Хранилища данных - статьи
и другие) строятся на том
"Классические" подходы к управлению (например, [, ] и другие) строятся на том предположении, что можно получить пусть сложную, но точную аналитически заданную форму функциональной зависимости входных и выходных сигналов системы управления с последующим уточнением значений входящих в нее коэффициентов. Однако при всей изощренности наработанного математического инструментария областью применения таких методов управления остаются сравнительно простые объекты управления с очевидными свойствами, то есть хорошо формализуемые объекты. На практике же типичными являются объекты управления, которые формализуются плохо. Их свойства априори плохо известны или изменяются в процессе функционирования. В силу недостаточности знаний об объекте и среде, в которой он функционирует, попытки получить точную модель поведения такого объекта не представляются возможными. Однако управление такими объектами представляет не меньший интерес и является не менее важным, чем управление хорошо формализуемыми объектами.
В последнее время активно развивается "неклассический" подход к теории управления. Этот подход связан с применением алгоритмов и методов интеллектуального управления автономными подвижными объектами на основе нечеткой логики, нейронных сетей и генетических алгоритмов. С этим же подходом связаны ситуационное управление на основе иерархических моделей с нечеткими предикатами; модели и алгоритмы принятия решений по защите информации на основе методов искусственного интеллекта. Авторы (см. также []) предлагают для этого использовать вывод по прецедентам - метод принятия решений, в котором используются знания о ранее возникавших ситуациях или случаях (прецедентах). При рассмотрении новой проблемы (текущего случая) отыскивается похожий прецедент. Вместо того чтобы каждый раз искать решение сначала, можно попытаться использовать решение, принятое в сходной ситуации, возможно, адаптировав его к текущему случаю.
В ситуации, когда известных параметров объекта управления и окружающей среды недостаточно для однозначного определения поведения этого объекта, управление необходимо осуществлять не по параметрам объекта, а по его состоянию, которое более полно определяет тенденцию его дальнейшего поведения.
Возникает задача идентификации состояния объекта управления по его наблюдаемым (известным) параметрам. Для этого нужно уметь сформировать на основе априорной информации обобщенные образы - классы состояний объекта. Получить необходимые знания из набора имеющихся данных можно с помощью методов добычи данных - классификации и кластеризации. Если состояние объекта управления сводится к присутствию в одном из этих классов, то управляющее воздействие можно рассматривать как отображение объекта из одного класса в другой (в частности, как удержание объекта в том же классе).
В рассматриваемых ситуациях вместо точного вида математической модели объекта доступна только априорная информация о состояниях объекта управления, управляющих воздействиях на него и результатах воздействий. В терминах вывода по прецедентам информация о состоянии объекта - это описание проблемы, а выдача управляющего воздействия есть решение проблемы; тогда результат управляющего воздействия необходимо рассматривать как результат применения решения. В работе ставится задача смоделировать управление такого рода объектами по прецедентам, основываясь на классах состояний. Это означает, что предлагается подход к интеграции методов добычи данных, вывода на основе прецедентов и адаптивного управления в единой самообучающейся системе, позволяющей управлять объектами с плохо формализуемым поведением.
В этом подходе состояние объекта управления сравнивается с прецедентами из заранее накопленной базы данных. На основе некоей меры близости выбирается один из похожих прецедентов. Управляющее воздействие, связанное с ним, используется напрямую или адаптируется к текущему случаю, исходя из степени близости прецедента. Результат воздействия также прогнозируется по прецеденту. Итог воздействия заносится в базу прецедентов для последующего использования. Одновременно ставится и более частная задача выбора меры близости для определения сходства управляемого объекта с прецедентами. Искомая мера должна способствовать ограничению перебора возможных вариантов, их ранжированию при выборе управляющих воздействий, а также облегчению адаптации управляющего воздействия от прецедента к текущему состоянию объекта управления.
