Інформаційні системи та технології в економіці

Аналогові обчислювальні машини також знаходять широке застосування в автоматизації технологічних процесів. Їх переваги:

-володіючи великою швидкодією, АОМ використовуються в процесах, де необхідно працювати в реальному масштабі часу;

-АОМ забезпечують можливість сполучення безпосередньо з апаратурою керованих об'єктів і систем;

-відносна простота АОМ дають можливість обслуговування менш кваліфікованим персоналом;

-АОМ мають досить високу надійність і стабільність у роботі;

-відносна простота АОМ визначає порівняно невисоку їхню вартість, що в підсумку позначається на економічній ефективності її використання.

Аналого-обчислювальна техніка використовується також для моделювання об'єктів і систем, навчання кадрів, контролю і керування деякими процесами. 

Недоліками АОМ є порівняно мала точність рішень і алгоритмічна обмеженість, що випливає із самого принципу їхньої роботи. 

Гібридні обчислювальні системи, утворені зі сполучень ЕОМ і АОМ. Вони одержали розвиток в останні роки в зв'язку зі швидким розширенням робіт в області автоматизації технологічних процесів і неминуче зв'язаним з цим ускладненням задач керування і підвищенням вимог до зазначеного системам. основному вимоги полягають у підвищенні швидкодії при забезпеченні необхідної динамічної точності.

Гібридна обчислювальна система складається з ЕОМ, цифрово-аналогових перетворювачів (ЦАП), АОМ і аналого-цифрових перетворювачів (АЦП).

При рішенні задачі побудови автоматичної системи керування деяким технологічним процесам приходитися зіштовхуватися з проблемами, багато з яких можна класифікувати як самостійні задачі.

У першу чергу виникає необхідність опису об'єкта керування, для чого в більшості випадків вироблятися ретельний аналіз фізичних, хімічних і інших процесів, що протікають в об'єкті, взаємодія яких породжує функціональний зв'язок вихідного сигналу у в із вхідним сигналом х і шумливим вектором  , що відбиває наявність зовнішніх впливів.

У результаті такого аналізу одержують співвідношення   (для простоти розглядається статистичний об'єкт), що, узагалі говорячи, може містити невідомі параметри   ( коефіцієнти ), і тоді   .

При наявності невідомих параметрів виникає задача їхньої оцінки на основі спостереження вхідного і вихідного сигналу. Тут є дві тенденції: ідентифікація в режимі нормальної експлуатації й активна ідентифікація. активна ідентифікація містить у собі планування і реалізацію оптимального експерименту і, природно, забезпечує набагато велику точність оцінок у порівнянні з ідентифікацією в режимі нормальної експлуатації при однаковому числі експериментальних замірів. Однак активне втручання у виробничий процес не завжди можливо. Постановка активного експерименту на виробництві найчастіше є дуже дорогою процедурою, а іноді і просто неприпустимої.

З цих причин останнім часом  посилено розвиваються методи ідентифікації, що дозволяють робити оцінки тих чи інших параметрів на основі статистики входу і виходу, набраної в режимі нормальної експлуатації.

Ідентифікація об'єкта також спряжена з рішенням ряду специфічних задач. Як уже говорилося, перш ніж безпосередньо приступити до побудови моделі об'єкта, необхідно вибрати клас моделей. Вибір же класу моделей можна здійснити не тільки з фізичних розумінь, але і на основі аналізу наявної статистики, оцінюючи нелінійність об'єкта, стаціонарність і т.д.

Цікавою та важливою є  задача вибору інформативних ознак, що звичайно дає можливість понизити розмірність вхідного сигналу і значно спростити систему керування. 

Після визначення оператора об'єкта, а вірніше, після побудови моделі близької до об'єкта, зважується задача побудови системи керування. Тут виникає деяке розгалуження ідей і методів у залежності від мети і принципів керування, що лежать в основі розроблювальної системи. однієї з найбільш розповсюджених цілей керування є підтримка заданого режиму роботи об'єкта (стабілізація  чи виходу відстеження впливу, що задає,). При цьому можуть використовуватися принцип зворотного зв'язку і принцип керування по впливанню. У більшості випадків будуються комбіновані системи, що використовують обидва принципи керування одночасно. Велику роль при конструюванні таких систем грають теорії інваріантості і чутливості, що дозволяють синтезувати систему керування, малочутливі до неконтрольованих змін деяких параметрів, що практично завжди має місце.

Метою керування може бути не тільки стабілізація виходу, але і екстремізація критерію якості роботи системи в цілому. Наприклад, можна задатися метою максимізувати доход, домогтися найкращої вихідної якості продукту, зробити мінімальним час перехідного процесу і т.д. Незважаючи на розходження змістовних інтерпретацій і перерахованих задач, усі вони в загальній постановці зводяться до мінімізації деякого функціонала. Для рішення задач оптимального керування за останнім часом розроблено досить багато теоретичних методів. Багатство методів, тобто відсутність єдиного погляду на постановку і рішення задачі оптимального керування, з одного боку, відбиває деяку незавершеність теоретичних досліджень у цьому напрямку, з іншої, грає визначену позитивну роль, дозволяючи за рахунок обмеження полючи зору краще враховувати специфіку розв'язуваного класу задач.

Серед методів, призначених для рішення задач оптимального керування варто скасувати принцип максимуму, динамічне програмування, аналітичне конструювання регуляторів, використання систем з перемінною структурою, статистичний підхід А.А. Красовского до дослідження перехідних процесів, теорія дуального керування й ін.

 Теорія дуального керування займає відособлене місце в цьому переліку, оскільки орієнтується на рішення дуже специфічної задачі керування в умовах початкової невизначеності. Стругаючи постановка і рішення задач у цій області приводять до досить складних обчислювальних алгоритмів, тому велике практичне поширення одержали адаптивні алгоритми, що забезпечують асимптотичне прагнення  параметрів, що підбудовуються, до оптимальних, але не забезпечують оптимального ходу процесу навчання. Теорія адаптивних систем, що розвивається в, дійсний час базується в основному на роботах по збіжності стохастичних ітеративних процесів. Найбільш ефективне застосування адаптивні алгоритми знаходять поки в