الگوریتم های الهام گرفته از نظر بیولوژیکی به طور عمیقی مهندسی کنترل را با معرفی روش های سازگار، کارآمد و قوی ترسیم شده به طور مستقیم از طبیعت، از رفتار برای شکستن مورچه ها به معماری عصبی مغز انسان تغییر داده اند، این الگوریتم ها جایگزین های قدرتمندی برای تکنیک های کنترل سنتی، سیستم های کنترل مدرن به طور فزاینده ای بر توانایی آنها برای رسیدگی به غیر خطی، عدم اطمینان و محیط های پیچیده که در آن رویکردهای معمولی به بررسی این مقاله کوتاه می پردازند، از طریق راه حل های کاربردی و تأثیر بیولوژیکی، و سیستم های کنترل بیولوژیکی الهام بخش بر روی راه حل های کاربردی آن ها، و سیستم های کاربردی آن ها، تکیه می کنند.

درک الگوریتم های الهام گرفته از بیولوژیکی

الگوریتم های الهام گرفته از بیولوژیکی به یک کلاس گسترده تر از روش های محاسباتی تعلق دارند که از فرآیندهای بیولوژیکی طبیعی تقلید می کنند، آنها اغلب به عنوان الگوریتم های الهام گرفته از طبیعت یا بیولوژیکی شناخته می شوند. مشخصه تعریف آنها استفاده از مکانیسم هایی مانند تکامل، هوش انبوه، پردازش عصبی یا پاسخ سیستم ایمنی برای حل و کنترل مشکلات است.

الگوریتم های ژنتیکی

الگوریتم های ژنتیکی (GA ها) از انتخاب طبیعی داروین الهام گرفته اند.آنها جمعیت راه حل های کاندید را در نسل های مختلف با استفاده از انتخاب، متقاطع و اپراتورهای جهش یافته تکامل می دهند.در سیستم های کنترلی، GA ها برای تنظیم سود کنترل کننده PID، بهینه سازی پارامترهای سیستم و طراحی فیلترها استفاده می شوند.

بهینه سازی ذرات Swarm Optimization

بهینه سازی انبوه ذرات (PSO) رفتار اجتماعی گله های پرنده یا مدارس ماهی را مدل می کند، هر ذره موقعیت خود را بر اساس بهترین راه حل شناخته شده خود تنظیم می کند و بهترین راه حل جهانی که توسط گروه پیدا می شود، PSO به طور گسترده در سیستم های کنترل برای تنظیم پارامتر آنلاین، برنامه ریزی مسیر و کنترل پیش بینی مدل استفاده می شود.

بهینه سازی Ant Colony Optimization

بهینه سازی مستعمره مورچه (ACO) تقلید از رفتار pheone-trail مورچه ها برای پیدا کردن کوتاه ترین مسیرها است.این در مشکلات بهینه سازی ترکیبی مربوط به کنترل، مانند مسیریابی در شبکه های ارتباطی، برنامه ریزی در تولید و راه برنامه ریزی برای سیستم های بهینه سازی رباتیک ACO، روش استریگم حساسیتی فراهم می کند مقیاس قوی و قابلیت پذیری (F0: DLT مستعمره در یک مستعمره).

شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی (ANNs) مدل های محاسباتی الهام گرفته از شبکه های عصبی بیولوژیکی هستند. [۱] آنها از داده ها از طریق لایه های گره های متصل یاد می گیرند.در کنترل، عملکرد ANN ها به عنوان کنترل کننده های غیر خطی، شناسه های سیستم و آشکارسازهای خطا قادر به تقریب هر گونه عملکرد مداوم و سازگار کردن آنلاین آنها را برای کنترل سازگار و هوشمند قدرتمند می کند.

چگونه سیستم های کنترل پیشرفته الگوریتم های با الهام بیولوژیکی

روش های کنترل سنتی مانند PID، LQR یا H-infinity به مدل های دقیق ریاضی و فرضیات خطی متکی هستند. سیستم های دنیای واقعی اغلب این فرضیات را به دلیل عدم وجود، پارامترهای زمان متغیر و اختلالات بیرونی الهام گرفته از بیولوژیکی سه مزیت کلیدی به همراه می آورند: بهینه سازی، سازگاری و قوی بودن.

