Символьное машинное обучение квазиоптимального управления коллаборативной многоагентной робототехнической системой

В статье представлены новые результаты применения методов символьного машинного обучения для автоматизации разработки системы управления применительно к коллаборативной многоагентной системе. Предложена оригинальная математическая постановка задачи оптимального управления коллаборативной многоагентной системой, где коллаборативность подразумевает совместную деятельность роботов и людей в едином сложном фазовом пространстве для достижения цели управления с оптимальным значением заданного критерия качества. В представленной формулировке предлагается рассматривать роль человека в виде фазовых ограничений с неопределенностью и дополнительного вектора управления, с помощью которого уменьшается влияние этих фазовых ограничений в терминах минимизации функционала. Решением задачи является многомерная функция управления, которая переводит технический объект, группу мобильных роботов, в целевое состояние с учетом возможных неопределенностей в состоянии объекта, при этом минимизируя заданный критерий качества процесса. Задача состоит в автоматическом нахождении как оптимальной структуры, так и параметров функции управления. Такая общая постановка задачи управления не может быть решена напрямую существующими аналитическими методами из-за сложности и требует большого ручного труда по выбору соответствующих регуляторов и оптимальной настройке их параметров. В статье предлагается подход, основанный на символьном машинном обучении с помощью символьной регрессии и эволюционной оптимизации для решения такой обобщенно поставленной задачи. Эффективность подхода продемонстрирована численными экспериментами. Приведен пример задачи оптимального управления для трех мобильных роботов с двумя управляемыми фазовыми ограничениями. Прикладная задача рассматривается в общей математической постановке, что позволяет использовать универсальные методы символьного машинного обучения для автоматического поиска решения.