результате применения методов статистического моделирования для оценки значения функционала Q ( C ) . При этом точное значение функционала неизвестно . Доступны лишь его наблюдения , которые удобно описывать соотношением Q `( C )= Q ( C )+ e , (15.6.1) где e - независимые случайные помехи с нулевым математическим ожиданием и дисперсией 2 . Р ассмотрим наиболее распространенные методы поиска , решающие задачу оптимизации исходного функционала Q ( C ) по его “зашумленным” наблюдениям (см.п .15.6.1). 1.4.1 Метод стохастической аппроксимации . Этот метод является , по сути дела , градиентным методом с программно изменяемыми пробными и рабочими шагами (15.6.2) где компоненты оценки градиента имеют вид (15.6.3) а e i - i - й орт ( i = ). Для сходимости этой процедуры при достаточно широком классе функционалов Q ( C ) необходимо , чтобы коэффициенты рабочего ( a [ N ]) и пробного ( g [ N ]) шагов удовлетворяли следующим соотношениям [15.10, 15.11 ]: (15.6.4) Предпоследнее из этих соотношений требует , чтобы величина a [ i ] уменьшалась не слишком быстро , а последнее чтобы коэффициент пробног о шага g [ i ] уменьшался значительно медленнее рабочего a [ i ] . Условиям (15.6.4) удовлетворяют , например , следующие соотношения : (15.6.5) где 0 < 1; >0; 2( - )>1 . Хотя сходимость этого метода показана строго математически , его практическое применение обычно не удовлетворяет решению прикладных задач . Дело здесь в том , что указанная сходимость метода п роявляется при N . В практических расчетах всегда существенно иное - необходимо в процессе поиска быстро попасть в некоторую малую окрестность экстремума . С др угой стороны , программный характер изменения параметров (15.6.5) не учитывает ситуации , сложившейся в процессе поиска , что не может не повлиять на эффективность процесса оптимизации. Все эти обстоятельства и объясняют то , что стохастическая аппроксимация обычно не используется для решения практических задач синтеза систем автоматического управления , хотя и хорошо исследована математически . Потребности практики заставляют искать иные , более эффективные пути решения задачи параметрической адаптации . Рассмот р им некоторые из них. 1.4.2 Сглаживание помех. Идея сглаживания , примененная в п . 15.5.2.1. для решения многоэкстремальных задач , может быть использована и для сглаживания случайных помех . Действительно , сглаженный функционал (15.6.6) отличается от исходного Q ( C ) , не возмущенного помехами , за счет двух обстоятельств - процедуры сглаживания и наличия помех . Его монтекарловская оценка имее т вид (15.6.7) где Y i - случайные реализации вектора Y в соответствии с его заданной плотностью распределения p ( Y ) (15.5.6). Легко видеть , что случайна я составляющая сглаженной функции имеет [ 15.12] пониженную дисперсию , равную 2 / N , где 2 - дисперсия случайной помехи в (15.6.1). Аналитическая форма задания плотности распределения дает возможность (16.13) оценить градиент сглаженной “зашумленной” функции (15.6.6). Для этого достаточно аналогично изложенному в п . 15.5.2.1 продифференцировать (16.6.6) по С . Получаем формулу для численной оценки градиента зашумленного функционала по его наблюдениям в виде (15.5.10), где вместо Q ( . ) надо подставить Q `( . ) . Однако оценку градиента зашумленного минимизируемого функцио нала можно получить и иным образом. 1.4.3 Стохастическое накопление . Воспользуемся для вычисления градиента его стохастической оценкой (15.2.6), где вместо Q ( C ) следует поставить Q `( C ) . Проекция этой оценки на градиентное направление имеет определенные статистические характеристики (15.12). Ее среднее значение равно модулю градиента , а дисперсия определяется выражением (15.6.8) где k - модуль градиент а функционала . Дискретный вариант такой адаптации , когда каждый параметр варьируется на двух уровнях , рассмотрен в работе (15.2). 1.4.4 Последовательное накопление. Оно отличается от предыдущего тем , что объем m накопления заранее не определен и решени е принимается по достижении модулем вектора (15.6.9) заданного порога || R [ N * ] || A (15.6.10) Полученные значения N * определяют оценку вектор а градиента (15.6.11) Эта оценка будет тем точнее , чем больше порог А . Порог A иногда удобно определять не для модуля R [ N ] , а для всех его компонент r i [ N ], i = : R[N]=[r 1 [N] ... r n [N]] T . (15.6.12) При || r j [ N ]|| A (15.6.13) принимается решение о рабочем шаге вдоль j - й координаты , которая изменяется следующим образом : x j [N+1]=x j [N]-a sgn r j [N] , (15.6.14) а по остальным продолжается накопление информа ции . При этом начальное значение суммы для i - й координаты может отличаться от нуля , чем вводится адаптация к направлению наиболее интенсивного уменьшения минимизируемого функционала. 