КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер 23-41-00060

НазваниеРаспределенное обучение, оптимизация и управление с приложением к крупномасштабным интеллектуальным энергетическим и мехатронным системам

РуководительФрадков Александр Львович, Доктор технических наук

Организация финансирования, регион федеральное государственное бюджетное учреждение науки Институт проблем машиноведения Российской академии наук, г Санкт-Петербург

Период выполнения при поддержке РНФ

2023 г. - 2025 г.

Конкурс№74 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований международными научными коллективами» (NSFC).

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-316 - Методы математического моделирования, оценивания и управления механическими и биомеханическими системами

Ключевые словараспределенное обучение и управление; робастное и нелинейное управление; совместная оценка и контроль; умная сеть электроснабжения

Код ГРНТИ50.03.00

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Проект направлен на разработку и обоснование новых методов и алгоритмов машинного обучения, оптимизации и управления с применением к решению задач интеллектуального, адаптивного и нелинейного управления сложными мехатронными системами и энергетическими сетями. Важным направлением работ является разработка новых методов машинного обучения на основе подхода к решению задач распознавания образов и адаптации, развитого в 1960-х и 1970-х гг. в научной группе выдающегося российского ученого В.А. Якубовича. Развитый В.А. Якубовичем метод рекуррентных целевых неравенств (РЦН) основан на сведении задачи к решению бесконечных систем целевых неравенств и применению конечно-сходящихся алгоритмов их решения градиентного типа. В силу принципа единства задач адаптации и обучения, выдвинутого в 1960-х гг. Я.З. Цыпкиным и развитого в 2021 г. в коллективе, получаемые алгоритмы могут быть использованы для решения новых задач машинного обучения, которые стали в последние годы весьма популярными. Переход к решению неравенств повышает робастность синтезированных систем к ограниченным помехам и позволяет обеспечить работоспособность систем в условиях возможной статистической зависимости или нерегулярности наблюдений. На этой основе можно создать алгоритмы, аналогичные методам Б.Т. Поляка, интерес к которым стремительно вырос в последние годы в машинном обучении (метод тяжелого шарика, "шаг Поляка"). Недавние публикации коллектива показывают перспективность этого направления, особенно в задачах онлайн-обучения. В проекте предполагается разработать новые алгоритмы машинного обучения на основе метода рекуррентных целевых неравенств, исследовать возможности оптимизации параметров алгоритмов и распространить описанные алгоритмы на негладкие задачи. Планируется применить разработанные алгоритмы к оценке параметров и управлению мехатронными вибрационными установками. В рамках направления, посвященного оптимизации предполагается развитие конструктивных методов изучения негладких функций, разработка численных алгоритмов решения негладких задач и исследование их сходимости. При численном решении экстремальных негладких задач планируется применение метода кодифференциального (гиподифференциального) спуска, хорошо зарекомендовавшего себя при решении как конечномерных задач (с ограничениями различной природы, или без них), так и бесконечномерных. В задачах на условный экстремум предлагается использование точных штрафных функций. В качестве приложений предполагается применить полученные результаты к разработке новых алгоритмов машинного обучения для конкретных задач, в том числе для прикладных задач кооперативного управления роботами и мехатронными установками. При сотрудничестве в рамках проекта российская группа внесет свой вклад в разработку новых алгоритмов адаптации, обучения и управления, основанных на классических подходах Я.З. Цыпкина, Б.Т. Поляка и В.А. Якубовича, а китайская группа будет работать над распространением их на стохастический случай и изучением их поведения в стохастической среде. В свою очередь, российская группа будет изучать системы и проблемы энергетического интернета, разрабатываемые китайской группой, и они будут совместно применять их результаты для изучения, оптимизации и управления энергетическими интернет-системами.

Ожидаемые результаты
Планируется разработать новые алгоритмы машинного обучения, для которых сложность вычислений слабо зависит от размерности пространства признаков. Планируется разработать алгоритмы машинного обучения для решения задач оптимизации при наличии ограничений и распространить разработанные алгоритмы на негладкие задачи. Совместно с китайским коллективом планируется исследовать работоспособность разработанных алгоритмов в условиях стохастических возмущений. Планируется применить разработанные алгоритмы к оценке параметров и управлению мехатронными вибрационными установками и энергетическими сетями, что позволит существенно повысить эффективность использования оборудования в сложных, непредсказуемых ситуациях.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---