Mechatronikai rendszerek modellezése bakteriális evolúciós algoritmussal
A különböző gépi tanulási módszerek alapjai már a 20. században megszülettek, ide sorolhatók többek között az evolúciós algoritmusok, a fuzzy rendszerek és a neurális hálózatok is. A 21. századra vált elérhetővé olyan mértékű számítási teljesítmény, amellyel ezen módszerek széles körben hasznosíthatók lettek. A gépi tanulási módszerekkel olyan problémák is megoldhatóvá váltak, amelyeket klasszikus megközelítésekkel addig nem, vagy csak nagyon nehezen lehetett megoldani. Az elmúlt években számos ehhez köthető átütő erejű eredmény született, például a mintafelismerés terén vagy a Google AlphaGo programja, mely elsőként győzött le profi emberi Go játékost.
Mechatronikai rendszerekben gyakran találhatók nehezen modellezhető, nemlineáris jelenségek, amik indokolttá teszik a gépi tanulási módszerek alkalmazását is. Ez leggyakrabban a szabályozás megvalósításában nyilvánul meg, például neurális hálón alapuló vagy fuzzy szabályozás során. Bizonyos módszerek azonban háttérbe szorultak, mint például a bakteriális evolúciós algoritmusok. Bakteriális evolúció segítségével hatékonyan lehet bonyolult, akár változó struktúrájú optimalizációs problémákat megoldani, azonban alkalmazási lehetőségei a mechatronikában még nincsenek feltárva. A bakteriális evolúciós algoritmusok hatékonyabbnak bizonyultak a genetikus algoritmusoknál, ezen felül alkalmasak szimbolikus regressziós problémák megoldására is, amelyek esetén a keresett matematikai kifejezés komplexitása előre nem ismert. Ez nagy előny a mechatronikai rendszerek modellezése során, hiszen gyakran nem áll rendelkezésre olyan konstruktív matematikai módszer, amivel a vizsgált rendszer modellje előállítható lenne.
Ezen dolgozat fő célkitűzése a bakteriális evolúciós algoritmusok alkalmazási lehetőségeinek vizsgálata a mechatronikában. A dolgozatban bemutatásra kerül egy bakteriális evolúciós módszer, amellyel dinamikai rendszerek modellezhetők, valamint egy saját fejlesztésű implementáció, amellyel akár GPU-val gyorsított tanítás végezhető számos konfigurálható paraméterrel. A módszer alkalmazási lehetőségei mérési eredményeken alapuló modell identifikáció, valamint modell prediktív szabályozás példáján keresztül kerülnek ismertetésre.
