The BOXES Methodology: Black Box Dynamic Control

مکانیسم‌های کنترل قوی معمولاً به دانش معادلات توصیفی سیستم نیاز دارند که ممکن است از نوع دیفرانسیل مرتبه بالا باشند. به منظور تولید این معادلات، مدل‌های ریاضی اغلب می‌توانند مشتق شده و با رفتار دینامیکی اندازه‌گیری شده مرتبط شوند. دو نقص در این رویکرد وجود دارد، یکی سطح عدم دقت ارائه شده توسط خطی‌سازی‌ها و دیگری زمانی که هیچ مدلی آشکار نیست. چندین سال پیش ژانر جدیدی از سیستم‌های کنترل ظاهر شد که بسیار کمتر به مدل‌های دیفرانسیل مانند منطق فازی و الگوریتم‌های ژنتیک وابسته هستند. هر دوی این راه‌حل‌های محاسباتی نرم به دانش سیستم پیشینی کاملاً قابل‌توجهی برای ایجاد یک طرح کنترل و گاهی اوقات برنامه آموزشی پیچیده قبل از اینکه بتوانند در یک سیستم دینامیک دنیای واقعی پیاده‌سازی شوند، نیاز دارند.

روش‌شناسی BOXES میچی و چمبرز ایجاد کرد. سیستم جعبه سیاه که برای کنترل یک سیستم مکانیکی ناپایدار با دانش پیشینی سیستم، خطی سازی یا تقریب بسیار کمی طراحی شده است. تمام روش مورد نیاز مفهومی از مقادیر حداکثر و حداقل برای متغیرهای حالت و مجموعه ای از مرزها بود که هر متغیر را به یک عدد حالت صحیح تقسیم می کرد. روش BOXES این روش را برای انواع سیستم‌ها از جمله سیستم‌های دینامیکی پیوسته و پر هرج و مرج اعمال می‌کند، و در مورد چگونگی ایجاد یک روش کنترل عمومی که خود سازماندهی و تطبیقی ​​است که با کمک آموزش می‌آموزد، بحث می‌کند. نزدیک ایالت های همسایه

روش BOXES دانشجویان در مقاطع کارشناسی و کارشناسی ارشد را با کنترل سیستم دینامیک جعبه سیاه آشنا می‌کند و به اساتید امکان دسترسی به مطالب پیش‌زمینه را می‌دهد که می‌تواند در دوره‌های آموزشی آنها برای حمایت از دانشجو استفاده شود. ارائه تحقیق و کلاس درس در سیستم‌های کنترل جدید و کاربردهای بی‌درنگ هوش مصنوعی. هنگامی که معادلات یک سیستم دشوار یا ناشناخته است، به طراحان روش جدیدی برای بهینه سازی و طراحی کنترل کننده ارائه می شود. به محققان علاقه‌مند به تحقیقات و مدل‌های مغزی هوش مصنوعی (AI) و متخصصان دیگر حوزه‌های زیست‌شناسی و فناوری، بینشی در مورد اینکه چگونه نرم‌افزار هوش مصنوعی می‌تواند برای کار در زمان واقعی نوشته و سازگار شود، داده می‌شود.

Robust control mechanisms customarily require knowledge of the system’s describing equations which may be of the high order differential type. In order to produce these equations, mathematical models can often be derived and correlated with measured dynamic behavior. There are two flaws in this approach one is the level of inexactness introduced by linearizations and the other when no model is apparent. Several years ago a new genre of control systems came to light that are much less dependent on differential models such as fuzzy logic and genetic algorithms. Both of these soft computing solutions require quite considerable a priori system knowledge to create a control scheme and sometimes complicated training program before they can be implemented in a real world dynamic system.

Michie and Chambers’ BOXES methodology created a black box system that was designed to control a mechanically unstable system with very little a priori system knowledge, linearization or approximation. All the method needed was some notion of maximum and minimum values for the state variables and a set of boundaries that divided each variable into an integer state number. The BOXES Methodology applies the method to a variety of systems including continuous and chaotic dynamic systems, and discusses how it may be possible to create a generic control method that is self organizing and adaptive that learns with the assistance of near neighbouring states.

The BOXES Methodology introduces students at the undergraduate and master’s level to black box dynamic system control , and gives lecturers access to background materials that can be used in their courses in support of student research and classroom presentations in novel control systems and real-time applications of artificial intelligence. Designers are provided with a novel method of optimization and controller design when the equations of a system are difficult or unknown. Researchers interested in artificial intelligence (AI) research and models of the brain and practitioners from other areas of biology and technology are given an insight into how AI software can be written and adapted to operate in real-time.