Этот документ ориентирован на дальнейший анализ искусственного интеллекта с его различными парадигмами, наиболее актуальными из которых являются нейронные сети, генетические алгоритмы, системы нечеткой логики и программируемые автоматы, с их различными приложениями в повседневной жизни и, в частности, применимыми к решение проблем, связанных с промышленным проектированием.
Считается, что производство в настоящее время может в значительной степени поддерживаться новыми технологиями, такими как искусственный интеллект, либо в качестве поддержки для более эффективного принятия решений, либо в качестве помощи задач, задач, которые требуют большого количества времени или представляют высокая степень опасности для человека.
Ключевые слова: искусственный интеллект, нейронные сети, генетические алгоритмы, системы нечеткой логики, производство.
приложения-оф-искусственного интеллекта в-продакшн-проблемВВЕДЕНИЕ
Искусственный интеллект - это область исследований, в которой разрабатываются алгоритмы для управления вещами, и именно так в 1956 году были созданы основы для функционирования в качестве независимой области вычислений.
Есть много исследований и приложений, которые были достигнуты с развитием этой науки, среди которых у нас есть нейронные сети, применяемые для контроля качества, где сеть оценивает, соответствует ли определенный продукт требуемым спецификациям, контроль химического процесса в степень кислотности, генетические алгоритмы, применяемые к квадратичной задаче распределения производственных мощностей, которая имеет дело с распределением N рабочих мест в M машинах, программируемых автоматах, которые используются для оптимизации производственных систем, короче говоря, еще многое предстоит открыть в отношении к приложениям этой науки.
ИСТОРИЯ ИСКУССТВЕННОГО РАЗВЕДЕНИЯ
Истоки искусственного интеллекта можно найти с помощью определения формального нейрона, данного McCulloch & Pitts, как двоичного устройства с несколькими входами и выходами.
Уже в 1956 году тема искусственного интеллекта (ИИ) была затронута в Массачусетском технологическом институте Джоном Маккарти, где проходила Дартмутская конференция в Ганновере (США). В этом конкурсе Маккарти, Марвин Мински, Натаниэль Рочестер и Клод Э. Шеннон заложили основы искусственного интеллекта как независимой области вычислительной техники. Ранее, в 1950 году, Алан М. Тьюринг опубликовал в журнале Mind статью под названием «Вычислительные машины и интеллект», в которой он размышлял о концепции искусственного интеллекта и устанавливал то, что позже станет известно как и тест Тьюринга, тест, который позволяет определить, ведет себя компьютер в соответствии с тем, что понимается под искусственным интеллектом, или нет.
Искусственный интеллект 60-х годов как таковой не имел большого успеха, так как требовал слишком больших инвестиций для того времени, а большинство технологий были типичными для крупных исследовательских центров. В период с 70 по 80 год в одной из его ветвей, называемой Экспертные системы, были достигнуты значительные успехи с введением PROLOG LISP. По сути, искусственный интеллект предназначен для создания запрограммированной последовательной машины, которая бесконечно повторяет набор инструкций, сгенерированных человеком.
В настоящее время большое количество исследований все еще проводится в крупных учебных и частных технологических лабораториях; без учета заметных достижений в системах компьютерного зрения (применяемых, например, для классификации скремблированных элементов - винты или части, отмеченные цветовыми кодами, чтобы назвать один случай-), автономное управление роботами (Sony, с ее роботами способные двигаться почти как человек и реагировать на давление так же, как человек при ходьбе), приложения нечеткой логики (приложение автоматического отслеживания в наших видеокассетах, чтобы назвать одно приложение) и т. д. Тем не менее, искусственный интеллект по-прежнему в значительной степени ограничен своим технологическим превосходством, и лишь немногим удалось достичь конечного потребительского рынка или отрасли.
ОПРЕДЕЛЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Что касается нынешних определений искусственного интеллекта, то есть такие авторы, как Рич и Найт, Стюарт, которые обычно определяют ИИ как способность машин выполнять задачи, которые в настоящее время выполняются людьми; другие авторы, такие как Небенда, Дельгадо, дают более полные определения и определяют их как область исследований, которая фокусируется на объяснении и подражании интеллектуального поведения, основанного на вычислительных процессах, основанных на опыте и постоянном знании окружающей среды.
