Mesterséges intelligencia alapú irányítások

A tantárgy angol neve: Artifical Intelligence Based Control

Adatlap utolsó módosítása: 2023. január 13.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Villamosmérnöki szak, MSc képzés

Irányító és látórendszerek főspecializáció 

 

Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VIIIMB06   2/1/0/v 5  
3. A tantárgyfelelős személy és tanszék Dr. Harmati István,
A tantárgy tanszéki weboldala https://edu.vik.bme.hu/
4. A tantárgy előadója Dr. habil. Harmati István, docens, Irányítástechnika és Informatika Tsz.
5. A tantárgy az alábbi témakörök ismeretére épít Matematika (Lineáris algebra, analízis, gradiens alapú numerikus optimalizálás), Szabályozástechnika
6. Előtanulmányi rend
Kötelező:
NEM
(TárgyEredmény( "BMEVIIIMA09", "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVIIIMA09", "FELVETEL", AktualisFelev()) > 0)

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

Ajánlott:
-
7. A tantárgy célkitűzése
A tantárgy célja, hogy a hallgatók ismereteket szerezzenek komplex rendszerek mesterséges intelligencia módszerekkel történő irányításának és identifikációjának legújabb, a gyakorlatban is használt módszereiről. A hallgatók megismerkednek az alábbi legelterjedtebb mesterséges intelligencia módszerek koncepciójával és elméleti hátterével:
Fuzzy rendszerek
Genetikus algoritmusok
Neurális hálózatok
Neuro-fuzzy rendszerek
Rajintelligencia módszerek
Megerősítéses tanulás
A tárgy megmutatja, hogy a fent említett módszerek hogyan alkalmazhatók elsősorban (de nem kizárólagosan) irányítástechnikai, rendszermodellezési és optimalizálási problémák megoldására korszerű, számítástudományt támogató programozási platformok (elsősorban MATLAB) alkalmazásával. 

8. A tantárgy részletes tematikája
Az előadások részletes tematikája:
 
1. Fuzzy rendszerek alapjai. A fuzzy rendszer fogalma, a fuzzy következtetés elméleti alapjai. Fuzzy elven működő szabályozások felépítése, szabálybázisa, algoritmusa. MacVicar- Whelan metaszabályok. (2 hét)
2. Genetikus algoritmusok felépítése. Genetikus operátorok: szelekció, rekombináció, mutáció, visszahelyettesítés, migráció. Szabályozótervezés genetikus algoritmussal. (1 hét)
3. Lineáris és nemlineáris paraméterbecslés. Batch és rekurzív eljáráson alapuló paraméterbecslési eljárások lineáris és nemlineáris rendszermodellekre. (1 hét)
4. Klaszterezési eljárások. Grid particionálás, Szubtraktív klaszterezés, fuzzy c-mean klaszterezés elméleti alapjai, az algoritmusok felépítése (1 hét).
5. Visszacsatolatlan sekély neurális hálózatok felépítése, tanulás hiba visszaterjesztéssel. Mély tanulási módszerek alapjai. Autokódolók, sztochasztikus neurális hálózatok, konvolúciós hálózatok szabályozási feladatokban. Visszacsatolt (RNN, LSTM) hálózatok dinamikus feladatok megoldására (2 hét)
6. Adaptív Neuro-fuzzy rendszerekkel való identifikáció, a módszer felépítése, hangolási szabályok, ANFIS. (1 hét)
7. Adaptív fuzzy irányítás. Névleges és felügyelő szabályozó tervezés, indirekt (modellre alapozott) és direkt (modellt nem használó) adaptív irányítás, stabilitásvizsgálat és paraméterhangolási szabályok. (2 hét)
8. A megerősítéses tanulás alapjai. Ismert és ismeretlen/nagyméretű Markov Döntési folymatok predikciója, irányítása: Dinamikus programozás, Monte Carlo, Temporal Difference alapú tanulások, Sarsa, Q-learning. A mély megerősítéses tanulás alapjai: DQN, REINFORCE, Actor-Critic hálók a predikcióban és irányításban. (2 hét)
9. Rajintelligencia módszerek. Hangyakólónia algoritmusok felépítése és alkalmazásaik diszkrét optimalizációs problémák megoldására. Részecskeraj optimalizáció elméleti háttere és az algoritmus lépései. Rajintelligencia módszereken alapuló optimalizáció, rendszer identifikáció és szabályozótervezés. (1 hét)
 
