УДК 004

Методика параметрической оптимизации модульных испытательных систем на основе генетического алгоритма

Бурдин Александр Михайлович – начальник лаборатории Акционерного общества «Научно-производственный центр автоматики и приборостроения имени академика Н. А. Пилюгина»

Аннотация: В статье доказывается необходимость проведения процедуры оптимизации модульных испытательных систем. Предлагается методика оптимизации на основе генетического алгоритма. Классический генетический алгоритм дополняется методиками, которые его адаптируют к описанной задаче. Разработанный метод универсальный, позволяет оптимизировать испытательные комплексы с разным набором критериев качества системы.

Ключевые слова: оптимизация, генетический алгоритм, испытательное оборудование.

Современное массовое и серийное производство радиоаппаратуры характеризуется непрерывным обновлением выпускаемой продукции. Производители вынуждены модернизировать и осваивать выпуск новых видов изделий, непрерывно улучшая их качество. При таких темпах обновления для снижения затрат приходится искать пути сокращения расходов на контроль и испытания, поскольку доля этих расходов может достигать 50% от общих затрат.

Таким образом, повышение эффективности контрольно-испытательной аппаратуры (КИА) электрорадиотехнических систем является важной задачей, решение которой обеспечивает увеличение производительности и повышение качества выпускаемой продукции. Снижение стоимости испытаний, а также уменьшение времени разработки специализированных КИА – это основные задачи, от решения которых зависят производственные затраты, время внедрения продукции. Производителям сегодня нужны такие КИА, которые могут гибко изменять свои возможности в соответствии с совершенствованием выпускаемой продукции, т.е. они должны быть адаптивными, перепрограммируемыми, масштабируемыми и при этом дешёвыми.

Развитие методов и средств искусственного интеллекта позволяет реализовывать на их основе все более широкий круг решений проблем и задач синтеза оптимального состава модульных систем. К классу таких задач относится параметрическая оптимизация различного вида автоматических систем контроля по критериям разного типа.

Вместе с тем современные тенденции при проектировании и разработке систем автоматического контроля элементов систем управления на основе блочно-модульно архитектуры требуют применения не только интегральных, но и иных, нестандартных критериев, а также увеличение числа оптимизируемых параметров. Все это вынуждает исследователей при решении задач параметрической оптимизации обращаться к новым способам и инструментам, в том числе к такому методу искусственного интеллекта, как генетический алгоритм.

В этой связи необходимо разрабатывать и внедрять формализованные методы поддержки принятия решений. Основные свойства реальных практических задач оптимизации – наличие многих критериев, существенных ограничений, разношкальных переменных и алгоритмическое задание функций – делают невозможным применение традиционных методов. Выходом из такой ситуации является использование адаптивных стохастических алгоритмов, успешно преодолевающих указанные трудности. Одним из наиболее часто применяемых в такой ситуации подходов являются эволюционные алгоритмы, представляющие собой стохастические оптимизационные процедуры, имитирующие процессы естественной эволюции, в частности – генетический алгоритм.

При реализации генетического алгоритма (ГА), возникает ряд трудно разрешимых задач, таких как:

• достаточно высокая ресурсоёмкость ГА;
• большое количество настраиваемых параметров (количество поколений, количество особей в поколении, виды мутаций и кроссовера);
• среди полученных с помощью ГА решений при работе с многокритериальными задачами часто встречается большое количество не Парето-оптимальных точек.

Большинство современных методов оптимизации рассчитаны на решение однокритериальных задач, либо требуют существенных изменений при их применении к многокритериальным задачам. Поэтому существуют методы, позволяющие приводить многокритериальную задачу к задаче с одним критерием:

• назначение весов α_k, где α_k > 0, k=1(1)n где n – количество целей, таким образом, целевая функция примет следующий вид:

(1)

где I_k, k=1(1)n целевая функция k-ой цели,  – вес k-ой цели;

• перенос всех целей, кроме одной, во множество ограничений.