Есть еще такие авторы, как Марр, Момпин, Ролстон, которые в своих определениях включают термины решения очень сложных проблем.
По мнению авторов, определения Дельгадо и Небендана очень полны, но без поддержки сформированного суждения эмоциональность человека может похудеть такими решениями, поэтому необходимо достичь синергетической среды между обеими сторонами для большей эффективности решений., ТЕНДЕНЦИИ В СИСТЕМАХ ИСКУССТВЕННОЙ ИНТЕЛЛЕКТУАЛЬНОСТИ
В настоящее время, по словам Дельгадо, Стюарт, существует три парадигмы развития ИИ.
- Нейронные сети, генетические алгоритмы, нечеткие логические системы.
Но выделяются другие парадигмы, такие как интеллектуальные агенты принятия решений и программируемые автоматы, в отношении последних они обычно используются в значительной степени в промышленных процессах в соответствии с потребностями, которые необходимо удовлетворить, например, ограниченное пространство, периодически изменяющиеся производственные процессы, последовательные процессы, оборудование с переменным процессом и т. д.
По мнению авторов, определено, что все эти разработки значительно сокращают процесс принятия решений и оптимизируют их, но здесь вы должны быть очень осторожны, поскольку вам нужно проанализировать различные воздействия, будь то экологические, социальные, политические и экономические.
Нейронные сети
Вообще говоря, следует напомнить, что человеческий мозг состоит из десятков миллиардов нейронов, связанных друг с другом, образующих цепи или сети, которые выполняют определенные функции.
Типичный нейрон принимает сигналы от других нейронов через мириады тонких структур, называемых дендритами. Нейрон излучает импульсы электрической активности вдоль тонкого тонкого слоя, называемого аксоном, который разделяется на тысячи ветвей.
Концы этих ветвей достигают дендритов других нейронов и устанавливают соединение, называемое синапсом, которое преобразует электрический импульс в нейрохимическое сообщение, высвобождая вещества, называемые нейротрансмиттерами, которые возбуждают или подавляют нейрон, таким образом, информация передается в нейронов другим и обрабатывается через синаптические связи, и обучение варьируется в зависимости от эффективности синапса.
Рисунок 1. Нейроны и синаптические связи.
Источник: Сандра Патрисия Даса, Военный университет Новой Гранады, 2003 г.
Психолог Д. Хебб представил две фундаментальные идеи, которые оказали решающее влияние на область нейронных сетей. Гипотеза Хебба, основанная на психофизиологических исследованиях, интуитивно представляет способ, которым нейроны запоминают информацию, и это синтетически переводится в знаменитое правило обучения Хебба (также известное как правило продукта). Это правило указывает на то, что связи между двумя нейронами усиливаются, если оба активированы. Многие современные алгоритмы основаны на концепциях этого психолога.
Уидроу публикует теорию нейронной адаптации и модели, вдохновленные этой теорией, Adaline (адаптивный линейный нейрон) и Madaline (множественный Adaline). Эти модели использовались во многих приложениях и позволили впервые использовать нейронную сеть для решения одной из основных реальных проблем: адаптивных фильтров, удаляющих эхо-сигналы в телефонных линиях.
Хопфилд разрабатывает сетевую модель, состоящую из взаимосвязанных технологических единиц, которые достигают минимумов энергии, применяя принципы стабильности, разработанные Гроссбергом. Модель очень показала механизмы хранения и извлечения памяти. Его энтузиазм и ясность изложения дали новый импульс этой области и вызвали увеличение количества исследований.
Другие известные разработки этого десятилетия - это машина Больцмана и модели Бама (двунаправленная ассоциативная память).
Аналогия с биологической и искусственной нейронными сетями
По словам Эрреры Фернандес
Нейроны моделируются блоками обработки, характеризующимися функцией активности, которая преобразует общий ввод, полученный от других блоков, в выходное значение, которое действует как частота срабатывания нейрона.
