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

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 проекта 23-41-00060

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

Руководитель Фрадков Александр Львович, Доктор технических наук

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

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 слова распределенное 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.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Чернов А.Е., Граничин О.Н., Лень И. Simultaneous perturbation stochastic approximation-based consensus algorithm for decentralized cooperative online estimation IEEEXplore, Proc. of the 7th Scientific School "Dynamics of Complex Networks and their Applications", DCNA 2023, Kaliningrad, Russian Federation, 2023, pp. 64-67, 2023. (год публикации - 2023)
10.1109/DCNA59899.2023.10290151

2. Вен Х., Фуртат И. Nonlinear feedback control based on a coordinate transformation in multi-machine power systems CYBERNETICS AND PHYSICS, CYBERNETICS AND PHYSICS 2023, Vol. 12, Is.2, 157-161. (год публикации - 2023)
10.35470/2226-4116-2023-12-2-157-161

3. А.Ковальчуков Approximate Hindmarsh-Rose model identification: application to EEG data IEEEXplore, 2023 7th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Kaliningrad, Russian Federation, 2023, pp. 151-154 (год публикации - 2023)
10.1109/DCNA59899.2023.10290298

4. А.Семенов, А.Фрадков Parameters identification of the multispecies Lotka-Volterra model using discrete algorithm IEEEXplore, 2023 7th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Kaliningrad, Russian Federation, 2023, pp. 237-240 (год публикации - 2023)
10.1109/DCNA59899.2023.10290695

5. Семенов А.Д., Фрадков А.Л. Identification of Parameters of Conservative Multispecies Lotka-Volterra System Based on Sampled Data Mathematics, 2024, 12(2), 248; (год публикации - 2024)
10.3390/math12020248

6. Вэнь С., Фуртат И.Б. Управление нелинейными объектами с гарантией нахождения регулируемой переменной в заданном множестве при возмущениях и помехах в измерениях Научно-технический вестник информационных технологий, механики и оптики, 2024. Т. 24, № 5. С. 745–750. doi:10.17586/2226-1494-2024-24-5-745-750 (год публикации - 2024)
10.17586/2226-1494-2024-24-5-745-750

7. Малоземов В.Н., Соловьева Н.А., Тамасян Г.Ш. The MDM Algorithm and the Sylvester Problem COMPUTATIONAL MATHEMATICS AND MATHEMATICAL PHYSICS, Vol. 64, No. 7, pp. 1396–1412 (год публикации - 2024)
10.1134/S0965542524700684

8. Чернов А.О., Граничин О.Н. SPSA-based consensus algorithm for collaborative learning with heavy-tailed noises Proceedings of the VIII Scientific School "Dynamics of Complex Networks and their Applications" (DCNA'2024), Proceedings of the VIII Scientific School "Dynamics of Complex Networks and their Applications" (DCNA'2024), 19-21 September 2024, Kaliningrad, Russia, pp. 50-53 (год публикации - 2024)
10.1109/DCNA63495.2024.10718612

9. Плотников С.А. IDENTIFICATION OF NEURAL MASS NETWORK PARAMETERS USING EEG EVOKED POTENTIAL DATA CYBERNETICS AND PHYSICS (год публикации - 2024)

Аннотация результатов, полученных в 2024 году
1 Рассмотрена проблема идентификации параметров обобщенной многовидовой модели Лотки-Вольтерры. Доступными измерениям предполагаются только переменные состояния системы, но не их производные. При измерениях возможны ограниченные помехи, у которых считается известной только верхняя граница их интенсивности. Построен дискретный алгоритм адаптивного оценивания параметров системы на основе алгоритма «Полоска», предложенного В. А. Якубовичем и исследована его сходимость, в том числе конечная сходимость. Рассмотрены две задачи, связанные с идентификацией параметров модели нейрона Хиндмарш–Роуза. часто используемой в вычислительной нейробиологии. Во-первых, решалась проблема идентификации параметров для одной модели с измеряемым выходом. Во-вторых, рассматривалась задача идентификации сети, включающей две неидентичные модели Хиндмарш–Роуза, где надо было также оценить параметр силы связи между нейронами. Модель Хиндмарш–Роуза является наиболее простой из моделей нейронов, реализующих основные типы колебательного поведения нейронов: спайки и берсты. Дополнительно рассмотрена задача идентификации параметров нейромассовой модели нейронных ансамблей, Предложен новый алгоритм оценивания параметров системы на основе адаптивного наблюдателя. 2. Решена задача стабилизации нелинейных систем с гарантией нахождения выходных сигналов системы в заданном разработчике множестве в любой момент времени. Рассмотрены системы с векторными входными и выходами сигналами и с липшицевыми нелинейностями. Доступны измерению только выходные сигналы, но не их производные. Получено решение задачи с использованием специального нелинейного преобразования выходной переменной, так чтобы свести исходную задачу с ограничениями к новой задаче без ограничений. Разработан закон управления с использованием наблюдателя для оценки состояния в новых координатах. Достоинством данного решения является возможность расчета параметров нелинейного закона управления и наблюдателя из решения линейных матричных неравенств. Разработан закон управления с использованием наблюдателя для оценки состояния в новых координатах. Получена оценка нормы ошибки оценки наблюдения. Полученный закон управления прост в настройке параметров так как представляет собой нелинейный сигнал, пропущенный через линейный фильтр с передаточной функцией специального вида . 3. . Получена модификация алгоритма на основе метода стохастической аппроксимации с одновременными возмущениями, совмещенного с протоколом локального голосования. с включением рандомизации. 4. Построен наблюдатель типа Люенбергера на основе метода скоростного градиента с энергетическим целевым функционалом. Получены новые численные оценки точностных и динамических характеристик разработанной системы управления энергией в системе синус-Гордона с новым наблюдателем при ограниченной пропускной способности канала связи. 5. Проведен детальный анализ алгоритма машинного обучения Козинца с современных позиций. В частности, дано корректное доказательство его сходимости. Предложена рабочая схема алгоритма. В среде MatLab осуществлена программная реализация принципиальной и рабочей схем. Проведен их сравнительный анализ. Проведен сравнительный анализ трех родственных алгоритмов решения задачи жесткого SVM-отделения двух конечных множеств в евклидовом пространстве. А именно, алгоритмы Козинца, MDM и SMO. Единый подход к анализу этих алгоритмов оказался возможным благодаря тому, что были введены «оценки планов» рассматриваемых экстремальных задач. Оценка плана всегда неотрицательна и обращается в ноль тогда и только тогда, когда план оптимальный. Положительная оценка позволяет улучшить план. Это служит основой для построения минимизирующей последовательности планов. Предложены рабочие схемы алгоритмов, более эффективные, чем исходные (принципиальные) схемы.

Публикации

9. Плотников С.А. IDENTIFICATION OF NEURAL MASS NETWORK PARAMETERS USING EEG EVOKED POTENTIAL DATA CYBERNETICS AND PHYSICS (год публикации - 2024)