Hierarchical control sistemleri modern otomasyonun arka kemiği oluşturur, üretim, robotik, enerji şebekeleri ve ötesinde karmaşık süreçleri yönetmek için yapılandırılmış bir yaklaşım sağlar. Bu sistemler dekompoze karar verme birden çok katmanlara, her biri farklı sorumluluklarla - üst düzey stratejik planlamadan düşük seviyeli gerçek zamanlı eylemde bu meydan okuma için.Her bir katmanın kısıtlamalarına saygı göstermek için bu tür sistemlere saygı göstermek, daha tutarlı bir zorluktır.
Bi level Optimizasyonu Anlamak
Bi level optimizasyonu, bir optimizasyon probleminin ( üst düzey) başka bir optimizasyon problemini (daha düşük seviyede) kısıtlayıcı olarak ele aldığı matematiksel programlamanın bir parçasıdır. Üst düzey karar verici bir strateji seçer, daha düşük seviyeli oyuncunun kendi optimizasyon problemini çözeceğini kabul eder.Bu yapı doğal olarak lider-takip dinamikleri, Stackelberg oyunlarını ve multi seviyeli karar süreçlerini yakalar.
Formally, standart bir sersem problem olarak ifade edilebilir:
Üst düzey: G (x, y)'ye (x, y) konu, y'nin alt düzey problemin en iyi çözümü: f(x, y) g(x, y) ≤ 0.
Burada, x üst düzey değişkenleri temsil eder (örneğin, stratejik hedefler veya tasarım parametreleri), ve y daha düşük seviyeli değişkenler (örneğin, operasyonel ayar noktaları). daha düşük seviyeli problem x'e bağlıdır, doğal olarak nonconvex ve genellikle NP-hard. Common types iyimser vs. karamistik bir sersem formülasyonlar ve tek-der-single-follower vs. multi-follower modları içerir.
Hierarchical Control Systems: Bir Yapısal Genel Bakış
Hierarchical control sistemleri, genellikle üç: stratejik (uzun vadeli), valf ayarlamaları veya motor hızları gibi taktiksel (kıtlı) hedefler veya enerji programları gibi, temel olarak, stratejik kararlar, üretim hedefleri veya enerji programları olarak, tüm diğer düzeylerdeki kısıtlamalar ve kısıtlamalarla tutarlı olmalıdır.
Örneğin, bir hiyerarşik kontrol sistemi, üstteki bir işletme kaynağı planlaması (ERP) sistemine sahip olabilir ve bir termostat kontrol yasasını uygular. Bi optimizasyon seviyesi, bu katmanlar boyunca ortak bir şekilde optimize etme yolunda sağlar.
Hierarchical Control Design
Ana fikir, bir orta problem olarak tüm hiyerarşiyi tedavi etmektir. Üst seviye daha yavaş, stratejik katmanu temsil eder, daha hızlı, operasyonel katman yakalarken. üst düzey hedef, toplam enerji tüketimini en aza indirmek veya maliyetleri azaltmak olabilir.
Bu formülasyon hesapları, daha düşük seviyeli kontrolörlerin kendi yerel hedeflerini optimize etmeleridir (örneğin, bir set noktası veya minim hatası takip edin). Üst düzey modele en uygun cevabı vererek, tasarımcılar sistem davranışını daha doğru tahmin edebilir ve her katmanı bağımsız olarak tedavi etmeye karar verecek altoptimal çözümlerinden kaçınabilirler.
Üretimde Uygulama: Üretim Planlama ve Scheduling
Üst düzey kararların her ürün hattı için haftalık üretim hedeflerini belirlediği bir fabrika düşünün, daha düşük seviyeli programlar makine kullanımı ve işçi değişimleri. üst düzey kârı en düşük seviyeli programcı, bu hedeflerin minimum zaman maliyeti ile buluşmaya çalışır. / Gecikme optimizasyonu olmadan, planlayıcılar aşırı zaman veya infeasible schedules.
Enerji Yönetiminde Uygulama: Mikrogrid Kontrol
Yenilenebilir nesil, depolama ve kontrol edilebilir yükler ile bir mikrogridde üst düzey kontrol cihazı, 24 saat boyunca bir güç gönderme programı düzenler, işletim maliyeti ve batarya bozulmalarını önler ve yenilenebilir entegrasyonları sağlar.Döneticiler, gerçek zamanlı olarak çalışır, yükleme noktaları ve limitler içinde frekansı korumak için koyar. Bigrid optimizasyonu burada, sevk edilen kontrol cihazlarının dinamik yanıt yeteneklerinin% 10-15 oranında azaltılabilmesini sağlar.
Robotikte Uygulama: Multi-Robot Koordinasyon
Özerk mobil robotlar filosu için, üst düzey planlayıcılar, her robotun yerel kontrolörü, çarpışmalardan kaçınmak ve enerjiden en aza indirmek için kendi yolunu ve hızını planlarken, planlayıcının robotların nasıl kararlarına tepki vereceğini tahmin etmelerine olanak sağlar, küresel olarak verimli bir koordinasyona yol açar.Bu yaklaşımları azaltır. ”
Bi level Optimizasyonun Anahtar Faydaları
Kaerarşik kontrol tasarımındaki safran optimizasyonunun benimsenmesi birkaç farklı avantaj getiriyor:
- [FONT:0]Gelişmiş Koordinasyon: [Dönetici:0) Daha düşük seviyeli yanıtın açıkça modellenmesiyle, orta sınıf sınıflardaki kararların sınıflandırılması, çatışmaların ve verimsizliğin azaltılması.
