Структурно-ориентированная система поддержки принятия решений для управления, основанного на многокритериальной оптимизации

Системный анализ и управление
Авторы:
Диб А.Хохловский В.Н.
Аннотация:

Киберфизические системы управления должны удовлетворять строгим ограничениям по величине управляющих воздействий и скорости изменения сигнала, одновременно обеспечивая баланс между несколькими (часто противоречивыми) целями управления. В задачах многокритериальной оптимизации оптимизатор естественным образом генерирует множество конкурирующих кандидатов на управление. Однако в замкнутом контуре на каждом шаге дискретизации требуется выбрать единственное реализуемое управляющее воздействие. На практике этот выбор обычно выполняется с помощью фиксированных правил скаляризации, что может приводить к ухудшению характеристик при изменении режимов эксплуатации в случае невыпуклой формы фронта Парето или трудно масштабируемых критериях. Данная работа направлена на повышение качества управления, основанного на многокритериальной оптимизации, на базе системы поддержки принятия решений, учитывающей структуру: предложенный метод разделяет этап онлайн-построения фронта Парето и этап выбора управляющего воздействия. Эвристический алгоритм многокритериальной оптимизации, основанный на генетических алгоритмах NSGA-II, генерирует допустимые последовательности управляющего воздействия с учетом ограничений по величине и скорости изменений, тогда как предложенный обучаемый селектор, обозначенный как Learned Pareto Filter (LPF), оценивает этих кандидатов, используя структурные признаки, учитывающие как индивидуальные характеристики решений, так и их взаимосвязи внутри множества Парето. Метод оценивается на двух эталонных задачах. Во-первых, используется система с аналитически известной структурой фронта Парето. Во-вторых, подход проверяется на нелинейной задаче изменения нагрузки котлотурбинной установки, широко используемой в исследованиях управления нелинейными системами с ограничениями. Результаты показывают, что выбор на основе LPF обеспечивает более гладкие управляющие воздействия, улучшенную точность слежения и большую устойчивость к изменениям режима по сравнению с методами, основанными исключительно на скаляризации критериев. Полученные выводы подтверждают, что качество Парето-ориентированного управления замкнутым контуром в критической степени определяется механизмом выбора, а не только оптимизатором, формирующим множество Парето.

Финансовые условия:

Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках программы «Научный центр мирового уровня: Перспективные цифровые технологии» (договор № 075-15-2022-311 от 20.04.2022).

Ключевые слова:
многокритериальная оптимизациямодельно-прогностическое управлениесистемы поддержки принятия решенийотбор по Паретографовые нейронные сетиуправление нелинейными системами с ограничениями
  • Список литературы

    1. IEA. World Energy Outlook 2022, Available: Paris https://www.iea.org/reports/world-energy-outlook-2022 (Accessed 06.07.2026).

    2. Röth C., Milde F., Trebbels D., Schmidt J., Doppelbauer M. A Stator With Offset Segments and a Double Stator Design for the Reduction of Torque Ripple of a Switched Reluctance Motor. IEEE Transactions on Energy Conversion. 2022, Vol. 37, No. 2, Pp. 1233–1240.

    3. Wang C., Liu M., Zhao Y., Qiao Y., Chong D., Yan J. Dynamic modeling and operation optimization for the cold end system of thermal power plants during transient processes. Energy, 2018, Vol. 145, Pp. 734–746. DOI: 10.1016/j.energy.2017.12.146

    4. Ogata K. Modern control engineering, 5th ed., New Jersey: Pearson Education, Inc., 2020.

    5. Schwenzer M., Ay M., Bergs T., Abel D. Review on model predictive control: An engineering perspective. The International Journal of Advanced Manufacturing Technology, 2021, Vol. 117, No. 5, Pp. 1327–1349. DOI: 10.1007/s00170-021-07682-3

    6. Wu X., Shen J., Li Y., Lee K.Y. Stable model predictive control based on TS fuzzy model with application to boiler-turbine coordinated system. 2011 50th IEEE Conference on Decision and Control and European Control Conference, 2011, Pp. 2981–2987. DOI: 10.1109/CDC.2011.6160553

    7. Wu X., Shen J., Li Y., Lee K.Y. Hierarchical optimization of boiler-turbine unit using fuzzy stable model predictive control. Control Engineering Practice, 2014, Vol. 30, Pp. 112–123. DOI: 10.1016/j.conengprac.2014.03.004

    8. Ławryńczuk M. Nonlinear predictive control of a boiler-turbine unit: A state-space approach with successive on-line model linearisation and quadratic optimization. ISA Transactions, 2017, Vol. 67, Pp. 476–495. DOI: 10.1016/j.isatra.2017.01.016

    9. Yang C., Zhang T., Zhang Z., Sun L. MLD–MPC for ultra-supercritical circulating fluidized bed boiler unit using subspace identification. Energies, 2022, Vol. 15, No. 15, Art. no. 5476. DOI: 10.3390/en15155476