Синаптические связи моделируются взвешенными связями, сила или вес связи играет роль эффективности синапса. Связи определяют, может ли одна единица влиять на другую.
Блок процесса получает несколько входов от выходов других блоков процесса от общего входа блока процесса и обычно рассчитывается как сумма всех взвешенных входов, то есть умноженная на вес соединения. Тормозящий или возбуждающий эффект синапса достигается с помощью отрицательных или положительных весов соответственно.
Таблица 1. Сравнение реальных нейронов и блоков обработки, используемых в вычислительных моделях.
Источник: Франсиско Эррера Фернандес
| Нейронные сети
биологический |
Нейронные сети
искусственный |
| Нейроны | Технологические единицы |
| Синаптические связи | Взвешенные соединения |
| Эффективность синапса | Вес соединений |
| Возбуждающий или тормозящий эффект | Знак веса соединения |
| Полная стимуляция | Взвешенный общий ввод |
| Спусковой механизм (скорострельность) | Функция триггера (выход) |
Нейронные сети должны иметь в качестве структуры несколько уровней, а именно: первый уровень в качестве входного буфера, хранящий необработанную информацию, поступающую в сеть, или выполняющую ее простую предварительную обработку, мы называем это входным слоем; другой уровень действует как интерфейс или выходной буфер, в котором хранится ответ сети, чтобы его можно было прочитать, мы называем его выходным слоем; а промежуточные слои, главные из которых отвечают за извлечение, обработку и запоминание информации, называются скрытыми слоями.
Рисунок 2. Модель многоуровневой каскадной сети.
Источник: Сандра Патрисия Даса, Военный университет Новой Гранады, 2003 г.
Системы нечеткой логики
Концепция Дельгадо - второй инструмент, который позволяет нам подражать человеческим рассуждениям. Человеческие существа думают и рассуждают с помощью слов и степеней между двумя состояниями, например, черное и белое, горячее и холодное и т. Д. Эти системы нечеткой логики являются усовершенствованием традиционных экспертных систем в том смысле, что они позволяют нам использовать человеческий язык при рассуждении.
Говоря о традиционных экспертных системах, они пытаются символически воспроизвести человеческое мышление. Это тип компьютерной прикладной программы, которая принимает решения или решает проблемы в определенной области, такой как производственные системы, финансы или медицина, с использованием знаний и аналитических правил, определенных экспертами в этой области. Эксперты решают проблемы, сочетая знания, основанные на фактах, и умение рассуждать. В экспертных системах эти два основных элемента содержатся в двух отдельных, но связанных компонентах: базе знаний и машине дедукции или логического вывода. База знаний предоставляет объективные факты и правила по предмету,в то время как машина дедукции обеспечивает способность рассуждений, которая позволяет экспертной системе делать выводы. Экспертные системы также предоставляют дополнительные инструменты в виде пользовательских интерфейсов и механизмов объяснения. Пользовательские интерфейсы, как и в любом другом приложении, позволяют пользователю формулировать запросы, предоставлять информацию и другими способами взаимодействовать с системой. Механизмы объяснения, наиболее увлекательная часть экспертных систем, позволяют системам объяснять или обосновывать свои выводы, а также позволяют программистам проверять работу самих систем. Экспертные системы начали появляться в 1960-х годах. Их области применения - химия, геология, медицина, банковское дело, инвестиции и страхование.
По опыту одного из авторов, аппаратные средства, на которых основаны эти системы, представляющие собой цифровые интегральные схемы, при правильном использовании очень эффективны и долговечны.
Генетические алгоритмы:
По словам Дельгадо, это метод, вдохновленный биологическими аспектами, процесс эволюции, на который ссылается Чарльз Дарвин, может быть применен для оптимизации устройств управления или роботов или любого другого типа аспектов, которые можно оптимизировать как производственные линии.
