CN105807612A - 一种基于目标体系的控制策略评估方法 - Google Patents

一种基于目标体系的控制策略评估方法 Download PDF

Info

Publication number
CN105807612A
CN105807612A CN201610130218.8A CN201610130218A CN105807612A CN 105807612 A CN105807612 A CN 105807612A CN 201610130218 A CN201610130218 A CN 201610130218A CN 105807612 A CN105807612 A CN 105807612A
Authority
CN
China
Prior art keywords
layer
node
control strategy
state
physical object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610130218.8A
Other languages
English (en)
Inventor
么健石
任传伦
俞赛赛
郭世泽
陈衍铃
张先国
谭震
刘文瀚
贾佳
张贤骥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No54 Inst Headquarters Of General Staff P L A
CETC 15 Research Institute
Original Assignee
No54 Inst Headquarters Of General Staff P L A
CETC 15 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by No54 Inst Headquarters Of General Staff P L A, CETC 15 Research Institute filed Critical No54 Inst Headquarters Of General Staff P L A
Priority to CN201610130218.8A priority Critical patent/CN105807612A/zh
Publication of CN105807612A publication Critical patent/CN105807612A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于目标体系的控制策略评估方法,具体为:建立关于目标体系的三层模型,包括T层、P层和S层:其中T层为虚拟目标节点,所述虚拟目标节点由目标体系中的多个实体目标节点组成;P层为组成T层虚拟目标节点的所有实体目标节点;S层为P层每一个实体目标节点的状态空间,所述状态空间用来描述当输入控制序列时,实体目标节点受到影响的评估;建立S层状态空间的控制策略模型,然后建立P层节点的控制策略影响模型,最后建立T层节点的控制策略评估模型,采用所述控制策略评估模型进行控制序列的评估。该方法能够进行目标体系的构建、目标体系状态变化的计算、目标受影响程度和目标产生影响程度的定量评定。

