Развитие энергетики России Тепловые станции Экологический аспект Электрофильтры Регенеративные методы Математическое моделирование экологических систем Аварийные ситуации на АЭС

Введение в экологию энергетики

По своим принципам инвариантного отображения среды многорядные алгоритмы МГУА чрезвычайно близки идеям нейросетевого моделирования, в частности, многослойному персептрону Ф. Розенблатта.

Самоорганизующиеся модели служат, в основном, для прогнозирования поведения и структуры экосистем, так как по самой логике их построения участие исследователя в этом процессе сведено к минимуму. Можно привести ряд конкретных примеров использования алгоритмов МГУА: для долгосрочных прогнозов экологической системы оз. Байкал [Ивахненко с соавт., 1980], моделирования геоботанических описаний [Розенберг, 1981, 1984]; системы "хищник–жертва" [Брусиловский, Розенберг, 1981а,б], прироста деревьев [Розенберг, Феклистов, 1982], прогнозирования токсикологических показателей поллютантов [Шитиков с соавт, 1986], оценки динамики численности сообществ зоопланктона [Розенберг с соавт., 1994а].

В математической кибернетике различают два вида итеративных процессов развития систем [Ивахненко с соавт., 1976]:

адаптация, при которой экстремум (цель движения системы) остается постоянной;

эволюция, при которой движение сопровождается изменением и положения экстремума.

Если самоорганизация связана только с адаптационными механизмами подстройки реакций системы (например, изменением значений весовых коэффициентов), то понятие эволюции связано с возможностью эффектора (термин, введенный С. Лемом [1968]) изменять свою собственную структуру, т.е. количество элементов, направленность и интенсивность связей, настраивая их оптимальным образом относительно поставленных задач в каждый конкретный момент времени. В процессе эволюции в условиях сложной и меняющейся среды эффектор способен приобрести принципиально новые качества, выйти на следующую ступень развития [Гаазе-Рапопорт, Поспелов, 1987]. Например, в процессе биологической эволюции возникли чрезвычайно сложные и вместе с тем удивительно продуктивно функционирующие живые организмы. Атомная электростанция (АЭС) - электростанция, в которой атомная (ядерная) энергия преобразуется в электрическую. Генератором энергии на АЭС является атомный реактор. Тепло, которое выделяется в реакторе в результате цепной реакции деления ядер некоторых тяжёлых элементов, затем так же, как и на обычных тепловых электростанциях (ТЭС), преобразуется в электроэнергию. В отличие от ТЭС, работающих на органическом топливе, АЭС работает на ядерном горючем (в основе 233U, 235U, 239Pu).

Эволюционное моделирование [Фогель с соавт., 1969; Букатова, 1979; Букатова с соавт., 1991] представляет собой существенно универсальный способ построения прогнозов макросостояний системы в условиях, когда полностью отсутствует апостериорная информация, а априорные данные задают лишь предысторию этих состояний. Общая схема алгоритма эволюции выглядит следующим образом:

задается исходная организация системы (в эволюционном моделировании в этом качестве может фигурировать, например, конечный детерминированный автомат Мили; см. [Растригин, Марков, 1976; Букатова, 1979]);

проводят случайные "мутации", т.е. изменяют случайным образом текущий конечный автомат;

отбирают для дальнейшего "развития" ту организацию (тот автомат), которая является "лучшей" в смысле некоторого критерия, например,  максимальной точности предсказания последовательности значений макросостояний экосистемы.

Критерий качества модели в этом случае мало чем отличается, например, от минимума среднеквадратической ошибки на обучающей последовательности метода наименьших квадратов (со всеми вытекающими отсюда недостатками). Однако, в отличии от адаптации, в эволюционном программировании структура решающего устройства мало меняется при переходе от одной мутации к другой, т.е. не происходит перераспределения вероятностей, которые бы закрепляли мутации, приведшие к успеху на предыдущем шаге. Поиск оптимальной структуры происходит в большей степени случайным и нецеленаправленным, что затягивает процесс поиска, но обеспечивает наилучшее приспособление к конкретным изменяющимся условиям.

Одним из первых возможность применения эволюционного моделирования для целей экологического прогнозирования использовал В.Ф. Крапивин [1978]. В дальнейшем, эти подходы применялись для прогнозирования величины прироста деревьев [Розенберг, Феклистов, 1982; Розенберг, 1984] и состояний байкальского планктона [Брусиловский, 1987]. Идея эволюции нашла свое выражение в разработке моделей временных рядов экологических переменных с использованием трехэтапного эволюционного предсказывающего алгоритма [Розенберг с соавт., 1994] и автоматов Мили для многосимвольных целочисленных временных рядов [Морозов, 2000]. В этих работах использовался конечный автомат Мили со структурой, описывающей некоторый набор состояний автомата и совокупность связей между ними. Автомат в ходе эволюционного процесса "мутировал" в соответствии с некоторым набором заданных правил преобразования входных символов в выходные.

В последнее десятилетие наблюдается повышенный интерес к наиболее "биологизированным" моделям эволюции с использованием генетического алгоритма, который можно считать "интеллектуальной" формой метода проб и ошибок. Генетический алгоритм [Goldberg, 1989; Скурихин, 1995; Васильев, Ильясов, 1999], позаимствованный у природных аналогов, является наиболее элегантным представителем эволюционных методов и представляет собой мощное поисковое средство, эффективное в различных проблемных областях и основанное на трех компонентах:

генетической памяти, сконцентрированной в "хромосомах";

воспроизведения, осуществляемого при помощи операторов кроссинговера и мутации; 

селекции продуктивных решений методами оптимизации многоэкстремальных функций.

Еще один широко используемый подход к построению систем ИИ – имитационный [Емельянов, Ясиновский, 1998]. Данный подход является классическим для кибернетики с одним из ее базовых понятий – "черным ящиком" – устройством, информация о внутренней структуре и содержании которого отсутствует полностью, но известны спецификации входных и выходных сигналов. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом, здесь, после обучения и самоорганизации, моделируется еще одно свойство человека – способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.


На главную