преподаватель
Lecturer
В статье проведен сравнительный анализ эволюции методов управления сложными системами – от классических ПИД-регуляторов к современным подходам на основе обучения с подкреплением (RL, Reinforcement Learning) и глубокого обучения с подкреплением (DRL, Deep Reinforcement Learning). Цель исследования – выявить сильные и слабые стороны различных классов алгоритмов управления и обосновать области их эффективного применения в прикладных задачах (автономное вождение, промышленная автоматизация, энергетика, робототехника). Методология включает систематический обзор 15 научных источников, структурированное сравнение по критериям точности (установившейся ошибки регулирования), устойчивости (к возмущениям и изменению параметров) и адаптивности (способности к самонастройке), анализ численных данных из практических внедрений. Научная новизна состоит в разработке комплексной методики сравнительной оценки классических и интеллектуальных систем управления с количественным обоснованием областей применения: ПИД обеспечивают точность ±1–3 % для линейных объектов, RL ±0,5–2 % с адаптацией за 10–50 итераций, DRL ±0,1–0,5 % при работе с высокоразмерными данными. Основные результаты показывают, что RL/DRL-системы превосходят ПИД по энергоэффективности на 10–40 % (подтверждено на примере управления охлаждением дата-центра Google с экономией 40 %) и адаптивности в динамичных средах, однако требуют значительных вычислительных ресурсов (дни–недели обучения на GPU) и порождают проблемы верифицируемости. Практическая значимость заключается в предоставлении инженерам-проектировщикам АСУ ТП (Автоматизированная Система Управления Технологическим Процессом), обоснованных рекомендаций по выбору типа системы управления с учетом сложности объекта, требований к адаптивности и доступных вычислительных ресурсов.
The article presents a comparative analysis of the evolution of control methods for complex systems: from classical PID controllers to modern approaches based on Reinforcement Learning (RL) and Deep Reinforcement Learning (DRL). This study aims to pinpoint the strengths and weaknesses of various control algorithm classes and validate where they can be effectively applied to practical tasks such as autonomous driving, industrial automation, energy, and robotics. The methodology includes a systematic review of 15 scientific sources, structured comparison based on criteria of accuracy (steady-state control error), stability (disturbances and parameter changes), and adaptability (self-tuning capability), analysis of numerical data from practical implementations. The scientific novelty lies in the development of a comprehensive methodology for comparative evaluation of classical and intelligent control systems with quantitative justification of application areas: PID provides accuracy of ±1–3% for linear objects, RL ±0.5–2% with adaptation in 10–50 iterations, DRL ±0.1–0.5% when working with high-dimensional data. The main results show that RL/DRL systems surpass PID in energy efficiency by 10–40% (confirmed by the example of Google data center cooling management with 40% savings) and adaptability in dynamic environments, but require significant computational resources (days or weeks of GPU training) and pose verifiability problems. The practical significance lies in providing control system designers with evidence-based recommendations for choosing the type of control system, considering the complexity of the controlled object, adaptability requirements, and available computational resources.
The authors declare that there are no conflicts of interest present.