    10. Banzhaf W., Machado P., Zhang M. Handbook of evolutionary machine learning, NY: Springer, 2023.

    11. Lawrence N.P., Damarla S.K., Kim J.W., Tulsyan A., Amjad F., Wang K., Chachuat B., Lee J.M., Huang B., Bhushan Gopaluni R. Machine learning for industrial sensing and control: A survey and practical perspective. Control Engineering Practice, 2024, Vol. 145, Art. no. 105841. DOI: 10.1016/j.conengprac.2024.10-5841

    12. Chuadhry M.A., M.R. G.R., Mathur A.P. Challenges in machine learning based approaches for real-time anomaly detection in industrial control systems. Proceedings of the 6th ACM on Cyber-Physical System Security Workshop, 2020, Pp. 23–29. DOI: 10.1145/3384941.340958

    13. Slowik A., Kwasnicka H. Evolutionary algorithms and their applications to engineering problems. Neu-ral Computing and Applications, 2020, Vol. 32, Pp. 12363–12379. DOI: 10.1007/s00521-020-04832-8

    14. Deeb A., Khokhlovskiy V.N., Shkodyrev V.P. Model predictive control and genetic algorithms for optimization of continuous stirred tank reactors. In: Smart electromechanical systems (eds. I.L. Tarasova, B.A. Kulik), 2024, Vol. 544, Pp. 185–191. DOI: 10.1007/978-3-031-64277-7_14

    15. Biegler L.T. A perspective on nonlinear model predictive control. Korean Journal of Chemical Engineering, 2021, Vol. 38, No. 7, Pp. 1317–1332. DOI: 10.1007/s11814-021-0791-7

    16. Jones D.F., Florentino H.O. Multi-objective optimization: Methods and applications. In: The Palgrave handbook of operations research (eds. S. Salhi, J. Boylan), 2022, Pp. 181–207. DOI: 10.1007/978-3-030-96935-6_6

    17. Deb K., Pratap A., Agarwal S., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 2002, Vol. 6, No. 2, Pp. 182–197. DOI: 10.1109/4235.996017

    18. Wang L., Cai Y., Ding B. Robust model predictive control with bi-level optimization for boiler-turbine system. IEEE Access, 2021, Vol. 9, Pp. 48244–48253. DOI: 10.1109/ACCESS.2021.3066371

    19. Köhler J., Soloperto R., Müller M.A., Allgöwer F. A computationally efficient robust model predictive control framework for uncertain nonlinear systems. IEEE Transactions on Automatic Control, 2020, Vol. 66, No. 2, Pp. 794–801. DOI: 10.1109/TAC.2020.2982585

    20. Wei Q., Liu Y., Lu J., Ling J., Luan Z., Chen M. A new integral critic learning for optimal tracking control with applications to boiler-turbine systems. Optimal Control: Applications and Methods, 2023, Vol. 44, No. 2, Pp. 830–845. DOI: 10.1002/oca.2792

    21. Peitz S., Dellnitz M. A survey of recent trends in multiobjective optimal control – surrogate models, feedback control and objective reduction. Mathematical and Computational Applications, 2018, Vol. 23, No. 2, Art. no. 30. DOI: 10.3390/mca23020030

    22. Bemporad A., de la Peña D.M. Multiobjective model predictive control. Automatica, 2009, Vol. 45, Pp. 2823–2830. DOI: 10.1016/j.automatica.2009.09.032

    23. Zavala V.M., Flores-Tlacuahuac A. Stability of multiobjective predictive control: A utopia-tracking approach. Automatica, 2012, Vol. 48, No. 10, Pp. 2627–2632. DOI: 10.1016/j.automatica.2012.06.066

    24. He D., Wang L., Sun J. On stability of multiobjective NMPC with objective prioritization. Automatica, 2015, Vol. 57, Pp. 189–198. DOI: 10.1016/j.automatica.2015.04.024

    25. Grüne L., Stieler M. Multiobjective model predictive control for stabilizing cost criteria. Discrete and Continuous Dynamical Systems – B, 2019, Vol. 24, No. 8, Pp. 3905–3928. DOI: 10.3934/dcdsb.2018336

    26. Xu J., Tian Y., Ma P., Rus D., Sueda S., Matusik W. Prediction-guided multi- objective reinforcement learning for continuous robot control. Proceedings of the 37th International Conference on Machine Learning, 2020, pp. 10607–10616.

    27. Deeb A., Khokhlovskiy V., Shkodyrev V. Hierarchical multi-objective control of nonlinear systems with dynamical input constraints. Artificial Intelligence and Applications, 2026, Vol 4., No. 1., Pp. 57–67. DOI: 10.47852/bonviewAIA52024314

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья