59
НАХЧЫВАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ. НАУЧНЫЕ ТРУДЫ, 2015, № 5 (73)
ДЖ. И. ЗЕЙНАЛОВ
В.И.САЛМАНОВ
Нахичеванский Государственный Университет
e-mail:c.zeynalov@mail.ru
УДК 517.977
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ К РЕШЕНИЮ ЗАДАЧИ ОПТИМАЛЬНОГО
УПРАВЛЕНИЯ ОТНОСИТЕЛЬНО МНОЖЕСТВА
Açar sözlər: Heyron şəbəkə, optimal sintez, optimal idarəetmə, giriş və çıxış verilənləri.
Keywords: Neuron network , optimal synthesis, optimum control , input and output data.
Ключевые слова: Heйронньıх сeтeй , оптимального синтеза , оптимального
управления, входных и выходных данных.
Пусть требуется минимизация функционала
min
)
(
)
(
)
(
0
2
2
T
t
V
Z
T
D
v
J
, (1)
при условиях
],
,
0
[
),
(
)
(
)
(
)
(
T
t
t
V
t
D
t
a
t
D
(2)
0
)
0
(
D
D
. (3)
Здесь нормы
2
)
(
Z
T
D
и
2
)
( t
V
означают
.
)
(
)
(
,
)
(
)
(
)
0
,
(
)
0
),
(
(
2
)
(
2
2
)
(
2
B
B
S
t
V
S
Z
T
D
ds
x
P
t
V
ds
x
P
x
P
Z
T
D
Класс управлений является область-функция
)
( t
V
V
, в которой
]
,
0
[
,
)
(
T
t
M
t
V
,
здесь
M
совокупность выпуклых замкнутых ограниченных множеств в R
n
. Другими
словами, на класс управлений не налагаются никакие ограничения и предполагаем, что
решение рассматриваемой задачи, в указанном классе, существует. В этом случае из
условия оптимальности
K
t
V
t
V
t
v
dt
t
v
t
v
t
v
t
g
T
))
(
),
(
(
)
(
,
0
)]
(
)
(
[
)]
(
2
)
(
[
2
1
0
получается соотношение
)
(
)
(
)
(
2
)
(
)
(
)
(
)
(
x
P
t
c
x
P
x
P
t
c
Z
t
V
T
D
, (4)
60
где
T
t
d
a
e
t
c
)
(
)
(
.
Таким образом, оптимальная пара определяется соотношением (1)-(4). Как видно, все
эти соотношения задаются равенствами. Значит, мы можем предполагать, что при
естественных условиях, решение задачи (1)-(3) непрерывно зависит от исходных данных.
Также известно, что можно построить нейронную сеть, которая аппроксимирует
непрерывное отображение с любой точностью [...]. Используя это, решаем задачи (1)-(4) с
помощью нейронных сетей.
Для этого сначала выбираем многослойную нейронную сеть и определяем ее весовые
коэффициенты. Для этого используется в основном два подхода. Первый- аналитический, в
котором весовые коэффициенты задаются по каким то формулам и другой, в котором
весовые коэффициенты восстанавливаются в процессе обучения. Здесь мы будем
использовать второй подход. В этом подходе точность решения зависит от количества
входных и выходных данных и способа обучения нейронных сетей. Выбор входных и
выходных данных является самым трудным и актуальным этапом при применении
нейронных сетей.
Для применения нейронных сетей к решению задачи оптимального управления (1)-
(3), нам нужны в достаточном количестве входные и выходные данные для процесса
обучения. Как находим эти данные?
Здесь мы будем предлагать схему, для определения в достаточном количестве
входные и выходные данные.
Исходные данные для задачи (1)-(3) являются
Z
D
t
a
,
,
),
(
0
. Задавая эти данные,
определяется решение
)
(t
V
. Для различных исходных данных решать задачи (1)-(3) является
проблематично, так как, нашей целью является найти решение этой задачи именно для
конкретно заданного
Z
D
t
a
,
,
),
(
0
. Для определения входных и выходных данных
применяем «обратный» подход. Константа
0
не варьируем, т.е. фиксируем. Возьмем
область-функцию
]
,
0
[
,
)
(
1
T
t
M
t
D
и непрерывную функцию
Подставляя эти данные
в уравнение (1) и начальное условие (2), находим
)
(
1
t
V
и
],
,
0
[
),
(
)
(
)
(
)
(
1
1
1
1
T
t
t
D
t
a
t
D
t
V
(5)
)
0
(
1
)
0
(
1
D
D
. (6)
Учитывая в соотношении (7.32), найденное управление
)
(
1
t
V
учитывая в соотношение (4),
имеем
B
t
V
T
D
Z
S
x
x
P
t
c
x
P
x
P
),
(
)
(
2
)
(
)
(
)
(
1
)
(
1
1
1
. (7)
Здесь
T
t
d
a
e
t
c
)
(
1
1
)
(
. Условие (7.35) можно написать в эквивалентной форме
]
,
0
[
,
)
(
2
)
(
1
1
1
1
T
t
V
t
c
T
D
Z
.
).
(
1
t
a
Dostları ilə paylaş: |