Принято считать, что любой генетический алгоритм для решения проблемы должен иметь пять основных компонентов, как будет показано ниже:
- Требуется кодирование или представление проблемы, которое подходит для нее. Способ создания исходной совокупности решений. Функция корректировки или адаптации к проблеме, также называемая функцией оценки, которая присваивает действительный номер каждому возможному решению. Во время выполнения алгоритма родители - две особи, принадлежащие к исходной популяции, которые являются возможными решениями проблемы - должны быть отобраны для воспроизводства; Затем эти выбранные родители будут скрещены, создавая двух потомков, новые решения проблемы, на каждого из которых оператор мутации будет действовать в соответствии с определенной вероятностью. Результатом сочетания вышеперечисленных функций будет набор лиц (возможные варианты решения проблемы),которые в ходе эволюции генетического алгоритма станут частью следующей популяции.
- Значения параметров: размер популяции, вероятность применения генетических операторов.
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ТЕХНИКИ, КОТОРЫЕ ИМЕЮТ ИСПОЛЬЗОВАТЬ
В рамках подхода разработки искусственного интеллекта методы, которые могут использоваться в качестве инструментов для решения проблем, классифицируются по следующим категориям:
- Базовые методы, названные так потому, что они лежат в основе различных приложений ИИ. Среди прочих - эвристический поиск решений, представление знаний, автоматический вывод, символическое программирование (LISP) и нейронные сети. Эти методы являются основой приложений. По большей части, он не должен быть известен конечному пользователю, а должен быть известен профессионалам, преданным его применению и созданию бизнес-приложений.
2. Технологии или комбинации нескольких основных методов, нацеленные на решение семейств проблем. Технологии более специализированы, чем базовые методы, и ближе к конечным приложениям. Можно упомянуть робототехнику и зрение, естественный язык, экспертные системы.
3. Классы или типы приложений: Диагностика, Прогнозирование (системы самоконтроля атомных реакторов), Последовательность операций («Планирование»), Проектирование, Интерпретация данных. Все они - семейства типовых задач. Например, диагностика относится к поиску причин сбоев, будь то сбои на производственной линии или болезнь человека.
4. Области применения: инженерия, медицина, производственные системы, администрирование, поддержка принятия управленческих решений и т. Д. Все они относятся к компьютерным системам, но считаются клиентами искусственного интеллекта.
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ
Включение интеллектуальных агентов принятия решений, нейронных сетей, экспертных систем, генетических алгоритмов и программируемых автоматов для оптимизации производственных систем является активной тенденцией в промышленной среде стран с высоким технологическим развитием и большими инвестициями в исследования и разработки. Указанные компоненты искусственного интеллекта в качестве основной функции выполняют независимое управление и в координации с другими агентами промышленные компоненты, такие как производственные или сборочные ячейки, а также операции по техническому обслуживанию, среди прочего.
Наблюдается растущая тенденция к внедрению более автономных и интеллектуальных систем производства / сборки из-за рыночных требований к продукции с очень высоким уровнем качества; что с ручными операциями усложняется и делает слаборазвитые страны, такие как наша, не конкурентоспособными во всем мире. При проектировании компьютерной интегрированной производственной системы следует уделять внимание контролю, планированию, установлению последовательности, взаимодействию и выполнению рабочих задач в рабочих центрах, а также контролю уровня запасов и характеристик качества и надежности системы. Вышеупомянутые факторы определяют структуру системы, и ее координация представляет собой одну из важнейших функций в управлении и контроле производства.
Очень часто причиной построения имитационной модели является поиск ответов на такие вопросы, как «Каковы оптимальные параметры для максимизации или минимизации определенной целевой функции?» В последние годы были достигнуты большие успехи в области оптимизации производственных систем. Однако прогресс в разработке инструментов анализа результатов имитационной модели был очень медленным. Существует большое количество традиционных методов оптимизации, значительный вклад в которые внесли только люди с большими знаниями в области статистики и моделирования.
В связи с появлением метаэвристических алгоритмов поиска открылась новая область в области оптимизации с помощью моделирования. Новые программные пакеты, такие как OptQuest (Optimal Technologies), SIMRUNNER (Promodel Corporation) и Evolver (Palisade Software), вышли на рынок, предлагая удобные решения для оптимизации систем, которые не требуют внутреннего контроля над созданной моделью, а над результатами. что указанная модель бросает в разных условиях. Кроме того, новые методы искусственного интеллекта, применяемые к задачам стохастической оптимизации, продемонстрировали свою эффективность, вычислительную и аппроксимирующую способность.