1.4.5 Симплексный алгоритм поиска. Этот алгоритм отличается тем , что на каждом N - M шаге хранится не одна, а n +1 точек вершин симплекса ( n +1 )-гранной пирамиды в n – мерном пространстве параметров C : S[N]=, N=0,1, ... (15.6.15) Эта пирамида может быть “равносторонней” (см . Рис . 15.6.1.а ) или “пря моугольной” (см . Рис . 15.6.1.б ). Алгоритм симплексного поиска состоит в том , что на каждом ( N +1 )-м шаге новый симплекс S [ N +1 ] C 2 C 2 C 1 [N] C 3 [N ] C 2 [N] S[N+1 ] S[N] S[N] S[N+1] C 2 [N] C 0 [N] C 1 [N] C 0 [N] C 4 [N] a C 1 b C 1 Рис . 15.6.1. Иллюстрация симплексного метода поиска образуется из “старого” S [ N ] путем добавления одной точки C n +1 [ N ] и исключением C j [ N ] S [ N ] . Исключается точка с максимальным значением показателя качества ( в случае его минимизации , а при максимизации надо исключать точку с минимальным значением критерия ) , т.е. (15.6.16) а новая C n +1 [ N ] образуется симметрично основанию симплекса S [ N ]\ C j [ N ] . На рис . 15.6.1 показаны примеры образования нового симплекса S [ N +1 ] из S [ N ] ( на рис. a i =2, a на рис . б i =1 ). В (15.15) приведены формулы для вычисления координат новой точки C n +1 [ N ] равностороннего симплекса . Приведем формулы для прямоугольного симплекса. Пусть точка C 0 [ N ] соответствует вершине прямого угла симплек са (см . 15.6.1,б ), а b i ( i = ) - величина i - ребра симплекса , направленного вдоль i - й координаты С i . Тогда положение прямоугольного симплекса однозначно определи тся вершиной С 0 [ N ] и вектором A [ N ]=[ a 1 [ N ], ..., a n [ N ]] т , координаты которого определяют направление ребер симплекса : a i [ N ] -1, +1 , i = (15.6.17) (так , например , для симплекса на рис . 15.6.1, б имеем a 1 [ N ]= 1 , a 2 [ N ]=- 1 . Вер шина симплекса S [ N ] ,таким образом , имеют вид : C i [ N ]= C 0 [ N ]+ a i [ N ] b i e i , i = , (15.6.18) где e i - i - й орт. В соответствии с алгоритмом симплексного метода поиска получаем (15.6.19) Напомним , что j - номер точки симплекса S с максимальным значением показателя качества. Однако при использовании этих формул ввиду сложности минимизируемого функционала и наличия случайных помех возможно образование тупиковых ситуаций 1. Мож ет оказаться , что точка C n +1 имеет минимальное значение критерия , т.е. C j [ N +1 ] = C n +1 [ N ] , и тогда в соответствии с алгоритмом перехода к S [ N +1 ] мы вернемся к исходному симплексу S [ N ] , т.е. S [ N +2 ] = S [ N ] . Выход из этой ловушки осуществляется исключением точки C j [ N +2 ] из множества точек , среди которых ищется по (15.6.16) точка с максимальным значением показателя качества. 2. Может оказаться , что одна из точек сохраняется в симплексе более чем n +1 шагов , за которые при нормальной работе метода все точки должны обновиться . В результате происходит так называемое “вращение” симплекса относительно этой точки . Следует повторить определение критерия в это точке . Если значение критерия при этом изменится существенно ( и вращение должно продолжаться ), то это означает , ч то точка вращения расположена вблизи экстремума и следует уменьшить симплекс (15.6.20) подтянув его к этой точке . Так происходит адаптация размеров си мплекса. 1.5 Структурная оптимизация . Задача автоматического проектирования САУ включает в себя и определение структурных факторов . Они могут быть определены в процессе решения оптимизационной задачи (15.1.5) Для этого необходимо построить процесс поиск а оптимальной структуры W . Такого рода процесс поиска можно осуществить двояким образом - дискретизацией структуры и путем ее эволюционной оптимизации. 1.5.1 Дискретизация структуры . Если структура образуется набором структурных элементов , то ее удобно кодировать двоичным вектором W =( 1 , ..., n ), (15.7.1) где i характеризует наличие ( i =1 ) или отсутствие ( i =0 ) i -го структурного элемента в проектируемой САУ . На вектор W могут быть наложены ограничения типа равенств и неравенств , характеризующие зависимость между структурными элементами . Тогда задача проектирования САУ сводится к решению следующей оптимизационной задачи : (15.7.2) где ограничения S имеют вид (15.7.3) Здесь функционалы Q , g j и h i определяются характером задачи проектирования конкретной САУ . Как видно , задача проектирования сведена к задаче бинарного программирования , решение которой п ри малых n возможно полным перебором , а при больших - путем сведения дискретной задачи к непрерывной и дальнейшим решениям ее методами параметрического поиска , рассмотренными выше . Сделать это можно , например , введением штрафной функции вида : (15.7.4) где v >0 - коэффициент штрафа , а область S ` определена условиями (15.7.5) где w h - непрерывный параметр . Задача (15.7.4) имеет многоэкстремальный характер и решается глобальными методами. Другим способом сведения дискретной задачи (15.7.2) и непрерывной является рандомизация , в соответствии с которой ввод ится непрерывный вектор вероятностей P = P 1 , ..., P n ), (15.7.6) в котором P k = P w k =1 (15.7.7) -вероятность события w k =1 . С помощью этого вектора функционал Q ( W ) сглаживается : (15.7.8) где суммирование проводится по всем вариантам двоичного вектора— и введены обозначения (15.7.9) Сглаженный (или рандомизированный ) функционал Q ( W ) зависит лишь от непрерывного вектора вероятностей Р . Легко видеть , что минимум этого функционала лежит в одной из вершин гиперкуба P , т.