Варианты решения
В работах [1, 2] для решения указанных проблем предлагалось строить системы управления, аналогичные окружающему миру — с малым количеством связей и со "ступенчатыми" функциями. Для проверки этой гипотезы авторами была создана нейронная сеть со следующим алгоритмом функционирования в общем виде.
Каждый нейрон представляет собой объект с двумя информационными входами и одним входом ошибки. По информационным входам происходит взвешенное суммирование с ограничением по абсолютной величине, которое с запаздыванием на несколько тактов передается на выход нейрона. Переменными величинами являются весовые коэффициенты и время задержки. Поскольку рабочей гипотезой принципа функционирования нейрона была принята гипотеза минимизации энергозатрат нейрона [3], то на вход ошибки поставлено апериодическое звено, которое с некоторым запаздыванием повторяет уровень на входе. Если уровень этой "сглаженной" ошибки превышает некоторый порог, то выполняется одно из следующих действий: случайно изменяются все параметры, случайно изменяется один из параметров, делается малое случайное изменение одного из параметров, восстанавливаются параметры одного из предыдущих состояний, в котором нейрон был продолжительное время. Последнее действие выполняется с наибольшей вероятностью.
Несколько нейронов являются входами системы, одни из которых дублируют входные переменные, а другие являются сигналами ошибки. Причем к "ошибочным" нейронам подключены только входы ошибки у некоторых нейронов. Выходным сигналом является сумма сигналов от нескольких нейронов. Подключения нейронов между собой внутри сети случайны.
Каковы результаты работы данной сети? Были опробованы различные сочетания настроек алгоритма при работе в качестве управляющего контроллера простого объекта управления и в большинстве случаев происходило следующее:
1. Во многих случаях сеть чисто физически не могла управлять никаким объектом по причине отсутствия канала "вход — выход" при случайном ее построении.
Данную проблему можно было бы решить, увеличив количество нейронов, но тогда мы приближаемся к тому, от чего уходили.
2. В тех случаях, когда такой канал существовал, система настраивалась очень медленно и, что самое плохое, не держала полученный результат, постоянно считая за цель снижение возбуждения какого-либо нормально работающего нейрона.
Таким образом, предложенная в работах [1, 2] методика построения системы управления соответствует приведенному выше случаю 1. Почему? По-видимому, дело здесь в том, что принцип симметрии может быть применим к уже настроенной сети, а ее заготовка должна иметь большое количество возможных связей, поскольку априори не известно, какие из них понадобятся. Простота сети должна выражаться не в минимальном количестве возможных связей, а в выделении из главной цели более простых подцелей, которые в экстремальном варианте индивидуальны для каждого нейрона.
Именно так функционируют нейроны человеческого мозга. Они увеличивают весовые коэффициенты связей, идущих к нейронам, которые чаще всего возбуждаются совместно с ними [6].
В данный момент ведутся работы по созданию нейронной сети с большим, чем раньше количеством связей, алгоритм обучения каждого нейрона в которых соответствует приведенному в предыдущем абзаце. Такой алгоритм можно также считать соответствующим принципу максимума информации, приведенному в [3].
В заключение хотелось бы привести еще одну аналогию. Работу сети, которая для своей настройки использует один глобальный критерий, можно сравнить с государством, которое осуществляет жесткое регулирование экономики. Сеть в которой каждый нейрон обладает своей целью, не зависящей от всего комплекса в целом, можно сравнить с государством, которое дает абсолютную свободу своим гражданам делать все что угодно на их благо. А из их благ составилось бы общее благо всего государства. Наиболее эффективный способ управления, по-видимому, будет лежать посредине: каждый гражданин (нейрон) работает так, чтобы максимально обогатиться (свести к максимуму локальный критерий качества), но то, какими способами это можно сделать, ненавязчиво регулируется государством (глобальным критерием качества).
Часто возникает вопрос — какое имеют отношение к электроприводу методы из области искусственного интеллекта? Здесь можно сослаться на фразу известного русского физиолога И. М. Сеченова, приведенную в качестве эпиграфа. В несколько перефразированном виде она будет звучать следующим образом: вся деятельность промышленных интеллектуальных систем сводится окончательно лишь к одному явлению — движению "мышц" индустрии, которыми сейчас является и останется в ближайшем будущем электропривод.