Description

一种基于目标体系的控制策略评估方法
技术领域
本发明属于目标控制技术领域,具体涉及一种基于目标体系的控制策略评估方法。
背景技术
目标体系的控制策略设计与评估,围绕目标体系脆弱性信息,运用控制理论中通过反馈对系统闭环控制的方法来构建。通过在一定的时间和空间范围内,对目标实体属性变化规律、目标实体体系变化规律和实体之间联接关系进行动态评估。控制过程中围绕着目标体系状态变化,利用获取的目标体系脆弱性信息不断调整和实施控制与反控制行为。
发明内容
有鉴于此,本发明提供了一种基于目标体系的控制策略评估,能够进行目标体系的构建、目标体系状态变化的计算、目标受影响程度和目标产生影响程度的定量评定,为制定相应的控制策略提供指导作用。
为了达到上述目的,本发明的技术方案为:一种基于目标体系的控制策略评估方法,包括如下步骤:
步骤一、建立关于目标体系的三层模型,包括T层、P层和S层:
其中T层为虚拟目标节点,所述虚拟目标节点由目标体系中的多个实体目标节点组成。
P层为组成T层虚拟目标节点的所有实体目标节点。
S层为P层每一个实体目标节点的状态空间,所述状态空间用来描述当输入控制序列时,实体目标节点受到影响的评估。
步骤二、建立S层状态空间的控制策略模型,具体过程为:
对于P层的实体目标节点Pi,Pi的S层状态空间Si包括k个状态s1~sk:Si={s1,s2,…,sk}。
其中s1为初始状态,表示该节点完好,其余状态sj表示该节点受到的控制影响之后的状态。
其中控制序列A中有m种不同的控制策略a1~am,记为:A={a1,a2,…,am}
S层状态空间的控制策略模型为Sout=aControl_S(Pi,sin,aj)。
aControl_S为状态函数,该状态函数的含义为:实体目标节点Pi处于状态Sin∈S时,输入控制策略aj,Pi的状态变为Sout∈S;j∈[1,m]。
步骤三、建立P层节点的控制策略影响模型,具体为:
步骤301、P层包括n个实体目标节点记为{P1,P2,…,Pn},对于节点Pi,当前控制策略为aj时,依据所述S层状态空间的控制策略模型,计算当前节点Pi所处的状态,然后根据状态,采用网络层次分析法计算Pi受到的直接影响数值af(Pi)。
步骤301、P层中与Pi相连的实体目标节点Pk受到的间接影响数值为afj(Pk)=af(Pi)×mik;其中mik为针对控制策略aj的节点Pi与Pk间相互影响系数;
步骤四、建立T层节点的控制策略评估模型,具体为:
在控制策略aj下,针对同一个实体目标节点,将其直接影响数值和间接影响数值的加权求和,获得针对同一实体目标节点的总影响数值,然后计算T层虚拟目标节点中所有实体目标节点的总影响数值之和即为该控制策略aj针对该T层虚拟目标节点的影响数值。
步骤五、采用所述控制策略评估模型进行控制序列的评估:
当针对P层的一个固定节点节点Pk进行控制序列的评估时,则采用所述控制策略评估模型,若所述控制序列所有控制策略针对节点Pk所属T层虚拟目标节点的影响数值相加最大,则该控制序列为最优。
当针对不固定的P层节点进行控制序列的评估时,则采用所述控制策略评估模型,若所述控制序列中所有控制策略针对节点Pk所属T层虚拟目标节点的影响数值相加在所有实体目标节点中最大,则该控制序列为最优。
有益效果:
1、本发明所提出的评估方法,其中的TPS三层模型从三个不同的层面分析和评估控制策略对目标的影响,该模型能很好反映由状态空间受到的影响导致实体目标节点受到的影响;同时由于很多实体目标节点的影响导致整个虚拟节点受到的控制影响。
所建立的S层状态空间控制策略模型对于不同的Pi节点有对应的状态空间Si,每个状态空间可以不一样,包含的状态个数也可以不一样,每个状态表示节点受到的影响也不一样。
所建立的P层节点控制策略影响模型,每个节点Pi受到的控制影响主要包括两部分,一个部分是节点Pi受到的直接控制影响,另一个部分是Pi节点受到与其相连接的节点受到的间接控制影响。
2、本发明的评估方法所设计的控制序列使得T层节点受到影响最大化,同时从固定节点和非固定节点两个方面进行控制策略的设计,使得目标节点受到的控制影响最大化。
附图说明
图1为TPS三层模型的框架图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明所提出的基于目标体系的控制策略评估方法,其具体原理架构如图1所示,包括如下流程:
步骤一、建立目标体系的三层模型,包括T层、P层和S层TPS模型,其中:
T层表示虚拟的目标节点,该目标节点由多个实体的目标节点形成,T层的目标节点可以看作是多个实体节点共同组成的虚拟目标节点。
P层表示T层虚拟目标节点下的所有接入节点,即组成虚拟目标节点的所有实体目标节点。
S层表示P层每一个实体目标节点的状态空间,该状态空间用来描述当输入控制序列时,P层实体目标节点受到影响的评估。
本实施例所提出的TPS模型从三个不同的层面分析和评估控制策略对目标的影响,该模型能很好反映由状态空间受到的影响导致实体目标节点受到的影响;同时由于很多实体目标节点的影响导致整个虚拟节点受到的控制影响。
所建立的S层状态空间控制策略模型对于不同的Pi节点有对应的状态空间Si,每个状态空间可以不一样,包含的状态个数也可以不一样,每个状态表示节点受到的影响也不一样。
所建立的P层节点控制策略影响模型,每个节点Pi受到的控制影响主要包括两部分,一个部分是节点Pi受到的直接控制影响,另一个部分是Pi节点受到与其相连接的节点受到的间接控制影响。
步骤二、建立S层状态空间的控制策略模型,包括:
对于某一个P层节点Pi,假设该节点的S层状态空间(记为Si)包括k个状态:
Si={s1,s2,…,sk}
