CC BY
14са, косвенно определяющая энергию, затрачиваемую на управление, при прочих равных условиях в два раза меньше, чем у регулятора с законом управления (7).
Регулятор с законом управления (12) по сравнению с регулятором (11) обеспечивает более высокую точность в статическом режиме (после отключения регулятора выходная координата объекта оказывается в более близкой окрестности заданного конечного состояния благодаря тому, что величина зоны нечувствительности здесь равна нулю).
Понятно, что на выбор регулятора для использования его в конкретной системе может существенное влияние оказывать характер и интенсивность возмущающих воздействий, динамические свойства объекта и другие эксплуатационные характеристики.
Исследованные управляющие устройства, обладая свойством переключения с опережением по отношению к заданному конечному состоянию, могут использоваться как переключатели при построении регуляторов с переменной структурой и переменными алгоритмами функционирования [12], дискретно-непрывных управляющих устройств [13]и высокоэффективных релейных самонастраивающихся систем со стабилизацией частоты и амплитуды автоколебаний одновременно[ 14].
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Цыпкин ЯЗ. Релейные автоматические системы. М.:Наука, 1974.
2. Методы исследования нелинейных систем автоматического управления /Под ред. Нелепина P.A. М.: Наука. 1975.
3. Попов Е.А. Теория нелинейных систем. М.: Наука 1979.
4 Клюев А С.. Колесников A.A. Оптимизация автоматических систем управления по быстродействию. М.: Энерго-издат. 1982.
5 Клюев A.C. Наладка средств автоматизации и автоматических систем регулирования. М.: Энергоатомиздат, 1989.
6. Бурляев В.В. Условия возникновения полигармонических колебаний в двухпозиционных регуляторах с отрицательным гистерезисом // Изв. Вузов. Электромеханика. 1970. №6. С.706-709.
7. A.c. 561935 СССР. Двухпозиционный регулятор / В.Е. Вохрышев., В.В. Ключников. Опубл. 1977, Бюл. №22.
8. A.c. №631864 СССР. Регулятор с релейной характеристикой / В.Е Вохрышев. Опубл. 1978, Бюл. №40.
9. A.c. № 1418648 СССР. Регулятор с релейной характеристикой /В.Е. Вохрышев. Опубл. 1988, Бюл. №31.
10. A.c. 1585778 СССР Регулятор с релейной характеристикой. В.Е Вохрышев Опубл. 1990, Бюл. №30.
11. I lar. № 2242039 Российская Федерация. Регулятор с релейной характеристикой. / Вохрышев В.Е. -Опубл., 2004. Бюл. №34.
12. Пат № 2058037 Российская Федерация. Релейный регулятор с переменной структу рой. /Вохрышев В.Е. -Опубл. 1998, Бюл. № 10.
13. A.c. № 1432456 СССР. Регулятор с релейной характеристикой / В.Е. Вохрышев. Опубл. 1988, Бюл. №39.
14. Пат. № 2032925 Российская Федерация. Устройство для построения автоколебательных самонастраивающихся систем / Вохрышев В Е Опубл. 1995, Бюл. №10.
Статья поступила в редакцию 1.10 2005 г
УДК 004.89
H.A. Минаков
АНАЛИЗ ЭФФЕКТИВНОСТИ И ВЫРАБОТКА РЕКОМЕНДАЦИЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ И ПОНИМАНИЯ ТЕКСТА В ОНТОЛОГИЧЕСКОЙ МОДЕЛИ ПРИОБРЕТЕНИЯ ЗНАНИЙ
Для предложенной системы интеграции неформализованных знаний, представленных в виде текстов ни естественном языке, в данной статье приводится ряд экспериментальных оценок параметров производительности основных модулей и алгоритмов, входящих в структуру предлагаемой системы, а также обсуждаются возможные способы улучшения производительности и качества результатов.
Введение
В статьях автора [1-5] был предложен онтологический подход к интеграции знаний, основанный на агентных взаимодействиях и заключающийся в совместном использовании агентных
механизмов работы со знанием на естественном языке и мультиагентного кластерного анализа. Предложенный подход позволил создать архитектуру работы со знанием для реализации методов автоматизированного конструирования онтологий, представления и обработки информации, анализа результатов и пополнения знаний, обеспечивая цикл познания, необходимый для эффективного и оперативного использования информации.
