智能控制理论简述

智能控制理论简述

智能控制（intelligent controls）在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。智能控制是指驱动智能机器自主地实现其目标的过程,即无需人的直接干预就能独立地驱动智能机器实现其目标。其基础是人工智能、控制论、运筹学和信息论等学科的交叉,也就是说它是一门边缘交叉学科。

控制理论发展至今已有100多年的历史，经历了“经典控制理论”和“现代控制理论”的发展阶段，已进入“大系统理论”和“智能控制理论”阶段。智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。

近20年来,智能控制理论(IntelligentControl Theory)与智能化系统发展十分迅速[1].智能控制理论被誉为最新一代的控制理论,代表性的理论有模糊控制(Fuzzy Control)、神经网络控制(Neural Networks Control)、基因控制即遗传算法(Genetic Aigorithms)、混沌控制[2](Chaotic Control)、小波理论[3](Wavelets Theo-ry)、分层递阶控制、拟人化智能控制、博奕论等.应用智能控制理论解决工程控制系统问题,这样一类系统称为智能化系统。它广泛应用于复杂的工业过程控制[4]、机器人与机械手控制[5]、航天航空控制、交通运输控制等.它尤其对于被控对象模型包含有不确定性、时变、非线性、时滞、耦合等难以控制的因素.采用其它控制理论难以设计出合适与符合要求的系统时,都有可能期望应用智能化理论获得满意的解决。

自从“智能控制”概念的提出到现在,自动控制和人士_智能专家、学者们提出了各种智能控制理论,下面对一些有影响的智能控制理论进行介绍。

（1）递阶智能(Hierarchical IntelligentControl)

阶智能控制是由G.N.Saridis提出的,它是最早的智能控制理论之一。它以早期的学习控制系统为基础,总结人工智能与自适应控制、自学习控制和自组织控制的关系后逐渐形成的。递阶智能控制遵循“精度随智能降低而提高”的原理分级分布。该控制系统由组织级、协调级、执行级组成。在递阶智能控制系统中,

智能主要体现在组织级上,由人工智能起控制作用;协调级是组织级和执行级之间的接口,由人工智能和运筹学共同作用;执行级仍然采用现有数学解析控制算法,对相关过程执行适当的控制作用,它具有较高的精度和较低的智能。

（2）神经网络智能控制

神经网络最早的研究是40年代心理学家Mc-culloch和数学家Pitts合作提出的。人工神经网络是一种动态非线性系统, 是将传统的PID控制算式,改写成适用于神经网络加权运算的算式[6,7]。神经网络控制简称神经控制,是简单模拟人脑智力行为的一种新型控制方式和识方式。随着人工神经网络应用研究的不断深入,新的模型不断推出。在智能控制领域中，应用最多是BP网络，Hopfield 网络，自组织神经网络,动态递归网络等。神经网络能够应用于自动控制领域,主要因为:¹山于隐层的存在,只需三层网络便可以任意精度逼近非线性函数。并行处理功能:既能解决大批量实际计算和判决问题,又有较强的容错能力且易于实现。网络输出是所有神经元共同激活的结果,少量神经元的激活差错不影响决策功能。神经网络自身的结构及其多输入多输出的特点,使其易于多变量系统的控制。对于不同的输入模式,隐层各单元激活强度不同。对于干扰原因产生给定偏离或系统内部结构变化,当经典方式和现代方式构成的负反馈调节无能为力时,神经控制却能因不同的激活强度而获得满意的输出。具有自适应和自学习的特性。但需提出的是,神经控制特点十分诱人,但其理论研究还不成熟,许多问题有待进一步研究。

神经网络智能控制的优点：(1)可以充分逼近任意复杂的非线性关系。(2)只有很强的鲁棒性和容错性,因为信息是分布贮于网络内的神经元中。(3)并行处理方法,使得计算快速。(4)可以处理不确定或不知道的系统,因神经网络是通过自学习来的。

3)模糊控制

美国加利福尼亚大学的自动控制理论专家LA.Zadeh于1965首先提出了“模糊集合”的概念。1974年,英国的Mamdan i首先把模糊理论用于工业控制并取得了良好的效果,从此模糊控制理论得到了很快的发展。模糊控制的基本思想是用机器去模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模糊控制器

近似推理等手段,实现系统控制的一种方法。模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。它具有不需要知道被控对象(或过程)的数学模型,易于实现对具有不确定性对象和具有强非线性的对象进行控制、对被控对象特性参数的变化具有较强的鲁棒性、对于控制系统的干扰

具有较强抑制能力等优点。

结语

现代控制理论从理论上解决了系统的可观、可控、稳定性以及许多复杂系统的控制,但是各种智能控制理论都有一些学术上与工程上的难点。如对难以建立数学模型的被控对象难以实施有效的控制,不能适合高层决策问题等,造成这类结果的原因主要是: (1)现代控制理论依赖理想化的数学模型; (2)设计方法数学化,控制算法理想化; (3)缺乏人类思维的智能化。基于以上的原因,控制理论逐步走向智能化,由此逐渐形成较为完善的智能控制的思想,要认真加以研究与解决。

[1] Collins R J. Studies in arificial evolution[M]. California: University of California Press,1992.1~6

[2] Frank C H. Analysis and simulation of chaotic systems[M]. New York: Springer, 2000. 249~295

[3]Ievergelt YN. Wavelets made easy[M]. Boston: Birkhauser, 1999. 1~5

[4]顾毅，智能控制发展综述.武汉交通科技大学机械与材料工程学院，2000.06.021

[5] Saridis G S. Intelligent robot control[J]. IEEE Tran., 1983, A-C 28(5):547~557

[6]焦李成，神经网络系统理论[M].西安:西安电子科技大学出版社, 1996.110~213

[7]王永初，专家系统智能调节器的发展评述[J].自动化仪表, 1993,13(3):1~4