Усиленное обучение - это набор методов, предназначенных для решения проблем, основанных на марковских процессах принятия решений. Марковские процессы - это процессы стохастического принятия решений, основанные на концепции, согласно которой действие, которое должно быть предпринято в данном состоянии в данный момент, зависит только от состояния системы во время принятия решения.
Одна из областей, которая может иметь самое непосредственное влияние на производственные процессы в отрасли во всем мире, - это разработка систем поддержки для принятия решений, основанных на оптимизации рабочих параметров системы. С этой целью большой интерес представляет использование интеллектуальных параметрических и непараметрических методов анализа данных.
Однако, по мнению авторов, в большинстве архитектур, предложенных до сих пор для компьютерно-интегрированного производства, отсутствует фундаментальный фактор интеграции. Связь между различными иерархическими уровнями производственного предприятия очень слабая, поскольку каждый отдел ограничивается выполнением своей функции, не стремясь к интеграции всего производственного предприятия, за исключением таких компаний, как ABB с ее программным обеспечением Baan и т. Д.
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ КОНКРЕТНЫХ ПРОБЛЕМ ПРОИЗВОДСТВА
Операция автоматического контроля качества с использованием системы компьютерного зрения (Ройман Лопес Белтран, Эдгар Соттер Солано, Эдуардо Зурек Варела. Лаборатория робототехники и автоматического производства. Universidad del Norte)
Каждый производственный процесс оценивается на предмет качества конечного продукта, что делает этап контроля качества решающим этапом процесса. Механизмы, используемые для определения качества продукта, различаются в зависимости от параметров, которые к нему относятся. Когда релевантным параметром является геометрия или форма изготовленного объекта, он обычно остается в поле зрения оператора, который выполняет функции проверки и проверки для контроля качества, однако могут быть ошибки в геометрии объекта, которые ускользнуть из поля зрения оператора, а затем помешать правильному функционированию указанного объекта. В подобном случае появляется хорошая альтернатива - использовать систему искусственного зрения, способную обнаруживать те ошибки, которые оператор может не заметить.Система искусственного зрения Robot Vision PRO способна полностью автоматизировать задачи идентификации объектов и контроля качества.
Система Robot Vision PRO - это пакет программного обеспечения для машинного зрения, который обеспечивает получение, предварительную обработку и сегментацию изображений. Он также выполняет высокоуровневую обработку данных, которая обеспечивает фильтрацию изображений, кластеризацию и формирование паттернов, а также идентификацию объектов. Эта система имеет видеокамеру и монитор, отвечающие за идентификацию каждой из основных частей процесса и сравнение со 100% качественными деталями, чтобы впоследствии определить, может ли упаковка быть выпущена на рынок или ее следует выбросить.
Ниже приведены некоторые изображения, предоставленные системой Robot Vision PRO для выполнения операции контроля качества. Пакеты были скомпонованы таким образом, чтобы геометрические формы полностью вписывались в программу, а контроль качества для каждой упаковки впоследствии проводился индивидуально.
Рисунок 3: хорошая упаковка со 100% качеством
Два следующих рисунка показывают дефектную упаковку, поскольку она не соответствует необходимым спецификациям, и поэтому система качества отклоняет продукт.
Рис. 4. Упаковка отклонена из-за низкого качества.
Рис. 5. Упаковка отклонена из-за низкого качества
Система компьютерного зрения Robot Vision PRO после оценки в компании оказалась эффективной для обнаружения геометрических дефектов упаковки центробежных компрессоров, поскольку гибкость программного обеспечения позволяла адаптировать условия процесса к системе качества, необходимой для правильное измерение упаковки. Эта система является достаточно дидактической, чтобы разрабатывать выражения, позволяющие выполнять измерения объекта, распознавание и задачи контроля качества полностью автоматически.
Авторы считают, что использование этой технологии очень уместно в компаниях, где обработка поверхности детали очень требовательна или где есть жесткие допуски, такие как автомобильные детали, промышленные приборы и т. Д.