Результаты исследования
Модуль
кластеризации для извлечения знаний
Семантический анализ результатов исследования
%
Конечный пользователь -исследователь
Анализ
семантических
дескрипторов
Интерфейс диалога с пользователем на
Реконструирован <——■ ные сцены др*
(семантические дескрипторы)
Опосредованное
исследование
объекта на
основе
результатов
исследования
других
экспертов
Обработка
знаний:
•дедукция
• индукция
• ассоциация
• генерализация
Понимание текста на естественном языке
Вазы данных и API
Автоматизированное
построение онтологии t
Автоматизированное
пополнение
онтологии
/ *
онтологии
Эксперт предметной
области
Рис. 1. Общая логическая архитектура системы
Разработанная среда включает в себя несколько программных комплексов: инструментарий инженерии знаний, предназначенный для создания онтологий предметной области и логики принятия решений агентов, и программный инструментарий, ориентированный на представление, анализ и обработку знаний, представленных в виде информации на естественном языке (см. рис. 1).
Инструментарий инженерии знаний содержит конструктор онтологий, автоматизированную систему построения онтологий, систему понимания текста на естественном языке, систему извлечения знаний, модуль пополнения онтологических знаний и ряд дополнительных модулей, включая отладочную систему, интерфейсы работы с базами данных и внешними приложениями [1].
Для создания специализированных программных компонент приложения предлагается инструментарий программиста, состоящий из расширяемого набора библиотек программ и позволяющий настроить инструментальную среду для обработки информации в исследуемой предметной области [6].
Основу всего комплекса составляет исполняющая система, реализованная в двух версиях наиболее распространенных сред объектно-ориентированного программирования Object Pascal и C++ в операционной системе Windows 98/2000/ХР.
Постановка проблемы
Данная статья посвящена исследованию реализационных характеристик разработанных средств, оценке эффективности их работы и качества результатов.
Программный модуль Исследуемые характеристики
Автоматизированное конструирование онтологий Зависимость скорости работы системы от объема задачи (число слов в документах). Требуемое количество агентов (среднее/пиковое) - объем задачи. Число выделяемых терминов - объем задачи. Сложность онтологии: количество порождаемых концептов (объекты, отношения, атрибуты) - объем задачи. Требуемый уровень доработки онтологии (%) от объема автоматически построенной онтологии. Тип доработок (%), требуемых от человека-эксперта для уточнения автоматически построенной онтологии.
Кластеризация и извлечение знаний Зависимость скорости работы системы от объема задачи (для разных типов кластеризация - точная, по диапазону, кластеризация семантических дескрипторов). Среднее/пиковое число агентов при обработке одной записи - объем задачи (число записей). Количество порождаемых кластеров - объем задачи. Уровень иерархии и размерность кластеров - объем задачи. Среднее число изменений связей (т.е. перестройка структуры системы при приходе 1 новой записи) в зависимости от шага кластеризации. Количество «значимых» кластеров в зависимости от объема задачи.
Понимание текста на естественном языке Зависимость скорости работы системы от объема задачи (для всех этапов разбора -морфология, синтаксис, семантика, прагматика). Среднее требуемое время на этап разбора (%). Среднее/пиковое число агентов при обработке одного предложения объем задачи (число слов, тыс.). Среднее число изменений\дополнений в семантический дескриптор (т.е. перестройка структуры системы при разборе нового предложения) в зависимости от объема задачи. Среднее время сравнения семантических дескрипторов - сложность дескриптора (число концептов и связей).
Автоматизированное пополнение онтологии Скорость работы системы в зависимости от объема задачи (число концептов). Требуемое количество агентов (среднее/пиковое) - объем задачи. Типы комбинаций концептов онтологии (%). Количество комбинаций определенного типа для онтологии порядка 1000 концептов и набора документов порядка 10000 штук. Распределение для каждой комбинации встречающихся вариантов изменения онтологии. Причины возникновения некорректных гипотез.
