Управление  конструкциями.  Окончание.

   3. Нейросетевые технологии оптимизации, прогнозирования и управления конструкциями и системами.
  Предлагаемая нейросетевая технология представляет разновидность создания интеллектуальных автоматически управляемых нелинейных конструкций и систем, благодаря свойствам обучаемости.
  Нейросетевая технология открывает новые возможности универсального весьма эффективного аппроксимационного моделирования разнообразных процессов, управляемых конструкций и систем, включая те случаи, когда математическая формализация затруднена или вовсе отсутствует. Опираясь на базу физических опытных экспериментальных данных, можно учитывать реальные свойства и их изменения в процессе эксплуатации путем доучивания нейроконтроллера, встроенного в систему и сопровождающего ее функционирование и развитие.
  Нейросетевая технология предопределяет быстродействие, без которого немыслимо оперативное управление, простоту и надежность модели, получение явных знаний, решение обратных задач, самонастройку системы автоматического управления с нейросетевым модулем управления.
  Взаимосвязанное развитие нейросетевой технологии с системным подходом открывает новые еще не реализованные возможности, в том числе по повышению качества и производительности систем на основе нейросетевого обобщения деятельности специалистов высокой квалификации и передачи их опыта.
  В процессе проектирования применение нейросетевых технологий позволяет добиваться значительного ускорения счета, быстрого получения решений для большого обьема однотипных задач на различные виды нагрузок, дает возможность уточнять численные решения, осуществлять экстраполяцию решений в смежную область, учитывать особенности конструкций (ребра, отверстия и т.д.), выявлять линейные и нелинейные закономерности, решать оптимизационные задачи.
  Проблемы оптимизации и прогнозирования на основе нейросетевой технологии опираются на быстродействие функционирования, на скорый перебор большого числа вариантов, на возможность доучивания и отличаются эффективностью и универсальностью (вне зависимости от разнообразных ограничений в противовес классическим методам) и новыми решениями. Нейросетевая технология позволяет в одной оптимизационной задаче (или задаче функционирования): обобщить, обьединить (использовать) различные модели (например, модели теории толстых, тонких и очень тонких оболочек в линейной и нелинейной постановке); учитывать изменения свойств управляемого обьекта во времени (нестационарность) путем сопровождения обьекта в период его эксплуатации и корректировать управляющие решения. Можно полагать, что дальнейшее развитие методов нейросетевой оптимизации приведет к новым практическим результатам, в том числе и в конструкторском поиске на основе не только численных, но и физических экспериментов (моделирования).
  Разработан шаговый метод нейросетевого прогнозирования, эффективность которого подтверждена численным экспериментом на серии примеров. Достигается повышение точности прогнозирования на один-два порядка по сравнению с обычным (одноразовым, традиционным) нейросетевым экстраполированием.
  Данный шаговый нейросетевой метод практического прогнозирования охватывает (обобщает) многообразные новые и классические задачи, включая:
  * многомерные задачи интерполирования и экстраполирования с дополнительными условиями и без них;
  * прогнозирование многопараметрической информации;
  * задачи управления процессом и устройствами во времени, в том числе с прохождением через заданные ориентиры, а также удовлетворение определенным условиям или критериям;
  * возможности развития (обобщения) и применения к классическим вариационным задачам о брахистохроне, изопериметрическим, но с различными дополнительными условиями и ограничениями (например, с учетом предистории и некоторых желаемых ориентиров) и к различным задачам математического программирования с ограничениями различного вида, которые в целом можно рассматривать как разработку прикладного нейросетевого исчисления;
  * возможности применения к различным оптимизационным задачам с ограничениями любого вида, в том числе и задачам оптимального проектирования с минимизацией целевой функции.

  Н.П. Абовский, Л.В. Енджиевский

  .