- Проекты, разрабатываемые по направлению исследований и разработок искусственного интеллекта (исследовательская группа Университета Манисалеса)
JAT (Интеллектуальная диспетчерская и контрольная система для общественного транспорта): его основная идея - улучшить услуги городского транспорта города Манисалес за счет диспетчеризации и интеллектуального управления, что позволяет улучшить качество обслуживания и снизить эксплуатационные расходы. Интеллектуальная часть отвечает за планирование отправки маршрутов для поиска всех автобусов, чтобы покрыть их одинаково.
Интеллектуальная система удаленного мониторинга и наблюдения: цель состоит в том, чтобы внедрить системы замкнутого телевидения, которые включают в себя возможность удаленного мониторинга через компьютер и телефонную линию из любой точки мира и через Интернет.
- Распознавание сред в мобильной робототехнике через нейронные сети
Это исследование сфокусировано на глобальной идентификации среды, выполняемой мобильным роботом на основе обучения нейронной сети, которая получает информацию, полученную из окружающей среды сенсорной системой робота (ультразвук). Считается, что робот через нейронную сеть имеет единственную задачу - максимизировать знание окружающей среды, которая ему представлена. Таким образом, он моделирует и эффективно исследует окружающую среду, выполняя алгоритмы предотвращения препятствий.
Результат этого исследования имеет большое значение в области мобильной робототехники в связи с тем, что: робот приобретает большую автономность движения, оптимизировано использование ультразвука в качестве детектора препятствий, и это важный инструмент для развития планировщиков дорог. траектории и «умные» контроллеры.
Используя архитектуру: 2-2-1
Nih: количество входных нейронов (2).
Nhid: количество нейронов в промежуточном слое (1).
Nout: количество выходных нейронов (2).
Примерно будет показан один из примеров, на котором была обучена сеть (более подробную информацию см. В исследовании Rivera & Gauthier Universidad de los Andes).
Параметры, используемые в обучении: постоянная обучения 0,2 и постоянная момента 0,9 Источник: Клаудиа Ривера, 1995 г.
Рисунок 6. Тренировочная среда с тремя препятствиями
Робот расположен в восьми разных положениях, и в каждом из них было выполнено сканирование, и таким образом было сформировано восемь файлов, с помощью которых сеть была обучена, и это уже распознало, что среда не будет разбиваться с каким-либо препятствием.
В нейронной сети по мере увеличения внутренних возможностей у нее будет больше возможностей и скорости для изучения различных сред.
В ходе вмешательства авторов они определили, что использование мобильной робототехники очень важно в производственных процессах, где человек не может выдерживать высокие или низкие температуры в течение длительных периодов времени, например, ПИТАНИЕ, где человека можно обучить. робота и по мере его обучения подготовить его позже как грузового перевозчика.
- Генетические алгоритмы, применяемые к квадратичной задаче распределения производственных мощностей QAP ( Департамент операционных исследований, Школа промышленной инженерии, Университет Карабобо, Валенсия, Венесуэла. Ниноска Манейро. Генетический алгоритм, применяемый к задачам размещения производственных мощностей. 2001 год cemisid.ing.ula.ve / area3).
QAP - это комбинаторная задача, которую некоторые авторы считают NP-полной. Задача QAP - найти распределение помещений по площадкам, чтобы минимизировать функцию, которая выражает затраты или расстояния.
Расположение и распределение объектов - одна из самых важных тем в обучении профессионалов в области промышленного инжиниринга и всего остального.
профессионалы, отвечающие за планирование, организацию и систематический рост городов. В повседневной и профессиональной жизни каждого человека возникает множество проблем с размещением объектов.