Анализ проводился независимо по нескольким предметным областям (в том числе биология, страхование, логистика - см. статьи [8, 11, 13]), исследуемым в рамках решения реальных прикладных задач. В каждой области была построена онтология, взяты наборы реальных документов из практики (две группы - исходная и тестовая выборки, в каждой порядка 5000 документов). Все замеры делались на разных типах и объемах данных, затем соответствующие результаты усреднялись по количеству запусков и выводились для анализа.
Необходимо отметить, что ряд оценок не имеет четкой формализации и сложно вычисляем, он субъективен и опирается на мнение человека-эксперта (использовались реальные эксперты компаний-заказчиков из рассматриваемых предметных областей). Тем не менее, поскольку вссь подход ориентирован на помощь в субъективном анализе и восприятии, было необходимо добавить данные оценки, которые позволяют точнее оценить качество получаемых результатов.
Для каждого из модулей исследовались параметры, приведенные в таблице.
Основные результаты и выводы
В процессе анализа получены следующие основные результаты.
Автоматизированное конструирование онтологии
1. В среднем в тексте алгоритм выделяет порядка 20% слов как значимых, которые и преобразуются в различного рода термины. Это связано, в первую очередь, с избыточностью естественного языка, а также с использованием синонимов, повторением языковых конструкций и использованием незначимых слов и связок.
2. На основе анализа можно сделать вывод, что приемлемым вариантом для адекватного построения начальной онтологии был бы анализ порядка 35 тысяч слов (это примерно 300-400 типовых научно-технических документов) для выявления основных терминов, используемых в предметной области. Для минимально корректного реконструирования набора терминов рекомендуется брать не менее 12-15 тыс. слов (около 50-100 типовых документов).
3. При построении концептов онтологии из терминов наблюдается соотношение 4:1, т.е. из четырех найденных терминов формируется один концепт онтологии (включая значения атрибутов). Конечно, данная пропорция существенно зависит от самих текстов, - в частности, чем более тексты насыщены специфической терминологией, тем больше терминов являются уникальными значениями атрибутов, и данная пропорция значительно вырастает. Здесь же дано усредненное значение для разных типов документов из разных предметных областей, на которых и проводились исследования.
4. Также можно отследить следующую усредненную пропорцию 4:1:20, т.е. в среднем на 4 объекта приходится 1 отношение и 20 атрибутов. (Эта пропорция была бы неверной, так как обычно в онтологии только с одним объектом в среднем связано порядка 15-20 атрибутов, но здесь учитывается то, что одинаковые атрибуты могут принадлежать различным классам объектов, например, цвет, размер и пр.)
5. По оценкам экспертов предметных областей, с которыми происходило взаимодействие при разработке различных онтологий, обычно предметную область можно покрыть на основе порядка 2500-3000 концептов. Наши оценки показали чуть большие объемы: порядка 4000 концептов для достаточно полного покрытия предметной области (без учета добавлений чело-века-эксперта) и порядка 5000 концептов составляет уже окончательно сформированная онтология после ру чной обработки экспертом. (Данные цифры не учитывают все вариации значений для атрибутов, поскольку даже для одного атрибута, будь это почтовый индекс, марка машины или имя бактерии, возможны сотни, а то и тысячи различных значений.)
6. Важный результат, показывающий качество алгоритма, получен при оценке требуемого уровня доработок. Показано, что даже простейшая онтология на 250 концептов требует не менее 15% дополнительных работ человека-зкеперта, который уточняет и изменяет автоматически построенную онтологию. Это связано как с субъективностью знаний эксперта, поскольку не существует единственно правильного способа построения онтологий, так и с неизбежными ошибками в процессе автоматического построения онтологии. Тем не менее показано, что процесс уточнений сходящийся, и даже в случае серьезных возрастаний объемов онтологии, по нашим оценкам, требуется не более 40% дополнительных настроек для получения окончательной работоспособной онтологии (рис. 2).
