Ewolucyjna wielokryterialna optymalizacja obserwatorów detekcyjnych

• Autorzy: Kowalczuk Z. , Białaszewski T.

Warianty tytułu

EN

Evolutionary multi-objective optimization of detection observers

• Języki publikacji: PL

Abstrakty

PL

W pracy omawiane są możliwości wykorzystania algorytmów ewolucyjnych, opartych na niszowaniu oraz rodzajnikowaniu genetycznym (przypisywaniu rodzajnika), do poszukiwania optymalnych rozwiązań inżynierskich zadań wielokryterialnej optymalizacji. W tego rodzaju obliczeniach skutecznie wykorzystuje się koncepcję Pareto-optymalności oraz rangowania (przypisywania rangi). Realizowany ranking pozwala na uniknięcie arbitralnego ważenia celów kryterialnych (kosztów lub zysków). Zamiast tego, dokonuje się użytecznej klasyfikacji rozwiązań, która bardziej obiektywnie uwzględnia poszczególne kryteria. Jako przykład ilustrujący skuteczność proponowanego podejścia przedstawia się metodologię konstruowania liniowych obserwatorów stanu wykorzystywanych w układach detekcyjnych. Szczególną implementację tego podejścia stanowi projekt systemu diagnostyki bezzałogowego samolotu oraz układu napędowego jednostki pływającej.

EN

In this paper the concept of evolutionary searching using mechanisms of genetic gendering and niching is used for solving engineering multi-objective optimization tasks. In such types of evolutionary computation (EC) the ideas of Pareto optimality and ranking are effectively utilized. Within the ranking approach we avoid arbitrary weighting of optimisation objectives (costs or gains). Instead, a useful classification of the solutions is performed that takes into account particular objectives more appropriately. In order to illustrate the applicability of the proposed variants of EC, we consider the issue of designing detection observers, which serve as a principal element in procedures of detecting faults, which may occur in exemplarily objects, like an unmanned plane and a ship propulsion system.

Słowa kluczowe

PL

diagnostyka; obserwatory detekcyjne; optymalizacja wielokryterialna; algorytmy genetyczne

EN

diagnosis; detection observers; multi-objective optimization; genetic algorithms

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2008
• Tom: nr 1(45)
• Strony: 35--41
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Kowalczuk Z.

autor

Białaszewski T.

• Politechnika Gdańska, Wydział Elektroniki Telekomunikacji i Informatyki, ul. Narutowicza 11/12, 80-952 Gdańsk,

Bibliografia

• [1] Goldberg D. E.: Genetic Algorithms in Search, Optimisation and Machine Learning. Addison-Wesley, Reading 1989.
• [2] Chen J., Patton R. J., Liu G.: Optimal residual design for fault diagnosis using multi-objective optimisation and genetic algorithms, International Journal of Systems Science, 1996, vol. 27, pp. 567-576.
• [3] Kowalczuk Z., Białaszewski T.: Evolutionary multi-objective optimisation with genetic sex recognition. 7th IEEE Intern. Conf. MMAR, Międzyzdroje, 2001, pp. 143-149.
• [4] Kowalczuk Z., Białaszewski T.: Algorytmy genetyczne w wielokryterialnej optymalizacji obserwatorów detekcyjnych. W: Diagnostyka Procesów: Modele, Metody Sztucznej Inteligencji, Zastosowania [Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Red.)], WNT, Warszawa 2002, ss. 465-511.
• [5] Kowalczuk Z., Białaszewski T.: Multi-gender genetic optimization of diagnostic observers, Proceedings of the IFAC Workshop Control Applications of Optimisation, 2003, Visegrad, Hungary, pp. 15-20.
• [6] Kowalczuk Z., Białaszewski T.: Periodic and continuous niching in genetic optimization of detection observers, Proc. of the 10th IEEE Int. Conf. MMAR, 2004, Międzyzdroje, Poland, vol. 1, pp. 781-786.
• [7] Kowalczuk Z., Białaszewski T.: Improving evolutionary multi-objective optimisation by nichning. Int. J. Information Technology and Intelligent Computing, Vol. 1, no. 2, 2006.
• [8] Kowalczuk Z., Białaszewski T.: Improving evolutionary multi-objective optimisation using genders. Artificial Intelligence and Soft Computing. Lecture Notes in Artificial Intelligence, Vol. 4029, Springer-Verlag, Berlin, 2006, pp. 390-399.
• [9] Kowalczuk Z., Suchomski P., Białaszewski T.: Evolutionary multiobjective Pareto optimisation of diagnostic state observers. Int. J. Applied Math. and Computer Science, 1999, vol. 9, no. 3, pp. 689-709.
• [10] Patton R. J., Frank P. M., Clark R. N.: Fault Diagnosis in Dynamic Systems, Theory and Application. In: Control Engineering Series, Prentice Hall, New York 1989.
• [11] Man K. S., Tang K. S., Kwong S., Lang W. H.: Genetic algorithms for control and signal processing. Springer-Verlag, London 1997.
• [12] Michalewicz Z.: Genetic Algorithms + Data Structures=Evolution Programms. Springer-Verlag, New York 1996.