Автор: Сотник С.Л.

Синтез физических принципов действия по заданной физической опе-рации

Существуют элементарные структуры ФПД, которые основываются на одном ФТЭ. Для поиска (синтеза) таких ФПД, определяют соответствие между физической операцией, которую требуется реализовать, и ФТЭ, с помощью которого можно осуществить такую реализацию.

Если принять во внимание формализованное описание физической операции и ФТЭ, можно отметить следующее соответствие компонент:

В связи с этим дадим следующее определение ФПД.

Физическим принципом действия ТО будем называть структуру совместимых и объе-диненных ФТЭ, обеспечивающих преобразование заданного начального входного воздействия А1 в заданный конечный результат (выходной эффект) Сn. Здесь имеется в виду, что число ис-пользуемых ФТЭ не менее n.

Уточним понятие совместимости ФТЭ. Для имеющегося фонда ФТЭ имеет место три вида совместимости:

• качественная совместимость по совпадению наименований входов и выходов (пример совместимости: «электрический ток — электрический ток»);
• качественная совместимость по совпадению качественных характеристик входов и вы-ходов (пример несовместимости: "электрический ток переменный — электрический ток посто-янный");
• количественная совместимость по совпадению значений физических величин (пример совместимости: "электрический ток постоянный I=10A, U=110В — электрический ток постоян-ный I = 5—20 A, U = 60—127 В").

Поиск допустимых ФПД. Опишем порядок работы с учебной системой автоматизиро-ванного синтеза ФПД. Работа по поиску допустимых ФПД состоит из четырех этапов.

1-й этап. Подготовка технического задания. При подготовке технического задания составляют описание функции разрабатываемого ТО и его физической операции. Описание фи-зической операции рекомендуется делать с учетом синонимов в наименованиях «выходов» и «входов», т.е. в итоге может получиться несколько вариантов операции. Если имеется словарь технических функций, то эта работа выполняется значительно быстрее и правильнее.

После формулировки вариантов физической операции по компонентам АТ, СТ, с помо-щью словаря «входов» и «выходов» (табл. 2) описывают совпадающие или близкие по содержа-нию входы и выходы, т. е. выявляют соответствия

Далее для тех же множеств проверяется возможность образования цепочек из четырех и из пяти ФТЭ.

Встречным наращиванием цепочек совместимых ФТЭ от A1 до Сn можно получать но-вые варианты ФПД, включающие и большее число ФТЭ. Однако при числе ФТЭ, превышаю-щем пять, резко возрастает вычислительная сложность такого метода из-за комбинаторного ха-рактера задачи и существенного роста числа анализируемых промежуточных вариантов. Кроме того, ФПД с числом ФТЭ более пяти с практической точки зрения обычно не относятся к наи-более рациональным.

Изложенный алгоритм представляет собой один из возможных простых способов син-теза ФПД. Можно использовать и другие алгоритмы, ориентированные на предварительно ор-ганизованную базу данных по ФТЭ.

Суть этой организации состоит в определенном построении сетевых графов из всех со-вместимых ФТЭ.

Система синтеза ФПД по введенному техническому заданию позволяет получать вари-анты ФПД. Кроме того, в ней в качестве дополнительных исходных данных могут быть исполь-зованы следующие ограничения:

максимальное число ФТЭ в цепочке (например, n < 4);
число получаемых вариантов ФПД (например, m < 20);
запрещение (или предпочтительность) использования определенных входов А и выхо-дов С;
запрещение (иди предпочтительность) использования определенных объектов В;
другие ограничения.

3-й этап. Анализ совместимости ФТЭ в цепочках. Полученные на 2-м этапе цепочки возможных ФПД удовлетворяют только .качественной совместимости по совпадению наимено-ваний входов и выходов. Хотя среди полученных ФПД ЭВМ может отсекать варианты по усло-вию совместимости качественных характеристик, а в промышленной системе — по количест-венной совместимости, иногда бывает целесообразно данную работу выполнять в полуавтома-тическом режиме

4-й этап. Разработка принципиальной схемы.

Заключительные замечания

В данной главе рассмотрены некоторые алгоритмы, которые мы можем отнести к эво-люционным и/или переборным. Сразу обращает на себя внимание тот факт, что во всех эволю-ционных алгоритмах в той или иной мере присутствует перебор, который придает им одно уни-кальное свойство — универсальность. В то же время, ни один из передовых алгоритмов не ис-пользует перебор в чистом виде. Все они имеют те или иные схемы для предотвращения полно-го перебора, для чего практически всегда используется такое свойство окружающего нас мира (не только материального), как ступенчатость — ограниченность воздействия одних систем на соседние, в результате чего появляется возможность организовывать параллельный поиск.