е . решение P оп является двоичным вектором , который совпадает с решение исходной задачи . Для приближенной оценки значения сглаженного функционала при заданном Р можно воспользоваться методом Монте-Карло : где N база оценки , а W i случайный двоичный вектор распределения Р . С ростом N точности оценки естественно возрастает. 1.5.2 Эволюционная оптимизация структуры. Если структура W проектируемой системы мож ет изменяться так , что будут соблюдаться ограничения S , накладываемые на структуру , то синтез такой структуры может быть реализован так называемым эволюционным методом . При этом вариации структуры не выводят за пределы заданных S , т.е. W + S (15.7.10) Задача структурной оптимизации записывается в виде (15.7.11) Процесс эволюции структуры W происходит поэтапно . На первом этапе порождаются измененные структуры : W 0.i =W 0 + i , i=1, k 0 , (15.7.12) где i i - я случайная вариация структуры , ограниченная (15.7.10). Число новых ст руктур k 0 – является параметром , который назначается из конкретных условий эволюции данной структуры. Новые структуры (15.7.12) оцениваются по критерию эффективности Q 0.i =Q(W 0.i ), i=1, k 0 (15.7.13) и далее происходит отбор , в процессе которого отсеива ются структуры с большим значением минимизируемого функционала Q , в результате чего на следующий этап эволюции остаются q 0 0 может быть определена соотношением (15.7. 14) При этом процесс “разыгрывания” выбывающих структур заканчивается тогда , когда остается q 0 структур. Заметим , что вполне может оказаться (особенно при малом k 0 ), что лучшая из новых структур хуже исходной W 0 . В этом случае естественно W 0 сохранить на следующий этап эволюции . На втором этапе эволюции каждая из остающихся структур изменяется аналогично (15.7.12) и дает столько новых структур , чтобы их общее число вместе с исходными было равно k 0 . Последующий отбор составляет q 1 структур на с ледующий этап эволюции , и т.д. Легко видеть , что такого рода эволюция структуры будет стремиться отбирать структуры с малым значением критерия качества , среди которых находится и оптимальная структура . Случайность вариаций и отбор обеспечивают целенаправленность процесса эволюции к оптимальному решению W оп . Рассмотрим влияние параметров k i и q i (i=0,1, ...) . Эти параметры позволяют изменять число структур на каждом этапе и уровень отбора . При q i =1 на следующий этап эволюции оставляется лишь одна структура . Такая структура эффективна при унимодальности задачи (15.7.11). Ее многоэкстремальность требует q i >1 и значение q i тем больше , чем сложнее поиск глобального экстремума . Число k i также влияет на эффективность процесса эволюции . При большем k i эволюция имеет глобальную тенденцию , но идет медленней , т.е . требует значительных затрат времени и памяти ЭВМ. Здесь изложены примеры структурной оптимизации без парамет рической подстройки параметров С объекта . Параметрическая оптимизация , если она необходима для повышения эффективности структур , легко вводится перед стадией отбора и осуществляется параметрическими методами , рассмотренными выше. Рассмотрим в качестве при мера структуры , описываемые графом . В этом случае в процессе оптимизации оптимизирует граф. Пусть структура W объекта описывается графом Г = < А,В >, (15.7.15) где А - множество из n его вершин , а В - множество ребер с их параметрами : В = [b ij ] nXn , (15.7.16) где b ij - параметры дуги , соединяющей i - ю и j - ю вершины . На графе Г задан функционал качества , который следует минимизировать : (15.7.17) где S - ограничения , которым должен удовлетворять оптимизируемый граф Г . Опишем множество вариаций графа . Например , оно может состоять из следующих изменений : · объединение двух случайно выбранных вершин графа в одну ; · введение новой ( n+1 ) - й вершины со случайными связями b n+1 , i (i= ) и b j,n+1 (j= ) ; · устранение случайно выбранной вершины вместе с ее связями ; · введение новой связи двух случайно в ыбранных вершин ; · устранение случайно выбранного ребра ; · случайное “переключение” случайно выбранного ребра и т.