Типы доработок (%). требуемых от человека-экслерта для уточнения автоматически построенной онтологии
23%
13 Добавление объекта
■ Изменение объекта
□ Удаление объекта
□ Добавление отношения
■ Изменение отношения
□ Удаление отношения
■ Добавление атрибута
□ Изменение атрибута
■ Удаление атрибута
Р и с. 2. Автоматизированное построение онтологии - экспериментальные оценки
Понимание текста на естественном языке
1. Проводилась оценка, по каким законам возрастает время для каждого из этапов разбора. Время на морфологию растет линейно, так как на данном этапе почти не осуществляется никаких рассуждений; как максимум, возможно создание нескольких вариантов, которые уже будут проверяться на этапе синтаксиса. Аналогичным образом, линейна часть, связанная с прагматикой, - она зависит только от сложности окончательно сформированного дескриптора. Часть, связанная с синтаксисом, растет квадратично, хотя и достаточно слабо: это связано с использованием агентных переговоров и множественностью вариантов разбора. Наиболее сильно, хотя и по-прежнему квадратично, растет время, требующееся на семантический этап. Это вполне согласуется с логикой алгоритма, так как здесь и максимально возможное число различных ветвей понимания предложения, и уточнения смысла, и пересмотр смысла ранее распознанной сцены, что подразумевает возврат и пересмотр более ранних предложений (рис. 3).
2. При оценке пикового числа агентов достаточно неожиданно оказалось, что вне зависимости от объемов задачи оно примерно совпадает. Это означает, что согласно нашим алгоритмам всегда есть некая «допустимая глубина перестройки», далее которой система не позволяет изменять смысл всего текста. Пожалуй, это следует отнести к недостаткам алгоритма тексто-понимания в их текущей реализации: наш алгоритм не может полностью перестроить смысл всего текста, если находится противоречие, - это делается только до уровня, когда нет явного противоречия (но могли остаться незавершенные связки, вызванные изменением смысла). Возможно, данная ошибка связана именно с небольшим общим процентом понимания текста (порядка 20% слов) - если бы алгоритм мог понимать более сложные конструкции, было бы больше семантических связок, требовавших обновления. Таким образом, данное испытание позволяет сделать следующий основной вывод: в новых версиях алгоритма понимания текста необходимо учитывать более сложные синтаксические (например, временные) и семантические (например, условия, сравнения и пр.) конструкции.
JüSMCtivocmb скорости рсдоты смстсяы ft мин.) от ошча задачи (чвао тиии)
Объм идо *спэ слое, тыс 1 мдоигоо* Омшрк Са*г«д Пдешт
1 0.1 0.5 : о;
5 С,« 1,7 3 \jl
Ю 1.1 2,* 4 2.3
15 1, Г _ у В XI
20 2,2 4.е в 3S
25 2 4 5* 17 V
30 3.1 7,4 24 6.4
35 3.7 92 37 7.1
40 4.2 13,4 46 8.2
45 4 в 14,7 56 9.1
50 51 Ц4 _________в_________Ц
55 ii; 23,5............7S 11
30 И 31,2 85 12.2
66 6,4 174 37 13.1
70 hl Ш JÜ.
75 П 54,1 1W 15.6
30 7 9 50.2 154 16,4
85 84 55.3 185 17,2
90 91 73v 201 18 8
95 9.4 т 245 Ю
100 9.9 ......... 90.1 . 30» 21.1
пт габочиар слчочмдс лнмйм
Р и с. 3. Понимание текста - экспериментальные оценки скорости работы
3. Среднее число изменений и дополнений в семантический дескриптор растет с ростом размерности задачи, хотя из предыдущего пункта, казалось бы, можно сделать иной вывод. Этот факт связан с тем, что данные изменения не уходят «в глубину», а затрагивают непосредственно концепты, чей смысл изменяется с новой информацией. Так как размер дескриптора естественным образом растет с ростом объема задачи, таких концептов становится все больше. При этом зависимость не линейная, а полиномиальная, поскольку, в силу свойств онтологии и семантической сети, любое изменение объекта будет влиять на все объекты, с ним связанные. Линейная часть - это добавления самого предложения, они зависят только от размера самого предложения и не зависят от объема задачи. Полиномиальная часть представляет собой все изменения, которые привносит новое предложение в уже существующие. При этом степень по-
Зависимость скорости работы системы от объема задачи
3501 300 250-
0 Морфологу? ■ Синтаксис □ Семантика ü Прагматика
Объем задачи (число слов, тыс.)