Оба метода имеют недостаток, связанный с тем, что необходимо ранжировать цели перед решением задачи. Некоторые системы имеют настолько разнородные цели, что даже специалист в рассматриваемой предметной области не может точно и чётко определить веса целей. Однако, несмотря на необходимость привлечения эксперта в области решаемой задачи, подход, использующий назначение весов для различных критериев является наиболее распространённым и эффективным средством при решении многокритериальных задач параметрической оптимизации.

Система после синтеза представляет из себя совокупность признаков, выраженных в количественных оценках, причём на эти признаки непосредственно влияет частные характеристики блоков, входящие в совокупность системы.

Оптимизируемой величиной в данной задаче является количество i-тых блоков, при этом каждый их тип имеет несколькими параметрами, то в этом случае речь идёт о дискретной многокритериальной оптимизации. В общем виде она выглядит следующим образом:

,

(2)

 

где x_сис – признак системы, n – номенклатура типов блоков в системе, x_i – признак i-го блока, l_i – количество i-х блоков в системе, a – минимальное число i-х блоков, b – максимальное число i-х блоков. Наилучшим значением l_i – является b.

В общем виде это задача комбинаторной оптимизации в которой решение представляет собой комбинацию уникальных компонент, выбираемых из конечного набора. Целью является поиск оптимальной комбинацией компонент, т. е. количества i-х блоков.

Для решения данной задачи подходит генетический алгоритм, который обладает следующими преимуществами:

• Не имеет значительных математических требований к целевой функции.
• Алгоритм использует только значения целевой функции, а не её производных или иной дополнительной информации.
• Стойкость к попаданию в локальные минимумы.

Недостатком генетического алгоритма является требование большого количества памяти ЭВМ для хранения информации о популяции и большое количество настраиваемых параметров.

В задаче речь идёт о многокритериальной оптимизации по неравнозначным критериям качества испытательной системы. Для назначения весов критериям качества в [1] разработан ансамблевый метод ранжирования критериев качества блоков модульных испытательных комплексов на базе лексикографических оценок важности критериев.

В текущей задаче речь идёт о многокритериальной оптимизации по неравнозначным критериям. В [2] разработан алгоритм преобразования и вычисления целевой функций многокритериальной задачи оптимизации на основе рангов критериев качества испытательной системы.

Для получения более точного и воспроизводимого результата процедуры оптимизации нужно использовать оптимальные параметры генетического алгоритма в зависимости от размерности пространства поиска. В [3] доказана необходимость подбора оптимальных параметров генетического алгоритма и разработана методика их нахождения.

На основе разработанных выше методов разработана методика оптимизации модульных испытательных систем, которая включает в себя следующие составляющие (рисунок 1): генетический алгоритм с оптимальными параметрами (метод 3), адаптированный для структурно-параметрической оптимизации блочно-модульных испытательных комплексов, отличающийся от классического генетического алгоритма методом преобразования и вычисления целевой функций (метод 1) многокритериальной задачи оптимизации на основе рангов критериев качества испытательной системы (метод 2).

Рисунок 1. Метод оптимизации модульных систем.

Разработанная методика структурной оптимизации позволяет находить оптимальные параметры модульных испытательных систем. Методика благодаря адаптированным параметрам генетического алгоритма позволяет работать с разными размерностями пространства поиска и с разными критериями качества системы.

Список литературы

1. Бурдин А.М. Ранжирование критериев оценки качества блоков различными методами для параметрической оптимизации блочно-модульного испытательного комплекса устройств обмена. Труды ФГУП «НПЦАП». Системы и приборы управления, № 2, 2015, С. 44-49.
2. Бурдин А.М. Метод преобразования целевой функций многокритериальной задачи оптимизации модульного испытательного комплекса устройств обмена на основе рангов критериев качества. Труды ФГУП «НПЦАП». Системы и приборы управления. Системы и приборы управления. № 4, 2020, С. 31-34
3. Бурдин А.М. Метод поиска оптимальных значений параметров генетического алгоритма. Труды ФГУП «НПЦАП». Системы и приборы управления. № 4, 2020, С. 35-38.