A gyakorlatok részletes tematikája:
 
1. Fuzzy szabályozó tervezése Matlab-Simulink környezetben Fuzzy Toolbox segítségével. (1 hét)
2. PID szabályozó paramétereinek meghatározása genetikus algoritmus alkalmazásával Matlab-Simulink környezetben (1 hét)
3. Rendszeridentifikáció lineáris, nemlineáris paraméterbecsléssel Matlab környezetben (1 hét)
4. Klaszterező és ANFIS módszerek megvalósítása Matlab környezetben. (1 hét)
5. Vasúti biztosító berendezés meghibásodásának előrejelzése Matlab Deep Learning Toolbox segítségével. (1 hét)
6. Nemlineáris rendszer irányítása megerősítéses tanulással Matlab környezetben a Reinforcement Learning Toolbox alkalmazásával. (2 hét) 
9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

A tárgy anyaga előadásokon és gyakorlatokon kerül bemutatásra. Az előadások és a gyakorlatok az anyag ütemében váltogatják egymást. A gyakorlatokon számítási példák és esettanulmányok formájában kerül elmélyítésre az előadásokon elhangzott elméleti tananyag. 

10. Követelmények
Szorgalmi időszakban: A tananyag ismeretét a szorgalmi időszak alatt egy alkalommal írásbeli évközi összegző teljesítményérékeléssel mérjük zárthelyi formájában. Az aláírás megszerzésének feltétele a zárthelyi legalább elégséges szintű megoldása.
Vizsgaidőszakban: A vizsgára bocsátás feltétele az aláírás megszerzése. A vizsga írásbeli teljesítményértékelésből és az évközi teljesítményértékelésen elért eredmények beszámításából áll. Az évközi teljesítményértékelések eredményének javítására a vizsgaidőszakban nincsen mód.
A tárgyból szerzett érdemjegy 20%-ban a zárthelyin, 80%-ban a vizsgán elért eredményből (pontszámból) kerül meghatározásra.
11. Pótlási lehetőségek A ZH a szorgalmi időszakban egy alkalommal pótolható vagy annak eredménye javítható. A ZH a pótlási héten nem pótolható.
12. Konzultációs lehetőségek
A szorgalmi időszakban elsősorban a tárgy oktatóinak fogadóóráján, illetve igény szerint előre egyeztetett időpontban. A vizsgaidőszakban elektronikus egyeztetés után a vizsga előtti munkanapon. Az oktatók fenntartják maguknak a jogot, hogy ne válaszoljanak olyan hallgatói levelekre/üzenetekre, ahol a szükséges információ a tárgy adatlapja vagy honlapja alapján egyértelmű. 

13. Jegyzet, tankönyv, felhasználható irodalom

B. Lantos: Fuzzy systems and genetic algorithms, 2002, Műegyetemi kiadó

M. Dorigo: Ant Colony Optimization, MIT University Press Ltd., 2004

R. S. Sutton, A. G. Barto: Reinforcement Learning: An introduction, MIT Press, 2018

P. Kim: MATLAB Deep Learning, Apress, 2017

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra42
Félévközi készülés órákra36
Felkészülés zárthelyire20
Házi feladat elkészítése-
Kijelölt írásos tananyag elsajátítása16
Vizsgafelkészülés36
Összesen150
15. A tantárgy tematikáját kidolgozta Dr. habil. Harmati István, docens, Irányítástechnika és Informatika Tsz.