Слабосвязанный мир

Автор данного конспекта лекций является сторонником мнения, что мир, в котором мы живем, является миром со слабыми причинно-следственными связями. Что имеется в виду?

Представим себе, что Вы пишете статью, а за окном упал осенний кленовый лист, кото-рого Вы не видите. Если такое событие повлияет на текст, который вы пишете, то можно ска-зать, что наш мир настолько насыщен причинно-следственными связями, что любое событие окажет большое или малое влияние на события, произошедшие после него. Такой мир будем называть сильносвязанным.

Однако весь наш опыт доказывает обратное. К примеру, на самолет не успел один из пассажиров. На подавляющее большинство остальных пассажиров это не окажет никакого влияния. Дело в том, что обычно реальные системы имеют так называемые "ступенчатые функ-ции", которые при небольших вариациях возмущающих воздействий не дают им распростра-няться к другим системам. Более того, именно благодаря слабой связанности мира мы можем выделить в нем отдельные системы, а в них подсистемы. В противном случае весь мир пред-ставлял бы собой одну настолько сложную систему, что самый великий гений не мог бы разо-браться и жить в этом безумном мире, не говоря уж об обычной амебе.

Биологическим системам управления приходится адаптироваться к окружающей среде, принимая форму зеркального отражения ее структуры, поэтому в нашем мозгу всегда можно выделить подсистемы, которые никоим образом не должны влиять друг на друга в обученном состоянии. К примеру, рассмотрим человека, управляющего автомобилем с ручной коробкой передач. В тот момент, когда его правая рука переключает очередную передачу, левая должна продолжать удерживать руль в положении "прямо" независимо от того, что делает правая. Если данные подсистемы будут объединены, то при каждом переключении передачи автомобиль начнет вилять, что и случается у новичков. В процессе обучения вождению автомобиля проис-ходит ослабление внутренних связей между нейронными ансамблями, управляющими процес-сами переключения передач и вращения руля, в результате чего устраняется эффект "виляния". Можно привести и более простой пример: человек с нормальной координацией движений, про-должает двигаться прямо вне зависимости от того, куда повернута его голова.

Таких примеров можно привести множество.

Разделяй и властвуй

Рассмотрим теперь построение алгоритмов оптимизации структуры и параметров. Не-смотря на их огромное разнообразие, можно выделить основную черту: оптимизируемый объект является "черным ящиком", который оптимизируется целиком. Для полученного на очередном шаге набора параметров достигнутый результат оценивается только по общей оценочной функ-ции. Это приводит к тому, что малые улучшения в работе отдельных локальных подсистем не закрепляются на фоне ухудшения работы остальных. Можно назвать еще некоторые недостатки подобной реализации — сложности в подборе шага, коэффициента мутаций и т. д., но это уже решаемые мелочи.

Незакрепление малых улучшений в подсистемах при последовательной адаптации при-водит к одному результату — в сложных системах, состоящих из большого количества подсис-тем, скорость обучения катастрофически снижается.

Здесь примером могли бы служить N колес с буквами А и В на ободе, где буквы А за-нимали бы k-ю долю окружности, а В — остальную ее часть. Все колеса приводят во вращение и дают им остановиться; остановка колеса на букве А считается "успехом". Сравним три спосо-ба сложения этих частных успехов в Большой Успех, который будем считать достигнутым только тогда, когда все колеса остановятся на букве А.

Случай 1. Приводятся во вращение все N колес; если все они дадут букву А, регистри-руется Успех и пробы заканчиваются; в других случаях колеса снова приводятся во вращение — и так далее, пока все А не появятся сразу. В этом случае потребуется в среднем (1/k)*N проб.

Случай 2. Вращается 1-е колесо; если оно остановится на А, оно остается в этом поло-жении; в противном случае его вращают снова. Когда оно, наконец, остановится на А, таким же образом вращают 2-е колесо и т. д. Так поступают до тех пор, пока все N колес не остановятся на секторе А. Здесь в среднем потребуется N/k проб.

Случай 3. Приводятся во вращение все N колес; те, которые покажут А, остаются в этом положении, а те, которые покажут В, вращаются снова. При дальнейших появлениях А соответствующие колеса также остаются в покое. Среднее число проб равно среднему числу проб в самой длинной серии из N серий проб с одним колесом и может быть найдено из распре-деления длин таких серий; оно будет несколько больше 1/k.

Случайный поиск служит полным аналогом 1-го случая. Многие из остальных алгорит-мы занимают промежуточное положение между первым и вторым случаем (случайный поиск в подпространствах, генетический алгоритм и т. д.). Очевидно, что человек как правило решает свои проблемы независимо друг от друга, что соответствует третьему случаю.

Таким образом, перспективные алгоритмы должны предусматривать возможность раз-деления целей на подцели, которые не зависят друг от друга.