линома зависит от глубины производимых изменений (опыты показали, что в среднем изменения затрагивают 3, реже 4 уровня), а также от числа связей объекта (опять же на основе опытов стоит отметить, что число связей для конкретного объекта практически не зависит от объема задачи и в среднем составляет 4-5 связок).
Кластеризация и извлечение знаний
1. Показано, что среднее число агентов (и, соответственно, время) на обработку одной записи растет очень медленно и линейно с ростом размерности задачи, при этом пиковое время растет квадратично. Это связано с тем, что в силу алгоритмики, независимо от того, на каком шаге приходит запись, у нее всегда есть большие шансы сразу же найти «свое» место и завершить шаг кластеризации практически мгновенно. В случае нарушения динамического равновесия по мере возрастания объема структуры сформировавшихся кластеров усложняются, и агентов, чьи интересы затрагиваются перестройкой системы, становится значительно больше.
2. При подсчете зависимости числа порождаемых кластеров от объема задачи показано, что для небольшого количества записей число кластеров в многокластерном варианте существенно больше, чем в однокластерном. Однако по мере возрастания числа записей ситуация несколько меняется: если число кластеров в однокластерном варианте растет неуклонно по линейному закону, то рост числа кластеров в многокластерном варианте начинает потихоньку затухать (хотя никогда не становится меньше, чем в однокластерном случае). Это означает, что система приходит к динамическому равновесию, и хотя процесс работы мог порождать множество вариантов, жизнестойкими оказываются очень немногие. Также это показывает общую устойчивость работы системы в случае переговоров на основе энергии записей и кластеров.
3. Среднее число изменений связей при приходе новой записи в систему в целом коррелирует со средним числом задействованных агентов (можно даже наблюдать пропорцию, что в среднем изменение решения одного агента влечет за собой пересмотр порядка 4-5 связей) и тоже возрастает по линейному закону. Но в случае «пика», т.е. прихода записи, которая повлекла за собой серьезную перестройку структуры, данный график коррелирует с пиковой нагрузкой по агентам и возрастает по полиномиальному закону.
4. При анализе значимости найденных кластеров получен очень важный результат: вне зависимости от объема задачи число значимых правил составляет порядка 20-25%, из них тривиальными (т.е. сразу очевидными эксперту на основе его дополнительных знаний о предметной области) можно считать примерно 60%. Таким образом, порядка 8-10% кластеров (и соответствующих семантических правил) являются новыми знаниями, неизвестными эксперту или представляющими интерес для дополнительного исследования.
Автоматизированное пополнение онтологии
1. Учет затрат времени человека-эксперта примерно в 4 раза увеличивает общее время работы системы. (При этом качество результатов оценочно возрастает примерно на 55%.)
2. Суммарное число дополнительных связей и изменений, которые были приняты в онтологию на основе предложенных изменений, достигло порядка 32% от исходного размера онтологии. Это является очень неплохим результатом и означает, что механизмы пополнения онтологии действительно востребованы и способны принести реальную практическую пользу.
3. С помощью данных алгоритмов даже с учетом работы эксперта можно успеть качественно пополнить онтологию примерно за 1-2 рабочих дня. Если бы работа полностью осуществлялась вручную, она, по оценкам, в среднем заняла бы от одной до полутора недель, что также дает нам возможность сделать вывод о полезности автоматизированной процедуры пополнения онтологии.
4. Наиболее частыми комбинациями, встречающимися при кластеризации и нахождении зависимостей, стали «два несвязанных объекта», «объект плюс отношение», «два объекта, связанные отношением», «два атрибута одного объекта» и «объект плюс чужой атрибут». На их долю пришлось порядка 74% от общего числа найденных комбинаций.
5. Наилучшие результаты, почти всегда ведущие к пополнению онтологии, показали такие типы комбинаций, как наличие двух несвязных объектов (требуют связи отношением) 14%
1Ю1 решности. объект с «повисшим» отношением (требует новый\неизвестный объект в онтологию) - 26%. Поскольку подобные комбинации также находятся в числе наиболее часто встречаемых, можно сделать вывод, что они являются основным источником пополнения онтологии, причем первая, как правило, связывает уже имеющиеся концепты, а вторая находит связи, повисающие из-за неполноты онтологии, и служит источником новых объектов для онтологии.