其中s1为初始状态,表示该节点完好,其余节点sj表示受到的控制影响,比如目标局部发生状态改变、目标整体发生状态改变等。
2.1假定有m种不同的控制策略,记为:
A={a1,a2,…,am}
其中控制策略aj表示不同的控制类型。
2.2假定节点Pi处于任何一个状态Sin∈S,当输入控制策略aj时,该节点的状态变为Sout∈S,记该过程为函数:
Sout=aControl_S(Pi,sin,aj)
其中Pi表示受到控制影响的P层节点,Sin∈S表示受到aj控制之前该节点在状态空间S层所处的状态,Sout∈S表示控制实施后的状态,该控制作用记做函数aControl_S。
步骤三、建立P层节点的控制策略影响模型,包括:
步骤301、假设P层包括n个实体节点记为{P1,P2,…,Pn},对于节点Pi,假
设控制策略为aj,通过S层状态空间的控制策略模型建立,计算当前节点所处的状态,然后根据状态计算节点受到的影响数值,记为函数:
af(Pi)=affect(Pi,aj)∈[0,1]
步骤302、P层的各个节点之间互相连接,当节点Pi受到控制以后的影响数值是af(Pi),和Pi节点相连的其他节点也会受到影响,对于不同的控制策略aj,记对应的节点间相互影响矩阵为假设节点Pk和节点Pi相连(直接和间接相连都适用该公式),该节点受到的影响记为:
af(Pk)=af(Pi)×mik
其中mik∈Mj为该矩阵中的元素。
建立T层节点的控制策略评估模型,根据P层所有节点受到的控制影响,设计加权相加函数af(T)=f(P1,P2,…,Pn)表示该虚拟节点受到控制后的影响,也即受到控制后该虚拟节点所处于的完整状态。
根据上述控制策略评估模型的建立,设计不同类型的控制策略使得目标受到的控制影响最大化,包括:(固定一个节点作为目标进行控制,)
固定P层某节点Pi的最优化控制策略设计,目标是使得T层的虚拟节点受到的影响最大。对于固定P层某节点,主要考虑从该节点的状态空间S出发,设计控制序列使得该节点受到影响af(Pi),同时该影响会对周围相连接的节点造成影响,如(3.2),然后利用(4)中定义的T层虚拟节点的影响函数,使得该函数最大化。
对于不固定节点的估计,最优化控制策略的设计,使得T层的虚拟节点受到的影响最大。考虑所有P层节点的状态空间,设计控制序列使得各节点受到影响,且该影响会对相连接节点造成的一定的影响,如(3.2),然后利用(4)中定义的T层虚拟节点的影响函数,使得该函数最大化。
综上,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于目标体系的控制策略评估方法,其特征在于,包括如下步骤:
步骤一、建立关于目标体系的三层模型,包括T层、P层和S层:
其中T层为虚拟目标节点,所述虚拟目标节点由目标体系中的多个实体目标节点组成;
P层为组成T层虚拟目标节点的所有实体目标节点;
S层为P层每一个实体目标节点的状态空间,所述状态空间用来描述当输入控制序列时,实体目标节点受到影响的评估;
步骤二、建立S层状态空间的控制策略模型,具体过程为:
对于P层的实体目标节点Pi,Pi的S层状态空间Si包括k个状态s1~sk:Si={s1,s2,…,sk}
其中s1为初始状态,表示该节点完好,其余状态sj表示该节点受到的控制影响之后的状态;
其中控制序列A中有m种不同的控制策略a1~am,记为:A={a1,a2,…,am}
S层状态空间的控制策略模型为Sout=aControl_S(Pi,sin,aj)
aControl_S为状态函数,该状态函数的含义为:实体目标节点Pi处于状态Sin∈S时,输入控制策略aj,Pi的状态变为Sout∈S;j∈[1,m];
步骤三、建立P层节点的控制策略影响模型,具体为:
步骤301、P层包括n个实体目标节点记为{P1,P2,…,Pn},对于节点Pi,当前控制策略为aj时,依据所述S层状态空间的控制策略模型,计算当前节点Pi所处的状态,然后根据状态,采用网络层次分析法计算Pi受到的直接影响数值af(Pi);
步骤301、P层中与Pi相连的实体目标节点Pk受到的间接影响数值为afj(Pk)=af(Pi)×mik;其中mik为针对控制策略aj的节点Pi与Pk间相互影响系数;
步骤四、建立T层节点的控制策略评估模型,具体为:
在控制策略aj下,针对同一个实体目标节点,将其直接影响数值和间接影响数值的加权求和,获得针对同一实体目标节点的总影响数值,然后计算T层虚拟目标节点中所有实体目标节点的总影响数值之和即为该控制策略aj针对该T层虚拟目标节点的影响数值;
步骤五、采用所述控制策略评估模型进行控制序列的评估:
当针对P层的一个固定节点节点Pk进行控制序列的评估时,则采用所述控制策略评估模型,若所述控制序列所有控制策略针对节点Pk所属T层虚拟目标节点的影响数值相加最大,则该控制序列为最优;
当针对不固定的P层节点进行控制序列的评估时,则采用所述控制策略评估模型,若所述控制序列中所有控制策略针对节点Pk所属T层虚拟目标节点的影响数值相加在所有实体目标节点中最大,则该控制序列为最优。
CN201610130218.8A 2016-03-08 2016-03-08 一种基于目标体系的控制策略评估方法 Pending CN105807612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610130218.8A CN105807612A (zh) 2016-03-08 2016-03-08 一种基于目标体系的控制策略评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610130218.8A CN105807612A (zh) 2016-03-08 2016-03-08 一种基于目标体系的控制策略评估方法

