Návrhové optimalizace mechatronických sostav

Design Optimization of Mechatronic systems

kapitola v knize

en

Mechatronic conceptions are most frequently characterized as synergistic conjunction of the mechanics, electrotechnics and computer science. Computer science as a platform of the realization of control algorithms especially increasingly runs the soft computing algorithms. Soft computing differs from conventional (hard) computing in the basic principle: it exploits the tolerance for imprecision, uncertainty and partial truth to achieve tractability, robustness and low solution cost. The most important components of soft computing are fuzzy logic, neural network theory, probabilistic reasoning, genetic algorithm, chaos theory and parts of machine learning theory. Fundamental issue is that the principal contributions of cited components are complementary, not competitive (leading on hybrid systems creation, etc.). The survey of the most interesting ideas of learning used in soft computing is introduced in this contribution.

Mechatronické koncepce jsou nejčastěji charakterizovány jako synergická kombinace mechaniky, elektrotechniky a informatiky. Informatika jako platforma realizace algoritmů řízení stále více využívá algoritmů měkkých výpočtů. Měkké výpočty se zásadně liší od konvenčních výpočtů: využívají tolerance nepřesností, neurčitostí, částečné shody tak, aby bylo dosaženo tvárnosti, robustnosti a nízkých nákladů na řešení. Nejvýznamnějšími prvky soft computing je fuzzy logika, teorie neuronových sítí, pravděpodobnostní usuzování, genetické algoritmy, teorie chaosu a části teorie strojového učení. Stěžejním bodem je, že příspěvky uvedených prvků jsou doplňující, nikoliv konkurenční (vedoucí na hybridní systémy, atd.). V příspěvku je uvedeno resumé nejzajímavějších myšlenek učení použitých v soft computingu.

Mechatronic conceptions are most frequently characterized as synergistic conjunction of the mechanics, electrotechnics and computer science. Computer science as a platform of the realization of control algorithms especially increasingly runs the soft computing algorithms. Soft computing differs from conventional (hard) computing in the basic principle: it exploits the tolerance for imprecision, uncertainty and partial truth to achieve tractability, robustness and low solution cost. The most important components of soft computing are fuzzy logic, neural network theory, probabilistic reasoning, genetic algorithm, chaos theory and parts of machine learning theory. Fundamental issue is that the principal contributions of cited components are complementary, not competitive (leading on hybrid systems creation, etc.). The survey of the most interesting ideas of learning used in soft computing is introduced in this contribution.

aloritmus řízení, Q-učení, neuronová síť

control algorithm, Q-learning, neural network

2007

01.11.2007

CRC Press LLC

Florida, USA

978-0-8493-9257-3

The Mechatronics Handbook

2

14