Проблемы размещения и распределения производственных мощностей имеют стратегическое значение для успеха любой производственной операции. Основная причина в том, что затраты на транспортировку материалов составляют от 30 до 75% от общих производственных затрат. Хорошее решение проблемы распределения производственных мощностей способствовало бы общей эффективности операций, плохое распределение может привести к накоплению незавершенного производства, перегрузке систем обработки материалов, неэффективной настройке и длинным очередям. В рамках этого широкого класса проблем, которые можно классифицировать как QAP, находится обобщенная проблема потока в линии, которая представляет собой линию потока, в которой операции идут вперед и не обязательно обрабатываются на всех машинах в линии.Работа на такой линии может начать обработку и завершить свой процесс на любой машине, всегда перемещаясь вниз по потоку последовательными операциями в соответствии с последовательностью работы процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Этот «обратный переход» операций называется обратным отслеживанием, и он отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.всегда продвигаться вперед (вниз по потоку) последовательными операциями в соответствии с рабочей последовательностью процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Этот «обратный переход» операций называется обратным отслеживанием, и он отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.всегда продвигаться вперед (вниз по потоку) последовательными операциями в соответствии с рабочей последовательностью процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Этот «обратный переход» операций называется обратным отслеживанием, и он отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.Этот «обратный переход» операций называется обратным отслеживанием, и он отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.Этот «обратный переход» операций называется обратным отслеживанием, и он отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.
По мнению авторов, эту задачу о квадратичном назначении следует решать в классе производственного цеха из-за ее актуальности при анализе последовательностей N / M.
Рис. 7. Обобщенная линия потока Источник: Ninoska Maneiro 2001.
ВЫВОДЫ
- В Национальном университете Манисалеса в рамках программы промышленного инжиниринга необходимо больше работать над информатикой, чтобы углубить области применения искусственного интеллекта в промышленном строительстве.
- По мере развития этой работы были получены удовлетворительные результаты на уровне теоретических исследований, поскольку с полученной документацией были известны достижения в области информатики, которые в некоторых случаях были неизвестны авторам. заставили отрасль в ее постоянном поиске повышения своей конкурентоспособности достичь этой цели, но во многих случаях вытеснили большое количество рабочей силы, что влечет за собой социальную деградацию, которая отражается в глобальной безработице и уровень бедности.
БИБЛИОГРАФИЯ
- Элейн Рич. Рыцарь Кевин. Искуственный интеллект. Второе издание. Мак Гроу Хилл. Мексика 1994 Стюарт Рассел. Норвинг-метр. Искусственный интеллект - современный подход. Printice Hall. Мексика 1996. Журнал La Ventana Informática. Выпуск № 09. Университет Манисалеса. Страницы 56 - 57. Май 2003. Дельгадо Альберто. Искусственный интеллект и мини-роботы. Второе издание. Ecoe Editions. Июль 1998 года, Дельгадо Альберто. Искусственный интеллект и мини-роботы. VII Национальный конгресс студентов промышленного, административного и производственного машиностроения, штаб-квартира Национального университета Манисалес. Воспоминания Конгресса. 4 - 10 октября 1998 г. Компьютерная и вычислительная энциклопедия. Программная инженерия и искусственный интеллект. Июль 1992 года Небенда Дитер. Экспертные системы. Инженерия и связь. Издательство Marcombo. Барселона 1988. Март, округ Колумбия. Искусственный интеллект: личное мнение, искусственный интеллект. США 1977, Ролстон В. Дэвид. Принципы искусственного интеллекта и экспертных систем. Mc Graw Hill. Мексика 1992, Момпин П. Хосе. Искусственный интеллект: концепции, методы и приложения.Издания Marcomobo SA. Испания 1987. Иберо-американский журнал искусственного интеллекта. Применение искусственного интеллекта в автоматизированных производственных системах. Ллата, Дж. Р., Сарабия, Е. Г., Фернандес, Д., Арсе Дж., Ория, Дж. П. Номер 10, страницы 100-110. Доступно на (http://www.aepia.org/).
Франсиско Эррера Фернандес, доктор философии, профессор кафедры автоматического управления Центрального университета лас-Вильяс Санта-Клара, Куба. Статья Управление на основе нейронных сетей для нелинейного динамического процесса. Страницы 42 - 44
Ninoska Maneiro. Генетический алгоритм, применяемый к задачам размещения объектов. Дипломная работа. Инженерный факультет. Университет Карабобо, 2001 г.
Клаудиа Ривера. Ален Готье. Январь 1995 г., Андский университет
Скачать оригинальный файл