Publications (1)

Publication Number Publication Date
CN105807612A true CN105807612A (zh) 2016-07-27

Family

ID=56467849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610130218.8A Pending CN105807612A (zh) 2016-03-08 2016-03-08 一种基于目标体系的控制策略评估方法

Country Status (1)

Country Link
CN (1) CN105807612A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090281677A1 (en) * 2008-05-12 2009-11-12 Energy And Power Solutions, Inc. Systems and methods for assessing and optimizing energy use and environmental impact
CN103177299A (zh) * 2011-12-26 2013-06-26 新奥科技发展有限公司 泛能网优化方法和系统
CN104318078A (zh) * 2014-10-10 2015-01-28 中国人民解放军总参谋部第五十四研究所 一种基于图式理论和网络层次分析的目标态势评定方法
CN104809546A (zh) * 2015-03-18 2015-07-29 刘思峰 一种新型多目标智能加权灰靶决策方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090281677A1 (en) * 2008-05-12 2009-11-12 Energy And Power Solutions, Inc. Systems and methods for assessing and optimizing energy use and environmental impact
CN103177299A (zh) * 2011-12-26 2013-06-26 新奥科技发展有限公司 泛能网优化方法和系统
CN104318078A (zh) * 2014-10-10 2015-01-28 中国人民解放军总参谋部第五十四研究所 一种基于图式理论和网络层次分析的目标态势评定方法
CN104809546A (zh) * 2015-03-18 2015-07-29 刘思峰 一种新型多目标智能加权灰靶决策方法

Similar Documents

Publication Publication Date Title
Zhang et al. Advanced orthogonal moth flame optimization with Broyden–Fletcher–Goldfarb–Shanno algorithm: Framework and real-world problems
CN110782011B (zh) 一种基于强化学习的网络化多智能体系统分布式优化控制方法
Veintimilla-Reyes et al. Artificial neural networks applied to flow prediction: a use case for the Tomebamba river
CN108828949A (zh) 一种基于自适应动态规划的分布式最优协同容错控制方法
CN110943983A (zh) 基于安全性态势感知与风险评估的网络安全预防方法
Ouyang et al. A class of parameter estimation methods for nonlinear Muskingum model using hybrid invasive weed optimization algorithm
Maruta et al. Synthesis of fixed-structure robust controllers using a constrained particle swarm optimizer with cyclic neighborhood topology
CN109725537A (zh) 一种改进的线性最优半主动控制方法
CN104734870B (zh) 一种基于元胞自动机的软件故障传播规律发现方法
Noilublao et al. Simultaneous topology, shape, and sizing optimisation of plane trusses with adaptive ground finite elements using MOEAs
Yi et al. Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization
Li et al. Improved genetic algorithm with two-level approximation for truss topology optimization
Li et al. Truss structure optimization based on improved chicken swarm optimization algorithm
Wang et al. An improved firefly algorithm with specific probability and its engineering application
Liu et al. Extreme learning machine based on particle swarm optimization for estimation of reference evapotranspiration
Xu et al. Plasticity inverse analysis for Zipingpu concrete-faced rockfill dam based on advanced cloud surrogate model via improved Jaya optimization algorithm
Li et al. Identification and countermeasures of limiting factors of regional sustainable development: a case study in the Pearl River Delta of China
Du et al. Bipartite time-varying formation group containment control for multi-agent systems based on multi-layer network and semi-signed directed graph
Li et al. Event-triggered optimal Kalman consensus filter with upper bound of error covariance
Liu et al. System reliability-based optimisation for truss structures using genetic algorithm and neural network
CN105807612A (zh) 一种基于目标体系的控制策略评估方法
Li et al. Optimal sensor placement for underground tunnel monitoring via wireless sensor networks
CN106790099A (zh) 基于网络抗毁熵的指控网络抗毁测度方法
Li et al. Research on a forecasting model of wind power based on recurrent neural network with long short-term memory
Tahershamsi et al. Optimization to identify Muskingum model parameters using imperialist competitive algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160727

RJ01 Rejection of invention patent application after publication