Найти

Результаты поиска

• МЕТОД АВТОМАТИЧЕСКОЙ ОПТИМИЗАЦИИ БАЗЫ НЕЧЕТКИХ ПРАВИЛ ИНТЕЛЛЕКТУАЛЬНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИ

  А.С. Игнатьева , В.В. Шадрина , В. В. Игнатьев , А.В. Максимов

  181-197

  2025-07-24

  Аннотация ▼

  Целью работы является разработка метода оптимизации базы нечетких правил интеллектуального регулятора для управления техническим объектом с использованием субтрактивной кластеризации. В статье приведен обзор и краткий анализ состояния дел в области оптимизации работы интеллектуальных систем управления. Для достижения цели исследования разработана гибридная модель, в которой управление техническим объектом реализуется с помощью классического ПИ-регулятора и нечеткого ПИ-регулятора с сгенерированной структурой системы нечеткого вывода типа Cyгено и разработанной моделью адаптивной системы нейро-нечеткого вывода. Данная конфигурация модели позволяет формировать базу нечетких правил, которая не зависит от знаний эксперта в предметной области. В статье предложен новый метод оптимизации базы правил нечеткого регулятора на основе методов кластеризации, в частности субтрактивной кластеризации, позволяющий уменьшать количество правил нечеткого логического вывода и увеличить быстродействие системы управления техническим объектом. Сначала проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов до применения субтрактивной кластеризации. Применение субтрактивной кластеризации по разработанному в исследовании способу для значений классического регулятора и нечеткого, позволило добиться их количественного сокращения в 1,7 и 5,25 раз соответственно. Затем проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов после применения субтрактивной кластеризации. Результаты, полученные в процессе моделирования показали высокую эффективность предложенного метода оптимизации базы правил нечеткого регулятора. За счет применения субтрактивной кластеризации в гибридной модели для интеллектуального регулятора удалось значительно уменьшить количество функций принадлежности, требуемых для описания входных лингвистических переменных (с пяти до четырех) и уменьшить количество правил нечеткого логического вывода (с двадцати пяти до шестнадцати). Анализ полученных графиков переходных процессов, полученных для гибридных моделей до и после применения субтрактивной кластеризации, показал, что основные показатели качества процесса управления остаются неизменными при существенном сокращении проводимых вычислений.

• ПРИМЕНЕНИЕ ИНСТРУМЕНТОВ ПРОЕКТНОГО ПЛАНИРОВАНИЯ: ДИАГРАММА ГАНТА И СЕТЕВОЙ ГРАФИК

  А.А. Богнюков , Д.Ю. Зорькин , И.А. Тарасова

  102-110

  2025-10-01

  Аннотация ▼

  Разработана интегративная модель, синтезирующая методы календарного планирования с функционалом ПО (Excel, MS Project) для многоуровневой оптимизации проектов. Центральное внимание уделяется трем взаимодополняющим методикам: диаграмме Ганта, сетевому графику и анализу критического пути, формирующим концептуальную основу эффективной координации проектных процессов. Исследование детализирует алгоритм создания диаграммы Ганта, визуализирующей временные рамки и последовательность задач, с акцентом на функциональные возможности специализированных программных решений, включая Microsoft Project и Excel, обеспечивающих автоматизацию построения и корректировки графиков. Раскрывается принцип конструирования сетевого графика, интерпретируемого как ориентированный граф с ребрами (работами) и вершинами (событиями). Данный подход позволяет идентифицировать логические зависимости между этапами проекта и выявить критический путь – последовательность операций с нулевым временным резервом, определяющую минимальную продолжительность проекта. Практическая иллюстрация расчета критического пути подкрепляется примерами, демонстрирующими его роль в оптимизации временных ресурсов. Важным аспектом исследования становится анализ резервов времени, направленный на минимизацию рисков срыва сроков через рациональное перераспределение ресурсов. Методологический аппарат дополняется инструментами визуализации: графиками потребности и диаграммами загрузки ресурсов, обеспечивающими оперативный контроль над материальными и кадровыми активами на всех фазах проекта. Финальным элементом системы планирования выступает календарный план, структурирующий данные о наименованиях работ, их хронологических интервалах и ресурсоемкости. Этот документ служит интеграционной основой для синхронизации операционной деятельности, гарантирующей соблюдение установленных сроков. Практическая ценность исследования заключается в адаптации теоретических принципов проектного менеджмента к реальным условиям: представленные кейсы и методики могут быть имплементированы в деятельность управленческих команд, экономистов и отраслевых специалистов для повышения эффективности реализации комплексных проектов в мультидисциплинарных контекстах

• НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ МОДЕЛЬНО-ПРОГНОЗИРУЮЩЕГО УПРАВЛЕНИЯ ДЛЯ СИСТЕМЫ СТАБИЛИЗАЦИИ ДИНАМИЧЕСКОГО ОБЪЕКТА

  Б.А. Комаров , С. В. Леонов , Т.Е. Мамонова

  276-287

  2025-12-30

  Аннотация ▼

  Актуальность.  При решении задач стабилизации динамических объектов достаточно широко применяется классическое модельно-прогнозирующее управление. Оно обеспечивает высокое качество управления за счёт решения задачи оптимизации на каждом шаге, однако обладает значительными вычислительными затратами, что ограничивает его применение в системах реального времени с высокими требованиями к частоте обновления. Поэтому вопрос исследования применимости нейросетевого регулятора, обученного на модельно-прогнозирующем регуляторе (MPC) при решении задачи стабилизации положения динамического объекта при ограниченном вычислительном и временном ресурсе является актуальной. Цель. Целью представленной работы было разработать и исследовать нейросетевой регулятор, обученный на основе MPC-регулятора, для стабилизации положения динамического объекта на подвижной платформе. Методы. При выполнении работы использовались методы системного анализа, имитационного моделирования, а также экспериментальные испытания на стенде. Результаты и выводы.  В рамках исследования разработан и обучен нейросетевой регулятор, аппроксимирующий поведение MPC на основе данных, полученных при управлении реальной балансировочной платформой. Обучение проводилось по входным и выходным данным MPC без использования внутренней модели системы, что позволило воспроизвести динамику регулятора при существенно меньших вычислительных затратах. Экспериментальные результаты показали, что нейросетевая модель обеспечивает качество стабилизации, сопоставимое с оригинальным MPC, при этом время вычислений сократилось с 47 мс до 1.6 мс, что составило значение ускорения в 29 раз. Предложенный подход демонстрирует потенциал нейросетевых методов управления в задачах замещения сложных оптимизационных регуляторов для систем с ограниченными вычислительными ресурсами.