بهینه سازی و تونس

عملکرد سیستم کنترل به شدت به پارامترهای تنظیم شده صحیح بستگی دارد و PSO این فرآیند تنظیم را خودکار می کند، به دنبال دستیابی به سود بهینه بدون نیاز به اطلاعات گرادینت است، به عنوان مثال، GA می تواند خطای مطلق زمان (ITAE) را برای یک کنترل کننده PID در طیف وسیعی از شرایط عملیاتی به حداقل برساند. نتیجه یک سیستم کنترل است که نزدیک به بهینه سازی انجام می دهد حتی زمانی که عملکرد ضعیف انرژی را درک می کند.

سازگاری و یادگیری

شبکه های عصبی و الگوریتم های در حال تحول سیستم های کنترل را برای سازگاری در زمان واقعی فراهم می کنند.کنترل کننده عصبی می تواند وزن خود را بر اساس خطاهای مشاهده شده تنظیم کند، به طور موثر یادگیری رفتار گیاه است.در مدل مرجع کنترل انطباقی (MRAC)، یک شبکه عصبی، گیاه را شناسایی می کند و کنترل کننده را مطابق با این سازگاری برای سیستم هایی مانند هواپیماهای بدون سرنشین، که در آن ها بارگذاری و شرایط محیطی اغلب تغییر می دهند، اجازه می دهد تا بدون هماهنگی مرکزی، کنترل خود را بهبود دهد.

افزایش و تحمل خطا

الگوریتم های الهام گرفته از نظر بیولوژیکی به طور ذاتی از طریق کاهش و تنوع فراهم می کنند.در کنترل مبتنی بر انبوه، شکست یک عامل کل سیستم را فلج نمی کند؛ سایر وظایف واقعی می توانند برای تشخیص خطاهای سنسور و تغییر به حالت های برآورد، آموزش ببینند.برنامه ریزی ژنتیک می تواند قوانینی را که ثبات را تحت تخریب قطعات حفظ می کند، حفظ کند.

برنامه های کلیدی در سراسر صنایع

تاثیر الگوریتم های الهام گرفته از بیولوژیکی به بسیاری از زمینه ها گسترش می یابد. انعطاف پذیری آنها توانایی های جدیدی را در رباتیک، هوافضا، خودرو، تولید و سیستم های انرژی فعال کرده است.

رباتیک

Robotics یک برنامه اولیه بهره برداری از راه با استفاده از ACO از موانع در محیط های پویا اجتناب کرده است. PSO بهینه سازی می کند که ربات های شکسته برای بهره وری انرژی.شبکه های عصبی ورودی دوربین را برای دستورات حرکتی برای سروو بصری نقشه می کنند. Swarm رباتیک الگوریتم های غیر ساختاری را برای هماهنگ کردن ربات های متعدد برای جستجو و نجات، نظارت زیست محیطی یا اتوماسیون خودکار تر، پردازش می کنند.

فضا- Aerospace

در هوافضا، الگوریتم های الهام گرفته بیولوژیکی کنترل پرواز و ناوبری را بهبود می بخشد. الگوریتم های ژنتیکی مسیرهای پرواز بهینه را با توجه به مصرف سوخت و هوا طراحی می کنند.شبکه های عصبی شناسایی سیستم برای وسایل نقلیه هوایی بدون سرنشین (UAVs) را انجام می دهند.

ماشین خودرو

وسایل نقلیه مدرن به الگوریتم های الهام گرفته از بیولوژیکی برای رانندگی و مدیریت ترافیک مستقل متکی هستند. PSO پارامترهای کنترل کروز تطبیقی و سیستم های نگهداری خطوط را تنظیم می کند.شبکه های عصبی داده های درب و دوربین را برای تشخیص و تصمیم گیری شی بهینه سازی می کند. Ant Stock بهینه سازی سیگنال های ترافیکی زمان بندی برای کاهش تراکم.