д. Как видно , спектр возможных случайных вариаций графа может быть достаточно велик , что обеспечивает эволюции большое разнообразие , необхо димое для отыскания оптимального графа . Значения параметров дуг графа (15.7.16) могут подстраиваться специально на стадии параметрической оптимизации , предшествующей отбору лучших структур. Это направление эволюционной оптимизации графа интенсивно развива ется в настоящее время и получило название эволюционного моделирования , что связано с оценкой функционала Q( Г ) путем моделирования поведения системы , работа которой описывается этим графом (15.14). 2 Автоматизация проектирования систем автоматического упр авления Автоматизация проектирования САУ претерпевает эволюцию и бурное развитие в связи с научно-техническим прогрессом в области микроэлектроники , развертыванием высокопроизводительных вычислительных систем в проектно-конструкторских организациях , пер емещением центра тяжести процесса проектирования от аппаратного обеспечения к алгоритмическому и программному обеспечению , внедрением нового методологического обеспечения на базе современной теории автоматического управления. В процессе этого развития пок а не созданы унифицированные установившиеся структуры систем автоматизированного проектирования (САПР ) САУ , и поэтому здесь излагаются основные принципы и некоторые способы построения САПР САУ , пригодные для проектирования как непрерывных , так и цифровых с истем ограниченного уровня сложности. 2.1 Принципы автоматизации проектирования систем автоматического управления. Здесь рассматриваются наиболее общие вопросы автоматизированного проектирования САУ , основные этапы , уровни автоматизации процесса проекти рования. 2.1.1 Этапы и стадии проектирования. Процесс проектирования систем автоматического управления , как и любой технической системы , можно разделить 916.1, 16.2) НА СЛЕДУЮЩИЕ ЭТАПЫ. 1 ЭТАП - разработка и обоснование технического задания (ТЗ ) на сис тему , в процессе которой определяется цель и назначение системы управления , задаются характеристики и модель объекта управления , формулируются технические требования к системе и ее технико-экономические показатели. 2 ЭТАП - разработка технического предлож ения , на этом этапе выбирается один или несколько вариантов построения систем управления и дается оценка выполнимости требований ТЗ. 3 ЭТАП - разработка эскизного проекта , когда осуществляется синтез устройства управления и анализ выполнения требований ТЗ . 4 ЭТАП - техническое проектирование . На этом этапе , используя выбранные структурные схемы и определенные на третьем этапе параметры , разрабатываются принципиальные электрические (электромеханические , кинематические ) схемы отдельных блоков системы и осущ ествляется анализ уточненной системы с учетом математических моделей готовых и разрабатываемых блоков (под блоками системы понимаются измерительные и исполнительные устройства , средства реализации алгоритма управления , аналого-цифровые и цифро-аналоговые п реобразователи и т.п .). Если результаты такого анализа показывают , что система не удовлетворяет требования ТЗ , то осуществляется уточнение параметров устройства и управления (параметрический синтез ). 5 ЭТАП - конструкторское проектирование (разработка раб очих чертежей ). Здесь на основе принципиальных схем разрабатываются чертежи для изготовления опытного образца создаваемой системы. 6 ЭТАП - технологическое проектирование и изготовление опытного образца. 7 ЭТАП - экспериментальное исследование опытного о бразца , в результате которого в конструкторскую и технологическую документацию , разработанную на предыдущих этапах , вносятся изменения. Отметим , что процесс проектирования САУ , как и любого технического устройства , носит характер последовательных приближе ний к требованиям , сформулированным в ТЗ . Это означает , что каждый этап проектирования может заканчиваться не переходом к следующему , а возвратом к любому из предыдущих этапов , и , таким образом , спроектированная система является результатом целого рядя ите раций. C одержание 5-го и 6-го этапов проектирования слабо связано со спецификой задач автоматического управления , и поэтому проблемы проектирования на этих этапах решаются в рамках задач проектирования технических устройств (электрических , механических , гидравлических и т.п .), на базе которых строится устройство управления. Центральным и специфически характерным для САУ является 3-й этап проектирования , который будет называться этапом анализа и синтеза системы управления. Этот этап можно разбить на неск олько стадий (16.3) : 1. Преобразование , анализ и упрощение математической модели объекта ( ММО ). Вначале осуществляется преобразование МО , заданной в произвольной форме , к форме удобной для последующего анализа объекта и синтеза устройства управления . К числу таких преобразований относятся : приведение уравнений к форме Коши , к форме “вход-выход” , построение передаточной матрицы , построение дискретной модели непрерывного объекта и т.