Details

Cyber-physical control systems must satisfy strict constrains on the magnitude of control actions and the rate of signal change, while simultaneously balancing multiple, often conflicting, control objectives. In multi-objective optimization (MOO) problems, the optimizer naturally produces a set of competing control candidates. However, in closed-loop operation, a single implementable control action must be selected at each sampling instant. In practice, this selection is typically performed through fixed scalarization rules, which can lead to performance degradation under changing operating conditions in the case of non-convex Pareto fronts or poorly scalable objectives. This work aims to improve the quality of control based on MOO through a decision support system that accounts for the structure: the proposed architecture decouples online Pareto-front construction from action selection. A heuristic multi-objective optimization algorithm based on the NSGA-II genetic algorithm generates feasible control sequences under magnitude and rate constraints, while a learned selector, denoted as Learned Pareto Filter (LPF), evaluates these candidates using structural features that account for both individual characteristics of the solutions and their interrelations within the Pareto set. The method is evaluated on two benchmark problems. First, a system with an analytically known Pareto front structure is used. Second, the approach is validated on a nonlinear boiler-turbine load-changing scenario, widely used in constrained nonlinear control studies. The results demonstrate that LPF-based selection produces smoother control actions, improved tracking performance, and greater robustness to regime changes compared to objective-based scalarization methods. The findings confirm that, in Pareto-based control, closed-loop quality depends critically on the selection mechanism rather than solely on the optimizer generating the Pareto set.

Киберфизические системы управления должны удовлетворять строгим ограничениям по величине управляющих воздействий и скорости изменения сигнала, одновременно обеспечивая баланс между несколькими (часто противоречивыми) целями управления. В задачах многокритериальной оптимизации оптимизатор естественным образом генерирует множество конкурирующих кандидатов на управление. Однако в замкнутом контуре на каждом шаге дискретизации требуется выбрать единственное реализуемое управляющее воздействие. На практике этот выбор обычно выполняется с помощью фиксированных правил скаляризации, что может приводить к ухудшению характеристик при изменении режимов эксплуатации в случае невыпуклой формы фронта Парето или трудно масштабируемых критериях. Данная работа направлена на повышение качества управления, основанного на многокритериальной оптимизации, на базе системы поддержки принятия решений, учитывающей структуру: предложенный метод разделяет этап онлайн-построения фронта Парето и этап выбора управляющего воздействия. Эвристический алгоритм многокритериальной оптимизации, основанный на генетических алгоритмах NSGA-II, генерирует допустимые последовательности управляющего воздействия с учетом ограничений по величине и скорости изменений, тогда как предложенный обучаемый селектор, обозначенный как Learned Pareto Filter (LPF), оценивает этих кандидатов, используя структурные признаки, учитывающие как индивидуальные характеристики решений, так и их взаимосвязи внутри множества Парето. Метод оценивается на двух эталонных задачах. Во-первых, используется система с аналитически известной структурой фронта Парето. Во-вторых, подход проверяется на нелинейной задаче изменения нагрузки котлотурбинной установки, широко используемой в исследованиях управления нелинейными системами с ограничениями. Результаты показывают, что выбор на основе LPF обеспечивает более гладкие управляющие воздействия, улучшенную точность слежения и большую устойчивость к изменениям режима по сравнению с методами, основанными исключительно на скаляризации критериев. Полученные выводы подтверждают, что качество Парето-ориентированного управления замкнутым контуром в критической степени определяется механизмом выбора, а не только оптимизатором, формирующим множество Парето.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 19, № 2, 2026. — 1 файл (11,2 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j26-302.pdf>.