6. При анализе ошибок, приведших к некорректным вариантам пополнения онтологии собственно ошибок, связанных с семантической неправильностью гипотезы не более 40% (при этом общее число некорректных предложений не превышает 35% от всех предложений). Примерно треть случаев (31%) приходится на тот вариант, когда гипотеза, возможно, и правильна, но не играет определяющей роли в онтологии и не требует ее пополнения, чтобы избежать ненужного усложнения, остальные связаны с малыми объемами выборки.
Заключение
Предложенный подход и разработанная инструментальная система, ориентированные на решение задач извлечения знаний и понимания текста на естественном языке, предоставляют исследователю удобные и развитые механизмы для анализа разнородной информации, представленной в виде электронных информационных ресурсов.
Были проведены экспериментальные исследования реализационных характеристик разработанных методов и средств, выработано порядка 50 рекомендаций по применению предлагаемых алгоритмов. Исследования подтвердили эффективность предлагаемых методов.
На основе разработанных методов и средств создан ряд прикладных промышленных систем для применения в задачах логистики, поисковых и мета-поисковых системах, системах классификации документооборота, онлайн анализе, электронной коммерции и других [7-14]. Полученный опыт свидетельствует о том, что разработанные методы и средства позволяют эффективно решать задачи анализа и извлечения знаний из естественно-языковых текстов, а использование созданного инструментария повышает производительность труда, сокращает стоимость и сроки разработки, а также упрощает процессы интеграции и сопровождения рассматриваемых систем.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Минаков И.А. Архитектура инструментальной среды, ориентированной на решение задач извлечения знаний и понимания текста на естественном языке // Вестник Самар, гос. техн. ун-та. Сер. Технические науки. Вып. 32. Самара: СамГТУ, 2005. С. 12-19.
2. Андреев В В., Ивкушкин К.В., Карягин Д.В., Минаков И.А., Ржевский Г.А., Скобелев П О., Томин М.С Разработка мультиагентной системы понимания текста // Тр. III Междунар. конф. по пробл. упр. и моделир. сложных систем. Самара, 4-9 сентября 2001. Самара: СНЦ РАН, 2001. С. 489-495.
3. Андреев В В., Волхонцев Д.В., Ивкушкин К В., Карягин Д.В., Минаков И А., Ржевский Г. А., Скобелев П О. Мультиагентная система извлечения знаний // Тр. III Междунар. конф. по пробл. упр. и моделир. сложных систем. Самара, 4-9 сентября 2001. Самара: СНЦ РАН, 2001. С. 206-212.
4. Минаков И.А. Разработка автоматизированной системы построения онтологии предметной области на основе анализа текстов на естественном языке // Вестник Самар, гос. техн. ун-та. Сер. Технические науки. Вып. 20. Самара: СамГТУ, 2004. С. 44-48.
5. Минаков Н А. Автоматизированное пополнение онтологии на основе знаний, извлеченных в процессе кластеризации // Вестник Самар, гос. техн. ун-та. Сер. Технические науки. Вып. 33. Самара: СамГТУ, 2005. С. 321-326.
6. Андреев В., Батищев С., Виттих В., Ивкушкин К, Минаков И., Ржевский Г., Сафронов А., Скобелев П. Методы и средства создания открытых мультиагентных систем для поддержки процессов принятия решений // Известия академии наук. Теория и системы управления. 2003. № 1.
7. Андреев В В., Ивкушкин К В . Минаков И.А., Ржевский И А., Скобелев ¡1.0. Конструктор онтологий для разработки мультиагентных систем // Тр. III Междунар. конф. по пробл. упр. и моделир. сложных систем. Самара, 4-9 сентября 2001. Самара: СНЦ РАН. 2001. С. 480-488
8. Андреев В., Гельфанд М., Ивкушкин К., Казаков А., Новичков П., Томин М., Вольман С., Минаков И , Скобелев /7. Мультиагентная система для интеллектуального поиска рефератов статей по молекулярной биологии // Тр. IV Междунар. конф. по проблемам управления и моделирования сложных систем. Самара, 17-24 июня 2002. Самара: СНЦ РАН, 2002. С. 338-345.