д . Затем осуществляется анализ управляемости , устойчивости , минимально - фа зовости и других свойств объекта . Упрощение ММО включает в себя понижение порядка (или числа ) уравнений объекта , линеаризацию части или всех нелинейных его элементов , пренебрежение малыми изменениями параметров и т.п. 2. Классификация и формализация зад ачи управления . На этой стадии принимается решение о методе синтеза алгоритма управления (алгоритма работы управляющего устройства ) и осуществляется формализация задачи в соответствии с принятым методом синтеза. 3. Синтез алгоритма управления . Он осуще ствляется в соответствии с принятым выше методом синтеза . В качестве таких методов часто выступают изложенные в предыдущих главах методы современной теории управления. 4. Анализ синтезированной САУ . Вначале осуществляется анализ САУ в условиях , при кото рых она была синтезирована , а затем с учетом факторов , опущенных при упрощении ММО (анализ в “реальных условиях” ). Как процесс проектирования в целом , так и выполнение каждого этапа и , в частности , этапов анализа и синтеза носят итерационный характер (рез ультат выполнения определенной стадии может привести как к выполнению последующей , так и к возврату к предыдущей стадии ) до тех пор , пока не будут выполнены требования ТЗ . 2.1. 2 Уровни автоматизации проектирования. Для автоматизации процесса проектиров ания на 2-7 этапах широко используются ЭВМ . Последующее изложение будет посвящено в основном вопросам использования ЭВМ для автоматизации третьего этапа проектирования , поскольку автоматизация проектирования последующих этапов незначительно зависит от особ енностей задач автоматизированного управления . Кроме того , широкое применение цифровых управляющих машин для реализации алгоритмов управления приводит к тому , что процесс проектирования САУ часто заканчивается четвертым этапом , в течении которого выбираетс я тип управляющей машины и устройства связи с объектом и осуществляется программирование синтезированного алгоритма управления. Можно выделить следующие уровни автоматизации : 1. уровень (уровень отдельных прикладных программ ) характеризуется автоматиз ацией отдельных операций стадий анализа и синтеза . Эти операции далее называются элементарными проектными операциями ( ЭПО ). Каждый программный модуль ЭПО позволяет решить с помощью ЭВМ содержательную в терминах ТАУ задачу . К числу таких задач относятся , на пример , приведение уравнений объекта к форме Коши , аналитическое конструирование оптимальных регуляторов , анализ устойчивости системы и т.п. ; 2. уровень (уровень пакетов прикладных программ ), когда объединение программных модулей ЭПО в пакет прикладных программ позволяет автоматизировать отдельную стадию или весь этап проектирования ; 3. уровень - САПР САУ . Выделим некоторые признаки , отличающие САПР от предыдущих двух уровней автоматизации. Комплексность (или системность ). Этот признак заключается (16.4) в том , что автоматизация проектирования должна пронизывать весь процесс проектирования от “завязки” проекта САУ (разработки технического предложения ) до выпуска рабочих чертежей деталей системы , обеспечивающих ее изготовление , либо программ для упра вляющей ЭВМ , если процесс проектирования не содержит пятого этапа . Этот признак подразумевает возможность включения САПР САУ в САПР объекта управления. Простота общения с ЭВМ. Это означает наличие : а ) технических средств (например , дисплея ), б ) входного языка , близкому к естественному профессиональному языку пользователя , в ) средств вывода информации на ЭВМ в форме , близкой к принятой документальной , г ) возможности диалога с ЭВМ , в процессе которого пользователь может получать промежуточные результаты , и зменять ход дальнейших вычислений , а также исходные промежуточные данные , не повторяя без необходимости проделанных вычислений заново. Быстродействие , под которым подразумевается достаточно малое время (3-5 мин ) выполнения ЭВМ каждого этапа проектирования . Это время необходимо для осуществления диалога пользователя (специалиста в области ТАУ - на третьем этапе , инженера-электрика или инженера-механика - на четвертом этапе , конструктора - на пятом этапе и технолога - на шестом этапе ) с ЭВМ в естественном дл я человека ритме. 