自整定

在控制理论中，自整定（self-tuning）可以在满足目标函数最大化或是最小化的情形下，将其内部运行参数进行最佳化，一般会是进行效率的最大化，或是错误的最小化。

自整定及自动整定（auto-tuning）有时会指同一个概念，许多软体研究群体认为auto-tuning是较正确的名词。不过在变频器领域中，自动整定（auto-tuning）有时只是马达参数自学习，利用测试信号及演算法量测马达参数，不一定包括内部运行参数的最佳化。

自整定系统一般会包括非线性自适应控制。数十年以来，自整定系统已经是航太产业中的标志，这类的反馈在非线性过程的多目标最佳控制非常重要。在电信产业中，常使用自适应通信，其中会动态的调整系统参数，让效率及强健性都可以最大化。

例子

在运算上的自整定范例包括：

• 传输控制协议 （Transmission Control Protocol，TCP）
• Microsoft SQL Server（较新的版本才支援）
• FFTW（西方最快速的傅里叶变换）
• ATLAS（自动整定的线性代数软体）
• libtune（Linux的可整定函式库）
• PhiPAC（精简指令集的自整定线性代数软体）
• MILEPOST GCC（以机器学习为基础的自整定编译器）

自整定的性能优势非常的大。美国电脑科学家Jack Dorr认为自整定提升性能的数量级大约会是三倍左右。

数位自整定控制器是硬体层次自整定系统的例子之一。

架构

自整定系统一般包括四个元素：预期、量测、分析及动作。预期会描述系统在给定exogenous条件下应有的行为。 量测会搜集有关条件及系统行为的资料。分析会判断系统行为是否符合预期，后续应该进行哪些行动。常见的动作是搜集资料，并且动态调整系统的组态。

自整定（自适应）的自动控制系统是可以适应随机变化条件的系统，其作法是自动调整其参数，或是自动决定其最佳组态。在不是自整定的自动控制系统中，有许多参数会影响系统稳定性及控制品质，可以手动进行调整。若在运作条件大幅变化时（例如输入讯号或是受控体特性改变时），参数仍维持相同的值，其控制性能可能会退化，甚至不稳定。手动的参数调整很麻烦，而且有时是不可行的。这种情形下使用自整定的自动控制系统，不但有在经济上或使用方便性的考量，这也是唯一可以实现强健控制的方法。自整定系统可以包括参数测定（parameter determination），也可以不包括参数测定。

在有参数测定的控制系统中，控制水准是靠自动寻找一组最适的参数值来实现的。控制水准是一个概略性的特征，多半不太能表示成基本参数的函数，就算有，也可能是一个复杂函数，甚至没有已知的函数可以表示。此特征可能会用直接量测的方法来取得，也可能根据基本参数再作计算而得。之后会暂时变化这些参数，利用参数变化后产生的控制水准震荡来找出有关参数最适值（也就是让控制水准出现极值）的资讯。若控制水准的值已不在理想的极值上，需要再调整参数使控制水准回到极值，或是可以到不同条件下的极值。有有参数测定的控制系统就算外部环境变化很大，也可以可靠的运行。

在实际系统中，若控制系统有参数测定机能，需要一段时间才能找到最佳的调整值，因此其需要的时间会比较长，可能会比实际应用可接受的时间要长。若是系统没有参数测定机能，就没有这个缺点。这类系统会使用一些量测控制水准的方式（例如某控制参数的一阶时间微分）。利用自动整定让控制水准维持在一定范围内。有一些方式可以在不测定参数的情形下进行自整定，主要是以控制暂态过程，频域特性等为主。这些都是闭回路自整定系统的例子，若控制水准偏离允许范围，系统会自动修正参数来调整控制水准。相反的，开回路自整定系统是有些参数补偿的机能，其输入讯号是受控的，依照一定程序来调整系统参数，这类的自整定可以接近即时动作。不过为了要实现自整定，仍需要去了解系统运作的环境，并要对环境对控制系统的影响有足够的了解。

实务上，自整定会有用特殊的硬体或是适应性软体演算法来实现。以下是一些自整定（适应性）软体的特点：

1. 帮助控制系统的关键流程
2. 达到最佳运行的条件
3. 促进控制系统的设计一致性
4. 缩短系统测试及调适的时间
5. 在让系统更加强健的过程中，让技术协助支援的比例可以下降
6. 节省系统调适需要的人员及时间

相关条目

• 自适应控制
• PID控制

文献

• Big Soviet Encyclopedia, Self-Tuning Systems （页面存档备份，存于互联网档案馆） （俄文）

外部链接

• Using Probabilistic Reasoning to Automate Software Tuning
• Frigo, M. and Johnson, S. G., "The design and implementation of FFTW3", Proceedings of the IEEE, 93(2), February 2005, 216 - 231. （页面存档备份，存于互联网档案馆） doi:10.1109/JPROC.2004.840301.
• A Collaborative guide to ATLAS Development （页面存档备份，存于互联网档案馆）
• Optimizing Matrix Multiply using PHiPAC: a Portable, High-Performance, ANSI C Coding Methodology （页面存档备份，存于互联网档案馆）
• Faster than a Speeding Algorithm
• Rethinking Database System Architecture: Towards a Self-tuning RISC-style Database System （页面存档备份，存于互联网档案馆）
• Self-Tuning Systems Software （页面存档备份，存于互联网档案馆）
• Microsoft Research Adds Data Mining and Self-tuning Technology to SQL Server 2000
• A Comparison of TCP Automatic Tuning Techniques for Distributed Computing
• Tunables library for Linux （页面存档备份，存于互联网档案馆）
• Digital Self-tuning Controllers