9. Андреев В., Минаков И., Лахин О., Сапьков А., Скобелев П.. Развитие элементов самоорганизации и эволюции в мультиагентном портале социокультурных ресурсов Самарской области // Труды VI Ме-ждунар. конф. по проблемам управления и моделирования сложных систем. Самара, 14-17 июня
2004. Самара: СНЦ РАН, 2004. С. 277-281.
10. Алексеев А., Волъман С., Минаков И., Орлов А., Томин М Создание мультиагентной системы автоматической обработки, преобразования и коррекции логистических сообщений стандартных форматов обмена бизнес-данными // Тр. VI Междунар. конф. по проблемам управления и моделирования сложных систем. Самара, 14-17 июня 2004. Самара: СНЦ РАН, 2004. С. 270-276.
11. Андреев В., Волъман С., Ивкушкин К., Карягин Д., Минаков И., Пименов А., Скобелев П., Томин М. Разработка мультиагентной системы интеллектуальной обработки и классификации документов // Тр. V Междунар. конф. по проблемам управления и моделирования сложных систем. Самара. 17-21 июня 2003. Самара: СНЦ РАН, 2003. С. 317-323.
12. Вольман С.П., Минаков И.А., Томин М.С.. Мультиагентная система интеллектуального анализа содержимого Интернет-страниц// Тр. VII Междунар. конф по проблемам управления и моделирования сложных систем. Самара, 27 июня - 1 июля 2005. Самара: СНЦ РАН, 2005. С. 403-408.
13. Вольман С И., Карягин Д.В., Минаков И.А., Скобелев П.О.. Разработка системы нахождения бизнес-правил с использованием кластеризации на примере данных логистических компаний //Тр. VII Междунар. конф. по проблемам управления и моделирования сложных систем. Самара, 27 июня - 1 июля
2005. Самара: СНЦ РАН, 2005. С. 409-413.
14. Вольман С.И., Минаков И.А., Томин М.С. Увеличение эффективности поиска информации в Интернете с использованием формальных семантических дескрипторов текста // Интеллектуальные системы принятия решений и прикладные аспекты информационных технологий (180М1Т'2005): Тез. Междунар. науч. конф. Херсон, 18-21 мая 2005. Херсон: Изд-во Херсонского морского института, 2005. Т. 4. С. 102-105.
Статья поступила в редакцию 3 октября 2005 г.
УДК 681.3 Г.Н. Рогачей
ЭВОЛЮЦИОННЫЙ АЛГОРИТМ НАСТРОЙКИ ОБОБЩЕННОГО II ИД-РЕГУЛЯТОРА
Рассмотрены ПИ'ДИ-регуляторы, использующие операцию интегродифференцирования нецелого порядка и являющиеся обобщением традиционных ПИД-регуляторов. Для оптимальной настройки ПИ^ДИ-регуляторов использованы эволюционные алгоритмы поиска экстремума целевой функции. Приведены и проанализированы результаты настройки ПИ'-ДИ-регулятора по условию максимальной инвариантности перерегулирования переходного процесса в системе к параметрам объекта регул ирования.
Среди устройств, используемых в современных системах автоматики, огромную роль играют регуляторы, призванные корректировать поведение систем в статике и динамике. В свою очередь, подавляющая часть регуляторов - это пропорционально-интегральнодифференциальные регуляторы (ПИД-регуляторы), доля которых составляет примерно 90% всего парка регуляторов. ПИД-регулятор преобразует сигнал рассогласования между требуемым и действительным значениями выходного сигнала системы в сумму взвешенных значений самого сигнал рассогласования, а также интеграла и производной от него, поэтому передаточная функция ГГИД-регулятора имеет вид
1Гс(5) = Щ^- = Кр+К15"+Ко5. (1)
£(*)
В выражении (1) Кг, - коэффициент усиления регулятора, К, = 1/7), где Т, - постоянная интегрирования, а Кй = Ти, где Тп - постоянная дифференцирования.
ПИД-регуляторы эффективны, достаточно универсальны; существуют надежные методики их настройки. Вместе с тем не прекращаются попытки модификации таких регуляторов за счет придания им новых свойств. Одним из усовершенствованных вариантов ПИД-регулятора является НИ^ДЦ-регулятор [1].