تولید

تولید مزایای از بهینه سازی فرآیند و کنترل الگوریتم های ژنتیکی برای به حداقل رساندن خرابی و به حداکثر رساندن وقفه.شبکه های عصبی فرآیندهای را در زمان واقعی برای تشخیص و نگهداری پیش بینی شده است. الگوریتم های Swarm وسایل نقلیه هدایت خودکار (AGVs) را در کارخانه ها هماهنگ می کنند. این برنامه ها ضایعات، عملکرد را کاهش می دهند و خطوط تولید انعطاف پذیر را که سازگار با تغییر سفارشات هستند، فعال می کنند.

سیستم های انرژی و قدرت

تولید برق و توزیع از الگوریتم های الهام گرفته بیولوژیکی برای پیش بینی بار، جریان انرژی بهینه و ادغام انرژی تجدید پذیر استفاده می کند. ذرات ذخیره سازی باتری را اندازه می گیرند و الگوریتم های میکروشبکه را بهینه سازی می کنند.

چالش ها و محدودیت ها

علی رغم وعده های آنها، الگوریتم های الهام گرفته از بیولوژیکی چالش های موجود را دارند و ممکن است همگرایی را در یک زمان محدود تضمین نکنند. (به عنوان مثال، اندازه جمعیت، نرخ جهش) یک هنر است.هزینه محاسباتی می تواند برای کنترل زمان واقعی، به ویژه با جمعیت بزرگ یا شبکه های عصبی عمیق بالا باشد.

محدودیت دیگر عدم شفافیت شبکه های عصبی است، به طور خاص به عنوان جعبه های سیاه عمل می کنند و توضیح تصمیمات آنها دشوار است.این می تواند برای صدور گواهینامه در زمینه های حمل و نقل هوایی، پزشکی یا رانندگی مستقل مشکل ساز باشد.تحقیقات در مورد هوش مصنوعی قابل توضیح و رویکردهای هیبریدی که کنترل کلاسیک را با عناصر الهام بخش زیستی ترکیب می کنند، با هدف رسیدگی به این مسائل.

مسیر های آینده

این روند به سمت الگوریتم های هیبریدی است که نقاط قوت الهامات بیولوژیکی چندگانه را ادغام می کند.برای مثال، ترکیب شبکه های عصبی با الگوریتم های ژنتیکی باعث ایجاد کنترل های عصبی در حال تحول می شود که هر دو ساختار و وزن را سازگار می کنند، یک مسیر دیگر سخت افزار عصبی است که شبکه های عصبی را به طور مستقیم در مدارهای آنالوگ پیاده سازی می کند، کاهش تأخیر و مصرف برق برای کنترل زمان واقعی. Swarm رباتیک احتمالاً استفاده از فاجعه و انعطاف پذیری محیطی را افزایش می دهد.

الهام بیولوژیکی همچنین به مواد و محرک ها گسترش می یابد. محققان در حال توسعه الگوریتم های کنترل برای رباتیک نرم الهام گرفته از پویایی عضلانی و locomotion در حیوانات هستند. همگرایی محاسبات لبه و الگوریتم های الهام گرفته از بیولوژیکی کنترل هوشمند در سطح سنسور را فعال می کند.در نهایت، یادگیری تقویت (خود الهام گرفته از یادگیری حیوانات) با هوش انبوه ادغام می شود تا چارچوب های یادگیری توزیع شده را ایجاد کند.

نتیجه گیری

الگوریتم های الهام گرفته از بیولوژیکی به راه حل های کنترل مدرن تبدیل شده اند.با قرض دادن استراتژی از تکامل، رفتار جمعی و پردازش عصبی، مهندسان سیستم هایی را ایجاد می کنند که قابل انطباق تر، قوی تر و کارآمد هستند.این الگوریتم ها محدودیت های کنترل کلاسیک در دنیای واقعی، محیط های نامشخص را حل می کنند.