2.1.3 Компоненты обеспечения САПР. Комплекс средств обеспечения САПР содержит (16.5,16.6) компоненты : математического (методологического ), лингвистического , программного , технического , информационного обеспечения. Остановимся подробн ее на некоторых компонентах. Компонентами методологического обеспечения САПР САУ являются документы , в которых изложены способы и методы ТАУ , позволяющие построить программные модули элементарных проектных операций (ПМ ЭПО ) и указать способ объединения ПМ ЭПО в некоторый программный модуль процедуры (ПМП ), разрешающий определенный класс задач ТАУ . ЭПО - это неделимый (минимальный ) содержательный фрагмент ТАУ : Как правило , ЭПО представляет собой операционное определение понятия ТАУ . Такое операционное опре деление может быть не единственным . Например , устойчивость линейной стационарной системы может определяться как с помощью построения функции Ляпунова , так и непосредственно вычислением собственных чисел матрицы , входящей в модель системы , записанной в фор ме Коши , и поэтому ЭПО “ Анализ устойчивости ” имеет два варианта реализации. Опишем теперь понятие класса задач ТАУ (16.7). Класс задач ТАУ характеризуется тремя видами математических моделей : модель целей управления (критерии точности , качества и т.п .). модель объекта управления и управляющего устройства (регулятор ), модель среды (внешние возмущения и помехи ). Каждая из этих моделей характеризуется атрибутами 1-го , 2-го и т.д . рангов . Так , атрибутом 1-го ранга модели объекта управления является тип опера т ора модели (линейный или нелинейный оператор ), атрибутом 2-го ранга - вид уравнений модели объекта управления (алгебраические , обыкновенные дифференциальные , дифференциально-разностные , интегральные , в частных производных ), атрибутами 3-го ранга являются н ачальные отклонения , параметрические и структурные возмущения модели. Указанные три модели с их атрибутами образуют класс задач ТАУ . Совокупность классов задач , решаемых конкретной САПР САУ , определяет ее функциональные возможности. Компонентами лингвист ического обеспечения являются документы , содержащие словарь входного языка , синтаксический и семантический процессор (16.8). Словарь входного языка содержит термины ТАУ , математические символы , используемые при описании моделей системы управления , возмущен ий и цели управления и их атрибутов , а также отдельные слова естественного языка , необходимые для описания требований к системе управления . Входной язык разделяется (16.2) на язык описания системы управления (язык описаний объекта ( ЯОО ) и язык описания зад аний ( ЯОЗ ). Компонентами программного обеспечения САПР САУ являются документы с текстами программных модулей процедур , разрешающих отдельные классы задач ТАУ . Программный модуль процедуры , решающий некоторый класс задач ТАУ , состоит из ПМ ЭПО , выполняемых в последовательности , образующей план решения класса задач ТАУ . План решения часто зависит от конкретных параметров моделей. 2.1.4 Общие принципы построения САПР. Процесс создания САПР САУ базируется на следующих общих принципах (16.5) : включения , сис темного единства , комплексности , развития , информационного единства , совместимости , инвариантности. Смысл первых трех принципов во многом исчерпывается описанием приведенного выше 1-го признака САПР . Принцип развития требует , чтобы САПР САУ разрабатывалась и функционировала как развивающаяся система . Это , в частности , означает , что расширение функциональных возможностей САПР САУ (т.е . увеличение числа классов решаемых задач ТАУ ) не должно приводить к переработке программных модулей действующих (до расширени я ) процедур. Принципы информационного единства , совместимости и инвариантности состоит в том , что различные САПР САУ ( САПР САУ различных классов задач ТАУ ) должны использовать единую терминологию , символы , условные обозначения , способы представления информ ации , а программное обеспечение третьего и четвертого этапов проектирования не должно зависеть от физической природы системы управления . Построение САПР САУ с использованием этих принципов позволяет создать интегрированную САПР САУ , охватывающую в пределе всю совокупность задач ТАУ . 2.2 Способы построения систем автоматизированного проектирования. В 60-х и 70-х годах было разработано большое количество программ , обеспечивающих первый (16.9-16.11) и второй (16.12-16.16) уровни автоматизации проектировани я САУ . В последние годы ведутся интенсивные работы по созданию различных САПР САУ . Из этих систем выделим наиболее характерные , отражающие распространенные способы построения САПР САУ : диалоговую систему проектирования автоматических систем ( ДИСПАС ) (16.17 ) ; САПР адаптивных систем (16.18) ; диалоговый пакет прикладных программ “ Гамма -1М ” для синтеза и анализа линейных многомерных систем управления по заданной точности и качеству (16.19). Приведенные системы реализуются в рамках операционной системы ОС ЕС , о тличаются друг от друга функциональными возможностями (классами задач ТАУ , решаемыми с их помощью ), способами построения лингвистического и программного обеспечения. 