- [FONT:0)Enhanced Verimliliği: [Dönetici: [Dönetici: Kaynak tahsisi, makine zamanından batarya enerjisine kadar, daha kesin hale gelir, çünkü üst düzey optimize edici kararlarının gerçek maliyetini görür.
- [FONT:0]Flexability and Robustness:) Bi level formülasyonlar her seviyede belirsizlik içerebilir - örneğin, safravel stochastic programlama veya sağlam optimizasyon kullanarak - kontrol sistemi rahatsızlıklara karşı dirençli hale getirir.
- [FONT=0) Büyük Sistemlere Uygunluk:[Dönetici:[Dönetici:0)Demokratlı yoğun olsa da, orta ölçekli modeller doğal olarak paralel algoritmaları veya yakınlıkları çözebilecek altüste eder.
Meydanlar ve Current Research Yol
C ⁇ Kompleksiity
Bi level problemler doğal olarak zordur. Nested yapısı, nonconvex, nonsmooth'a yol açar ve bazen son derece objektif işlevleri durdurur. Gerçek zamanlı kontrol için büyük ölçekli orta boy orta boy problemleri hala açık bir meydan okumadır. Araştırmacılar baş başa çıkmak için birkaç strateji geliştirdiler:
- [FONT=0]KKT koşullarını kullanarak genelleme: Karush-Kuhn-Tucker koşulları, tek seviyeli matematiksel bir programda denge kısıtlamaları ile ortaya çıkıyor (MPEC).
- [FONT:0]Evolutionary algoritmaları:[Dönetici:[Dönetici:0)[Dönetici algoritmaları ve parçacık bataklığı optimizasyonu gibi Metaheuristics, yakınlık garantileri olmasa da, eşitsizlikleri ele geçirebilir.
- [FONT:0)Gradient tabanlı yöntemler: Daha düşük seviyeli problem aracılığıyla, iklim (örneğin, ikrişim işlevi ile) özellikle de makine öğrenme bağlamları için verimli bir yüksek lisanslama sağlar.
Gerçek Zaman Uygulama
Birçok hiyerarşik kontrol sistemleri saniye veya milisaniyelerde karar güncellemelerini gerektirir. Her seferinde bir aydan itibaren bir aylik problemin çizilmesi dayanılmazdır. Son çalışma keşfedin:
- [FONT:0)Learning-based Nearimations:) Eğitim sinir ağları, en uygun kararlara ölçümden gelen orta çözüm haritasını yaklaşık olarak tahmin etmek için.
- [FONT:0)Warm-starting ve güven-bölge yöntemleri:[[Dönetici 1] Önceki çözümleri ve yerel modelleri bir araya getirmek için yeniden kullanın.
- [FONT:0)Distributed Ufukvel Optimizasyonu): Çözümü paralelleştirmek için problemin çözümüne bölünmesi.
Data Integration and Uncertainty
Hierarchical sistemleri genellikle sensörler ve tahminlerden gerçek zamanlı verilere dayanır. Bi level modeller talep, yenilenebilir nesil veya sistem dinamikleri konusunda belirsizlik içermeli. Robust ve stochastic Ufuk optimizasyon aktif araştırma alanlarıdır. Örneğin, sağlam bir ortalık formülasyonu, daha düşük seviyeli tüm belirsizliklerin önceden tanımlanmış bir set içinde gerçekleşmesini sağlar.
Future Yol
Makine öğrenimi ile ortalık optimizasyonun kesişimleri özellikle umut vericidir.ETHFLT:0)Bit-to-end Ufuk öğrenme[[Dönetici 1), daha düşük seviyeli bir probleme, bir sinir ağındaki farklı bir tabaka olarak davranır, kontrol ve planlayıcıların ortak optimizasyonuna izin verir.
Başka bir sınır:0) Aylık optimizasyonu[Dönetici sistemler için kullanılmaktadır. Büyük ölçekli hiyerarşik kontrolde - binlerce ev -merkezli orta ölçekli orta ölçekli boşluk modelleri, yerel bir ortalık çözümlerini konsensül veya değiştirme yöntemiyle koordine eden Dağıtılmış algoritmaları (ADMM) traksiyon kazanıyor.
Son olarak, RAM:0)a Adaptasyonlu Ayvel kontrolü[Dönetici: 1) Her iki üst ve daha düşük modeli online akış verileri kullanarak yayınlayan bağımsız sistemler için kritik olacaktır. Hybrid architectures Combumental optimizasyon ile geri dönüşüm kontrolü döngüler bir sonraki nesil robotik filolar ve endüstriyel otomasyon platformlarında ortaya çıkması bekleniyor.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Bi level optimizasyonu, koordinatör, verimli ve sağlam olan hiyerarşik kontrol sistemlerini tasarlamak için titiz ve etkili bir çerçeve sağlar.Stratejik ve operasyonel katmanlar arasındaki etkileşimle, geleneksel öznel veya çiftleştirilmiş yaklaşımlardan daha iyi kararlar verir. Özellikle de büyük ölçekli uygulamalar için - algoritmaların gerçek zamanlı ve büyük ölçekli uygulamalar için - bilgisayar öğrenme, makine öğrenimi ve dağıtılmış hesaplamalar sürekli olarak daha fazla otomasyon ve özerkliğe doğru ilerlerken, Ufuk optimizasyonun kontrol ve otonomine doğru bir bileşeni haline gelecektir.