Наши программы

Для наших партнеров мы предлагаем следущее:
Партнерские программы для университетов, НИИ, R&D


Квантовый оптимизатор баз знаний

Использование технологии мягких вычислений основанной на генетических алгоритмах и нечетких нейронных сетях расширило области эффективного применения нечеткого регулятора за счет добавления новых функций в виде обучения и адаптации. Однако при этом очень трудно спроектировать глобально «хорошую» и робастную структуру интеллектуальной системы управления. Данное ограничение особенно характерно для непредвиденных ситуаций управления, когда объект управления функционирует в резко изменяющихся условиях (отказ датчиков или шум в измерительной системе, наличие времени задержки сигналов управления или измерения, резкое изменение структуры объекта управления или её параметров и т. п.).

В ряде практических случаев такого рода условия могут быть предсказаны, но трудно реализовать робастное управление в непредвиденных ситуациях с применением спроектированной (для фиксированной ситуации) базы знаний одного нечеткого регулятора (даже на всём множестве) предсказанных случайных ситуаций.

Одним из существующих решений представляется формирование конечного числа базы знаний нечеткого регулятора для множества фиксированных ситуаций управления.

Возникает вопрос: как определить, какая из баз знаний должна быть использована в конкретный момент времени? В этом случае особую важность приобретает выбор обобщённой стратегии, которая давала бы возможность переключать поток управляющих сигналов, поступающих с выхода различных баз знаний нечеткого регулятора, и (если необходимо) модифицировать их выходной сигнал под текущие условия функционирования объекта управления. Простым вариантом решения этой проблемы является использование метода взвешенных весов и агрегирования выходных сигналов от каждого независимого нечеткого регулятора. Но, к сожалению, такой метод имеет ограниченные возможности, так как распределение весовых факторов часто необходимо определять в динамике реального времени, и процедура поиска носит комбинаторный характер.

Решение такого рода проблем может быть найдено на основе введения принципа самоорганизации в процесс проектирования базы знаний нечеткого регулятора, который реализуется с помощью квантового оптимизатора баз знаний.