2.2.1 Диалоговая система проектирования ДИСПАС. Основными функциональными возможностям и системы являются (16.17) анализ линейных и нелинейных стационарных и нестационарных непрерывных и дискретных логико-динамических систем , описываемых обыкновенными дифференциальными и дифференциально-разностными уравнениями . Анализ включает в себя модели р ование (вычисление переходных процессов ) при детерминированных и случайных возмущениях , анализ линейных моделей , преобразование моделей . Кроме того , система позволяет осуществлять оптимизацию параметров модели. Система ДИСПАС ориентирована на широкий круг пользователей , не владеющих программированием . Ее использование представляется особенно эффективным на четвертом этапе проектирования САУ (этапе технического проектирования ). Математическая модель исследуемой динамической системы представляется в виде ст руктурной схемы либо системы дифференциальных уравнений первого порядка. Основу лингвистического обеспечения составляет язык задания моделей . Понятиями этого языка являются : “библиотека моделей” , “модель” , “блок”. Блок (являющийся блоком структурной схемы системы управления ) определяется атрибутами : 1. Номер блока . 2. Тип блока (линейное непрерывное звено , кусочно-линейная функция , дискретное звено , коммутирующий элемент и т.д .). 3. Вид блока (динамическое звено , сумматор , интегратор ). 4.Параметры блока ( коэффициенты числителя и знаменателя передаточной функции линейного непрерывного динамического звена и т.п .). 5. Вход блока (на вход каждого блока может быть подано до пяти сигналов с выходов других блоков . Все блоки имеют лишь один выходной сигнал , котор о му приписывается номер блока , с которого этот сигнал снимается ). Оператор ЗАДАНИЕ БЛОКА выдает последовательный ряд запросов (которые высвечиваются на экране дисплея ), относящихся к атрибутам . Каждый последующий запрос выдается после поступления от поль зователя ответа на предыдущий. Так , после введения (после запроса системы ) номера блока , подлежащего заданию , система ДИСПАС запрашивает тип задаваемого блока и воспроизводит на экране дисплея пронумерованный список типов . Пользователь должен ввести соотве тствующий номер нужного ему типа из предъявленного списка . Затем система запрашивает вид блока и воспроизводит на экране пронумерованный список видов для указанного ранее типа . Пользователь должен ввести соответствующий номер нужного ему вида и т.д . Слов а русского языка , высвечиваемые на экране дисплея во время запросов пользователю , образуют словарь входного языка . Анкетный (запросный ) характер общения пользователя с ЭВМ позволяет обойтись в ДИСПС без синтаксического и семантического процессоров. В програ ммном обеспечении ДИСПАС можно выделить следующие ПМ ЭПО : “ Моделирование ” (численное решение дифференциальных уравнений ), “Многопараметрическая оптимизация” и т.д . План решения задачи формируется в процессе запросов пользователю. Близкими к ДИСПАС по функ циональным возможностям , структуре лингвистического и программного обеспечения являются системы МОНСТР (16.20), КОМИКС (16.21). 2.2.2 САПР адаптивных систем САПРАС. Функциональные возможности этой системы (16.18) включают в себя синтез структур и выбор параметров адаптивных регуляторов для объектов , описываемых линейными моделями , анализ (моделирование ) линейных и нелинейных , стационарных и нестационарных , непрерывных и дискретных систем , линеаризацию динамических и статических систем , решение задач мн о гопараметрической поисковой оптимизации. Представляется эффективным использование системы на втором и третьем этапах проектирования САУ (этапах разработки технического предложения и эскизного проектирования ). Это , как правило , предполагает высокую квалифик ацию пользователя в области проектирования САУ . Кроме того , пользователь должен владеть языком АВАНС , соответствующим лингвистическому обеспечению САПРАС . Язык АВАНС является проблемно-ориентированным языком , встроенным в алгоритмический язык PL - 1 . Таким образом , в АВАНС -программе , наряду с операторами базового языка PL - 1 , используются специальные операторы , расширяющие возможности базового языка в данной предметной области . Эти специальные операторы разделяются на три группы : операторы описания системы уп равления , операторы описания действия , вспомогательные операторы . К операторам описания системы управления относится оператор описания подсистем (к подсистемам относятся , в частности , линейные динамические звенья ; звенья , описываемые системой линейных дифф еренциальных уравнений первого порядка ), оператор описания связей подсистем , оператор описания входов и выходов подсистем . Оператор описания действия включает в себя оператор моделирования , оператор линеаризации , оператор оптимизации , оператор синтеза . За г оловок оператора синтеза содержит название метода синтеза (который определяет структуру адаптивного регулятора ) и выражения , которые определяют параметры регулятора. Термины (английского языка ), составляющие операторы описания системы , образуют первую час ть входного языка - язык описания системы , а термины , образующие операторы действий , составляют вторую часть входного языка - язык описания заданий . Поскольку эти термины входят в состав языка АВАНС , на котором составляется АВАНС -программа , обрабатываема я обычным образом , то в САПРАС отпадает необходимость в специальном синтаксическом и семантическом процессорах. В программном обеспечении САПРАС можно выделить ПМ ЭПО : “ Моделирование ” , “ Линеаризация ” , “ Анализ статического режима ” , “ Синтез ” и т.д . План реш ения задачи задается текстом АВАЕС - программы . Близкой к САПРАС по способу построения лингвистического и программного обеспечения является система РАДИУС -2 (16.22). В этой системе лингвистическое и программное обеспечения строятся с помощью языка ФОРТРАН -4 при использовании специальных приемов программирования . Способ построения лингвистического и программного обеспечения САПР САУ предложен в (16.23). Он опирается на представление знаний в области ТАУ в виде некоторой семантической модели. 2.2.3 Система “Гамма -1М”. Эта система является развитием пакетов прикладных программ “ Гамма -1 ” и “ Гамма -2 ” (16.15). Система “ Гаммма -1М ” предназначена для синтеза и анализа регуляторов для объектов , описываемых линейными дифференциальными уравнениями с постоянными коэ ффициентами . Модель объекта подвержена малым параметрическим и структурным возмущениям . Внешние возмущения (модель среды ) : типовые , детерминированные (ступенчатые , гармонические и т.п .), либо неопределенные (неизвестные , ограниченные по модулю заданными чи слам ) воздействия . Синтез регуляторов осуществляется по принятым в классической ТАУ временным и частотным критериям (моделям целей управления ), таким как установившаяся ошибка , время регулирования , пере регулирование , частота среза , запасы устойчивости по фазе и модулю . В качестве моделей целей управления может выступать и интегральный квадратичный критерий . По функциональным возможностям система “ Гамма -1М ” охватывает ряд классов задач ТАУ , которые образуются в зависимости от атрибутов модели среды и модел и целей управления . Основу лингвистического обеспечения “ Гамма -1М ” составляют язык описания моделей системы и среды и язык описания заданий на проектирование директивного типа . Словарь языка описания моделей системы и среды содержит термины ТАУ и математич еские символы . Каждой директиве соответствует план решения задачи , представляющий собой последовательность выполнения ЭПО , приводящую к решению задачи на основе соответствующей процедуры синтеза и анализа САУ . Для представления планов решения задач в сист еме “ Гамма -1М ” используется разработанный проблемно-ориентированный процедуральный язык (16.25) ИН терпретация СТРУ ктурных схем процедур и ЕМ тодов си НТ еза ( ИНСТРУМЕНТ ). План решения задачи представляет собой последовательность предложений языка , имеющ их 5 компонент : 1) метка - целое число ; 2) имя операции - имя плана подзадачи либо имя элементарного действия , реализованного программным модулем ; 3) исходные данные - указываются имена элементов базы данных , выступающих в качестве исходных данных вызываем ой операции ; 4) результат операции - указываются имена элементов базы данных , являющихся результатом операции ; 5) метки перехода - указываются метки предложений плана , которым следует перейти после завершения операции. В основе программного обеспечения “ Г амма -1М ” лежат ПМ ЭПО “Аналитическое конструирование оптимальных регуляторов ” , “ Определение параметров функционала оптимизации по требуемым значениям времени регулирования и пере регулирования по каждой из регулируемых переменных ” , “ Анализ параметрической грубости” , “Анализ устойчивости многомерных систем по критериям Найквиста ” и др. Близкой к “ Гамма -1М ” по функциональному назначению является система для автоматического синтеза частотным методом (16.24).
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
Если Россия решит атаковать Украину двумя батальонами, то до Киева дойдет десять дивизий. И это не считая ополченцев.
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по программированию "Принципы автоматизации систем автоматического управления. Методы и алгоритмы", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru