智能控制理论和方法(第二版)李人厚1-5章 (4)
《智能控制》课程笔记
《智能控制》课程笔记第一章绪论1.1 智能控制的产生和发展智能控制是随着科技的发展而逐渐兴起的一个领域，它是自动控制理论的重要组成部分。
智能控制的概念最早可以追溯到20世纪60年代，当时人工智能、模式识别、系统辨识等领域的研究成果为智能控制的发展奠定了基础。
进入20世纪70年代，随着计算机技术的飞速发展，智能控制得到了迅速推广和应用。
20世纪80年代以来，智能控制已成为自动控制领域的研究热点，并在许多领域取得了显著成果。
智能控制的发展受到了许多领域的推动，如计算机科学、人工智能、自动控制、电子学、生物学等。
这些领域的研究成果为智能控制的理论和方法提供了丰富的素材。
目前，智能控制已在工业生产、交通运输、生物医学、能源等领域得到了广泛应用。
1.2 智能控制的定义和特点智能控制是指采用人工智能、模式识别、系统辨识等技术，对复杂系统进行建模、分析、设计和控制的方法。
智能控制的特点主要包括：1. 自适应性：智能控制系统能够根据环境和任务的变化，自动调整控制策略，实现最优控制。
2. 鲁棒性：智能控制系统具有较强的鲁棒性，能够在一定范围内适应不确定性和外部干扰。
3. 学习能力：智能控制系统能够通过学习，不断优化控制策略，提高控制性能。
4. 解释能力：智能控制系统能够对控制结果进行解释，为用户提供决策支持。
5. 实时性：智能控制系统能够在实时环境下运行，满足实时性要求。
1.3 智能控制的研究内容智能控制的研究内容主要包括以下几个方面：1. 智能控制理论：研究智能控制的基本原理和方法，包括人工智能、模式识别、系统辨识等。
2. 智能控制器设计：研究如何设计智能控制器，实现复杂系统的稳定、高效运行。
3. 智能控制应用：研究智能控制在各个领域的应用，如工业生产、交通运输、生物医学等。
4. 智能控制仿真与实验：利用计算机仿真和实验手段，验证智能控制理论和方法的有效性。
5. 智能控制与其他学科的交叉研究：探讨智能控制与生物学、心理学、经济学等学科的交叉研究，为智能控制的发展提供新的思路和方法。
智能控制论文智能控制论文
智能控制论文智能控制论文智能控制课程教学改革初探摘要结合自身教学实践，分析智能控制理论教学中存在的主要问题，并提出具体的教学改革措施与途径，包括简化教学内容、教学中引入MATLAB、加强实践教学等方面的改革。
实践证明，这些改革不仅取得良好的教学效果，而且激发了学生学习智能控制理论的兴趣。
关键词智能控制理论；教学改革；MATLAB中图分类号：G642.0 文献标识码：B 文章编号：1671-489X(2011)12-0035-02Practice and Reform on Teaching of Intelligent Control Theory Course//Li JunhongAbstract In this paper, the problems in teaching Intelligent Control Theory Course for undergraduates are pointed out, and some detailed approaches of teaching reform on Intelligent Control Theor y are proposed based on the self’s practical teaching experience. The approaches include three aspects, that is, simplifying teaching contents, introducing MATLAB in teaching and strengthening practice teaching. The practice illustrates that the proposed teaching reforms notonly obtain good effects, but also inspire students’ interest in intelligent control theory.Key words intelligent control theory; teaching reform; MATLABAuthor’s address School of Electrical Engineering, University of South China, Hengyang, Hunan, China 421001 智能控制是当今国内外自动化学科中十分活跃和具有挑战性的领域，是一门新兴的交叉学科，代表着当今世界控制理论和技术的发展方向，是一门集理论研究和工程实践于一体的综合性课程。
智能控制理论与方法
智能控制理论与方法智能控制是自动控制发展的高级阶段,是人工智能、控制论、系统论、信息论、仿生学、神经生理学、进化计算和计算机等多种学科的高度综合与集成，是一门新兴的边缘交叉学科。
它不仅包含了自动控制、人工智能、运筹学和信息论的内容，而且还从计算机科学、生物学、心理学等学科中汲取营养。
什么又是智能控制理论呢？智能控制的概念和原理是针对被控对象及其环境、控制目标或任务的复杂性和不确定性而提出来的。
对“智能控制”这一术语没有确切的定义，但是也有前辈做过归纳总结的，例如，IEEE控制系统协会归纳为：只能控制系统必须具有模拟人类学习（Learning）和自适应（Adaptation）的能力。
智能控制系统是智能机自动完成其目标的控制过程，由智能机参与生产过程自动控制的系统称为智能控制系统。
定性的说，智能控制系统应具有学习、记忆和大范围的自适应和自组织能力；能够及时地适应不断变化的环境；能有效的处理各种信息，以减小不确定性；能够以安全和可靠地方式进行规划、生产和执行控制动作而达到预定的目的和良好的性能指标。
智能控制系统一般具有以知识表示的非数学广义模型和艺术学模型表示的混合控制过程。
它适用于含有复杂性、不完全性、模糊性、不确定和不存在的已知算法的生产过程。
它根据被控动态过程特征辨识，采用开闭环控制盒定性与定量控制相结合的多模态的控制方式。
智能控制器具有分层信息处理和决策机构。
它实际上是对人神经结构或专家决策机构的一种模仿。
复杂的系统中，通常采用任务分块、控制分散方式。
智能控制核心在高层控制，它对环境或过程进行组织、决策和规划，实现广义求解。
要实现此任务需要采集符号信息处理、启发式程序设计、知识展示及自动推理和决策的相关技术。
底层控制也属于智能控制系统不可缺少的一部分，一般采用常规控制。
智能控制器也具有非线性。
这是因为认得思维具有非线性，作为模仿人的思维进行决策的智能控制也具有非线性。
由于智能控制器具有在线特征辨识、特征记忆和拟人特点，在整个控制过程中计算机在线获取信息和实时处理并给出控制决策，通过不断优化参数和寻找控制器的最佳结构方式，以获取整体最有控制性能。
智能控制技术_第一章_绪论
12
1.4 智能控制的主要形式
神经网络控制
B
模糊控制
A
C
智能控制 D
专家控制
仿人智能控制
F
分级递阶 智能控制
E
各种方法的综合集成
13
1.4 智能控制的主要形式
基于信息论的分级递阶智能控制
三级分级递阶智能控制系统是由G．N．Saridis于1977年提出的。该 系统由组织级、协调级和执行级组成，遵循“精度递增伴随智能递减” 的原则。 组织级起主导作用，涉及知识的表示与 组织级 处理，主要应用人工智能； 协调级在组织级和执行级间起连接作用， 精 智 涉及决策方式及其表示，采用人工智能 协调级 度 能 及运筹学实现控制； 执行级是底层，具有很高的控制精度， 采用常规自动控制。 执行级
2
第一章 绪论
1 2
学习智能控制的意义
智能控制的产生和发展
3
4 5
智能控制的定义和特点
智能控制的主要形式
智能控制的现状和发展趋势
3
1.1 学习智能控制的意义
《智能控制》在自动化课程体系中的位置
《智能控制》是一门控制理论课程，研究如何运用人工智能的 方法来构造控制系统和设计控制器。与《自动控制原理》和 《现代控制原理》一起构成了自动控制课程体系的理论基础。
高级
具有辩识对象和事件、在客观世界 模型中获取和表达知识、进行思考 和计划未来行动的
具有感知环境、作出 决策和控制的能力
较高
简单
11
1.3 智能控制的定义和特点
智能控制的特点
应能为复杂系统（如非线性、快时变、多变量、强耦合、不确定性等） 进行有效的全局控制，并具有较强的容错能力； 是定性决策和定量控制相结合的多模态组合控制； 其基本目的是从系统的功能和整体优化的角度来分析和综合系统，以实 现预定的目标，并应具有自组织能力。 是同时具有以知识表示的非数学广义模型和以数学表示的数学模型的混 合控制过程，系统在信息处理上，既有数学运算，又有逻辑和知识推理。
浅析商业银行屡查屡犯问题的成因分析及管理对策
第12卷 第2期2010年6月 辽宁科技学院学报JOURNAL OF L I A ON I N G I N STI T UTE OF SC I E NCE AND TECHNOLOGYVol.12 No.2Jun. 2010文章编号:1008-3723(2010)02-0041-02浅析商业银行屡查屡犯问题的成因分析及管理对策郝日有(中国工商银行山西省分行内控合规部,山西太原030001)摘要:商业银行在经营管理和内部控制上存在着诸多缺陷和薄弱环节,有些问题屡禁不止、屡查屡犯,这种棘手现象一直困扰着各级管理人员,其折射出的问题根源,应引起高度重视,本文对问题的成因分析及管理对策进行了论述。
关键词:商业银行;操作风险;管理对策中图分类号:D917.6 文献标识码:A 近几年内外部检查暴露出的各类案件、违规违纪问题及风险隐患,反映出商业银行在经营管理和内部控制上存在着诸多缺陷和薄弱环节,有些问题屡禁不止、屡查屡犯,这种棘手现象一直困扰着各级管理人员,其折射出的问题根源,应引起我们高度重视。
从目前商业行的操作风险管理情况来看,基层营业网点是操作风险的高发区域,也是屡查屡犯现象的主要集中地,如何有效降低屡查屡犯发生频率、提升网点内控管理水平,是基层行亟需解决的问题。
为了今后在管理工作中有针对性地进行督促和整改,减少这些问题出现的频次,达到最终杜绝违规违章问题的发生,笔者在此作一初步探讨。
1 成因分析1.1 内控文化建设亟待加强。
“近朱者赤,近墨者黑”,可见环境对人的影响是至关重要的。
内控文化是企业文化的重要组成部分,是在经营管理中形成的内控理念、意识和行为方式的总称,包括员工的人生观、价值观、风险意识、职业道德和行为规范,以及与之相关的制度体系和组织架构。
近年来经过商业银行大力加强内控文化建设,促进了内控管理步入持续完善、科学有效的良性循环轨道,但由于合规文化培育上的欠缺和合规机制建设上的滞后,内控文化建设仍然处于零散的、自发的、感性的状态,员工对于内控与经营管理、内控与风险管理、内控与银行发展的关系及内部控制的内涵仍然存在认识偏差,一些员工制度执行意识淡薄,用信任代替原则,用习惯代替制度,业务处理走捷径,个别行自上而下尚未形成一种深入人心、制度至上的合规文化氛围,一些机构和部门的管理层没有起到应有的表率带头作用,不能以自身规范行为来引导和营造本单位的合规经营意识和合规文化氛围,对合规文化氛围的形成产生了极大的负面影响。
智能控制 教学大纲2017
《智能控制》课程教学大纲课程代码：060132016课程英文名称：Intelligent Control课程总学时：32 讲课：32 实验：0 上机：0适用专业：自动化专业大纲编写（修订）时间：2017.11一、大纲使用说明（一）课程的地位及教学目标本课程是自动化专业的专业基础课。
智能控制课程是面向控制学科的前沿知识，全面介绍了智能控制的基本概念，系统分析、设计的基本方法，培养学生对正在不断出现的智能控制新理论新方法的把握能力和研究能力及正确的解决工程控制问题的方法。
本课程重点阐述专家控制、模糊控制技术、神经网络控制和遗传算法的分析及设计方法，包括相关的控制基本原理、控制器结构与设计等方面的知识，强调理论与实践的相结合。
通过本课程的学习，学生将达到以下要求：1．了解智能控制理论的新发展；2．掌握智能控制的基本原理、设计方法；3．具有对控制系统的计算机仿真能力；4．具有工程设计的初步能力。
（二）知识、能力及技能方面的基本要求1.基本知识：学习和掌握智能控制的基本概念、特征、类型和智能控制系统应用现状及前景，了解与掌握专家控制、模糊控制技术、神经网络控制和遗传算法的相关知识。
2.基本理论和方法：掌握智能控制的基本概念，系统分析、设计的基本方法，重点阐述专家控制、模糊控制技术、神经网络控制和遗传算法，包括控制器结构、控制原理等方面，强调理论与实践的相结合。
采用理论讲授与课堂讨论相结合的方式，使学生由被动学习转变为主动学习，重点培养学生的自学能力。
加强基本理论与实践经验的相结合，增强学生综合分析和解决实际问题的能力。
3.基本技能:掌握对控制系统的分析与设计，具有独立的仿真与实验能力。
（三）实施说明1．教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性；注意培养学生成为全面型、综合型、实用型的人才。
智能控制理论与技术
智能控制理论与技术第一章智能控制的研究对象：不确定性的模型、高度的非线性、复杂的任务要求。
不确定性包含的含义：模型未知或知之甚少、模型的结构和参数可能在很大范围内变化。
智能控制系统是实现某种控制任务的一种智能系统。
所谓智能系统是指具备一定智能行为的系统。
具体地说，若对于一个问题的激励输入，能够产生合适的求解问题响应，这样的系统便称为智能系统。
智能控制系统的主要功能特点：学习功能、适应功能、组织功能。
目前智能控制主要包括模糊控制、神经网络控制、分层递阶智能控制、专家控制、学习控制。
智能控制是人工智能、运筹学和自动控制三者的交叉。
第二章模糊性与随机性区别：模糊性主要是人为的主观理解上的不确定性，而随机性则主要反映的是客观上的自然的不确定性。
模糊集合的表示方法。
模糊集合术语：台集合、正则模糊集合、单点模糊集合。
模糊集合基本运算：交并补直积。
模糊关系的定义及表示，模糊关系的合成（最大-最小常用）。
每个模糊语言相当于一个模糊集合，通常在模糊语言前面加上极、非、相当、略、比较、稍微的修饰词，其结果改变了模糊语言的含义，相应的隶属度函数也要改变。
模糊蕴含关系（模糊蕴含最小运算、模糊蕴含积运算）模糊蕴含句子连接词（and、also）模糊推理的性质当论域为连续时推理计算方法（图形）。
Mamdani与T-S模糊模型的区别模糊控制器的结构两种模糊化方法（主要）：单点模糊集合、三角形模糊集合知识库通常由数据库和模糊控制规则库两部分组成建立模糊规则的方法：基于专家的经验和控制工程知识、基于操作人员的实际控制过程、基于过程的模糊模型、基于学习。
模糊量清晰化的两种计算方法：最大隶属度法、加权平均法。
第三章人工神经元模型表示。
单层感知器网络学习算法BP网络利用一阶梯度法计算各层反向误差。
BP网络的优缺点离散hopfield异步工作方式、同步工作方式判断是不是网络的稳定点或吸引子海明距离的定义Hopfield网络的连接权设计第四章专家系统是一种基于知识的系统，它主要面临的是各种非结构化问题，尤其能处理定性的、启发式或不确定的知识信息，经过各种推理过程达到系统的任务目标。
智能控制理论及应用
一. 控制理论和应用发展的概况
控制理论的发展始于Watt飞球调节蒸汽机以后的100年。 1. 20年代以反馈控制理论为代表，形成经典控制理论，著名的 控制科学家有：Black, Nyquist, Bode. 2. 随着航空航天事业的发展,50~60年代形成以多变量控制为特 征的现代控制理论,主要代表有:Kalman 的滤波器,Pontryagin 的极大值原理,Bellman 的 动态规划,和Lyapunov 的稳定性理论. 3. 70年代初,以分解和协调为基础,形成了大系统控制理论,用于复 杂系统的控制,重要理论有递阶控制理论、分散控制理论、队 论等。主要用于资源管理、交通控制、环境保护等。
1980’s--90’s
Fuzzy control
Intelligent control
1990’s---
Supervisory control Robot control
理论与实际应用存在很大差距 PID在实际应用中仍占统治地位。 原因： ●自动控制学科高度的交叉性、应用的广泛性； ●所需数学工具难以被多数技术人员所掌握； ●自动控制需要其它技术支持，如网络、计算机； ●实际应用情况的复杂性、多变性、不确定性； ●国内企业存在管理体制问题，技术投入力度不够。
3. 智能控制的组成、定义与研究内容 智能控制（IC）是自动控制（AC）和人工智能（AI） 的交集。即：
IC AC AI
AC
IC
AI
强调智能和控制的结合。
考虑更高层次上的调度、规划和管理，应把运筹学（OR） 结合进去。即：
IC AI OR AC
4. 智能控制与传统控制的关系和差别
以上控制理论我们称之为传统控制理论。
二.传统控制理论的局限性
第一章 智能控制概论.ppt
（2）不能适应大的系统参数和结构的变化 自适应控制和自校正控制——通过对系统某些重要参数的估
计克服小的、变化较慢的参数不确定性和干扰。 鲁棒控制——在参数或频率响应处于允许集合内，保证被 控系统的稳定。 自适应控制鲁棒控制不能克服数学模型严重的不确定性和工作 点剧烈的变化。
（3） 传统的控制系统输入信息模式单一 通常处理较简单的物理量：电量（电压、电流、阻抗）； 机
强调智能和控制的结合。
考虑更高层次上的调度、规划和管理，应把运筹学（OR） 结合进去。即：
IC AI OR AC
运筹学
• 运筹学应用科学技术和数学方法，解决 专门问题，为决策者选择最优决策提供 定量依据。
• 巧妙的数学方法：（1）规划论（2）图 与网络分析（3）排队论（4）存储论（5） 对策论（6）决策论（7）系统仿真方法
1. 20年代以反馈控制理论为代表，形成经典控制理论，著名的 控制科学家有：Black, Nyquist, Bode.
2. 随着航空航天事业的发展,50~60年代形成以多变量控制为特 征的现代控制理论,主要代表有:Kalman 的滤波器,Pontryagin 的极大值原理,Bellman 的 动态规划,和Lyapunov 的稳定性理论.
瓦特制成的世界上第一台蒸汽机
• Black:负反馈放大器
• Nyquist 、Bode：幅相频率特性图 （Nyquist图）和对数频率特性图（Bode 图）
• Kalman：卡尔曼滤波器 （最优化自回归 数据处理算法 ）
• Pontryagin （庞特里亚金）：极大值原 理
• Bellman： 动态规划
础 • 4、掌握模糊控制方法
智能控制概论
自动控制（自动化）是一门交叉学科
智能控制理论和方法(第二版)第章人工免疫算法及其在智能控制中的应用
视为海明距离的特殊情况。
第8章 人工免疫算法及其在智能控制中的应用
图8.5 欧氏距离和曼哈顿距离比较
第8章 人工免疫算法及其在智能控制中的应用
对于混合型属性串，如果属性串中包括整数、实数和符 号值，则采用逐一匹配的方法，类似于海明距离的计算，然 后求和。如果属性串中的多数属性是数值型，少部分是非数 值型，则对数值属性采用欧氏距离或曼哈顿距离，对非数值 属性采用海明距离分别计算，然后求和作为总的距离d。例
言
自然免疫系统是由分子、细胞、组织和器官组成的一个 有机联合体。它是一个多层次的防御系统，主要有物理屏障
层(皮肤、粘膜等)、生理屏障层(泪液、唾液、胃酸和汗液等)、
先天免疫和适应性免疫系统。
通常，免疫系统主要是由参与适应性免疫响应的器官、
组织、细胞和免疫活性介质组成的。免疫系统的组成如表8.1 所示[5]。
算法一开始随机地初始化抗体群(相当于随机列出求解问题的 候选解)。接着，辨识抗原，计算抗体群中抗体同抗原的亲和 度。根据亲和度对抗体进行克隆选择，然后得到新的群体。 由于新群体一般是亲和度高的抗体，它们被优先克隆，以继
承上一代的优良特性，并记忆、存储。如此反复迭代，直至
满足终止条件。基本的人工免疫算法的基本过程如图8.4所示。
关系f可选取不同的形式。也可直接简记为距离dis。距离越
小，说明抗体越相似，且它们之间的相互抑制能力越强。 对实值属性串，距离d可以表示为欧氏距离(式(8.1))、
曼哈顿(Manhattan)距离(式(8.2))或海明距离(式(8.3))。
欧氏距离
(8.1)
第8章 人工免疫算法及其在智能控制中的应用
第8章 人工免疫算法及其在智能控制中的应用
第8章 人工免疫算法及其在智能控制中的应用
精品课件-线性控制系统理论与方法(李俊民)-第5章
x A(t)x B(t)u,t J
(5.1)
其中 x(t) R n , u(t) R p ，J 为时间定义区间，A(t)，B(t)为适
当维数的元为 t 的连续函数的矩阵，（可放宽为 A(t)的元在 J 上 为绝对可积，B (t)的元在 J 上平方可积）。
第5章 线性系统的能控性和能观测性
t0 时刻（ t0 J ）为能控的，则称系统(5.1)在 t0 时刻是完全能控的。
第5章 线性系统的能控性和能观测性
定义 5.3、对于系统(5.1)，取定初始时刻 t0 J ，若状态
空间中存在一个或一些非零状态在 t0 时刻是不能控的, 则 称系统(5.1)在 t0 时刻是不完全能控的。
关于能控定义有以下几点说明： (1) 定义中只要求在可找到的输入u作用下， 使t0时刻 非零状态x0在J上的一段有限时间内转移到状态空间的坐标原 点， 而对状态轨迹不加以限制和规定， 即能控性是表征系 统状态的一个定性特性。 (2) 允许控制表示输入的所有分量在J是平方可积的； 无约束是指对输入的所有分量的幅值不限制， 可以取无穷大 值。
(5) 对于一个实际系统， 其能控的概率几乎等于1。 如 图5.2所示的电路， 如果其中各个电阻的阻值产生很小的变 动而使得电路的对称性被破坏， 则此电路就由不能控变为能 控。
第5章 线性系统的能控性和能观测性
三、 定理5.1(Gram判据）线性定常系统
x Ax Bu,t 0
(5.2)
的状态 x 能控 t1 T 使 x 属于空间 R[Wc (0, t1 )] ,其中
第5章 线性系统的能控性和能观测性 (3) 对于线性定常系统， 其能控与否和t
0时刻无关。
(4) 在能控性定义中， 规定由非零状态转移到零状态， 若将其变为由零状态转移到非零状态， 则称此种情况为状态 能达的。 连续的线性定常系统， 能控性和能达性是等价的； 对于离散系统和时变系统， 两者是不等价的； 不完全能控的 系统， 但可能是能达的。
智能控制 第4章 专家控制-仿人智能控制
ω 4.4340
ζ 0.0355
αfr 0.0614
量 值 单 位
36/37
控制结果
37/37
3/37
宏观结构
4/37
基本问题
特征识别
基于误差e、误差导数和误差的二阶导数
多模态控制
5/37
4.4
仿人智能控制
4.4.1 仿人智能控制的引入 4.4.2 仿人智能控制的基本概念 4.4.3 仿人智能控制的实现 4.4.4 仿人智能控制的应用举例
6/37
4.4.2 仿人智能控制的基本概念
p1 j [1,1,1,0,0,0,0,0,0,1,,0]
在 e t中可表示为：
p1 j [1,1,1,0,0,0]
14/37
特征辨识
对控制系统输出的信息进行在线的辨识，确 定当前系统所处的特征状态，这一过程称作 特征辨识。
15/37
特征记忆
被控制器记忆的特征量被称为特征记忆 包括反映前期决策和控制效果的特征量和反 映控制任务要求及被控对象性质的特征量 。 例如：
1 取反 p ij 0 取零 1 取正 ~ :ee 0 q 1 pi1 * q1 无约束 q : e e 0 1 pi1 1 pi1 0 pi1 1
13/37
举例
中可表示 特征状态1对应的关系向量在 e e 为：
1： 2： 3： 4： emi uH 误差的第i次极值 前期控制输出量的保持值 误差第i次过零的速度 误差极值的间隔时间
16/37
0 i e
tem
控制（决策）模态
定量
i ： ui f i ( e,e ,i , )
定性
《智能控制理论和方法》课件第4章
第4章 基于神经元网络的智能控制系统
为神经元网络的研究提供了触媒剂，使得这方面研究和应用 进入全盛时期。以后，Kosko提出了双向联想存储器和自适 应双向联想存储器，为在具有噪声环境中的学习提供有效的 方法。
神经元网络作为一种新技术之所以引起人们巨大的兴趣， 并越来越多地用于控制领域，是因为与传统的控制技术相比， 它具有以下重要的特征和性质。
第4章 基于神经元网络的智能控制系统
表4.1中所列的非线性函数相互之间存在密切的关系。可 以看到，Sigmoid函数和tanh函数是相似的，前者范围为0到1； 而后者范围从－1到+1。阈值函数也可看成Sigmoid 和tanh函 数高增益的极限。类脉冲函数可以从可微的类阶跃函数中产 生，反之亦然。
4.1 神经元网络与控制
人工神经元网络模仿动物脑神经的活动，力图建立脑神经活 动的数学模型。实际上，早在20世纪40年代，人们已对脑和计算 机交叉学科进行研究，想解决智能信息处理的机理。大家熟知的 维纳的《控制论》一书就已经提出了反馈控制、信息和脑神经功 能的一些关系。当时在“控制论(Cybernetics)”的旗帜下，很多学者 把这些内容当作一个公共的主题进行研究。但是此后，控制学科， 计算机科学(包括人工智能)和神经生物学各按自己的独立道路发展， 相互之间缺乏沟通，尤其是不同的学术用语和符号造成了学科间 有效交流的障碍。近年来，智能控制作为一个新交叉学科蓬勃兴 起，人们又在更高的水平上寻求控制、计算机和神经生理学的新 结合，要以此来解决现实世界中用常规控制理论和方法所难以解 决的一些问题。
第4章 基于神经元网络的智能控制系统
由于结论相当悲观，从此神经元网络的研究在相当长时间内 发展缓慢。Grossberg在20世纪70年代的工作，使神经元网络 的研究又有了突破性的进展。根据生物学和生理学的证明， 他提出了具有新特征的几种非线性动态系统的结构。1982年 Hopfield在网络研究中引入了“能量函数”概念，把特殊的非 线性动态结构用于解决像优化之类的技术问题，引起了工程 界的巨大兴趣。Hopfield网至今仍是控制领域中应用最多的网 络之一。1985年Hinton和Sejnowshi借用了统计物理学的概念 和方法，提出了Boltzman机模型，在学习过程中采用了模拟 退火技术，保证系统能全局最优。 1986年，以Rumelthard和 Mcclelland为首的PDP(Paralell Distributed Processing)小组发表 一系列的研究结果和算法。由于他们卓越的工作，
精品课件-智能控制理论和方法-第5章
(3) 计算适应度值及选择概率。 (4) 选择进入交换集的染色体。按适应度比例法, 选择进 入交换集的染色体, 如表5.4第7列所示。
第5章 遗传算法及其在智能控制中的应用
(5) 交换染色体。首先对进入交换集的染色体进行随机配 对, 此例中是染色体2和1配对, 染色体4和3配对。接着随机确 定交换位置, 结果是第1对染色体交换位置是4, 第2对染色体的 交换位置是2。经交换操作后得到的新种群如表5.5第4列所示。
第5章 遗传算法及其在智能控制中的应用
式中nf(H)/∑fi可进一步写成
(5.1)
－ fi是种群平均适应度, 于是复制后图式H的增长可表示为
(5.2)
由上式可知, 在遗传算法的选择运算过程中, 下一代种群中H 的数量正比于种群中H染色体平均适应度与种群平均适应度的比值。 若某些染色体的适应度高于当前种群中平均适应度, 则这些数字 串所包含的组块在下一代染色体中出现的机会将增大, 否则在下 一代中组块的出现将减少。运算中组块的增减是并行进行的, 这 也表现了遗传算法隐含的并行性。
第5章 遗传算法及其在智能控制中的应用
图5.1 遗传算法工作原理示意图
第5章 遗传算法及其在智能控制中的应用
1. 选择运算 选择运算又称为繁殖, 再生, 或复制运算, 用于模拟生物 界去劣存优的自然选择现象。它从旧种群中选择出适应性强的 某些染色体, 放入匹配集(缓冲区), 为染色体交换和变异运算 产生新种群作准备。适应度越高的染色体被选择的可能性越大, 其遗传基因在下一代群体中的分布就越广, 其子孙在下一代出 现的数量就越多。有多种选择方法, 使用比较普遍的一种是适 应度比例法。
智能控制理论及其应用-第一章概述
1.2 智能控制的产生及其发展
（3）智能控制的发展
美国《IEEE控制系统》杂志1991、1993～1995年多次发 表《智能控制专辑》，英国《国际控制》杂志1992年也发表了 《智能控制专辑》，日文《计测与控制》杂志1994年发表了 《智能系统特集》，德文《电子学》杂志自1991年以来连续发 表多篇模糊逻辑控制和神经网络方面的论文；俄文《自动化与 遥控技术》杂志1994年也发表了自适应控制的人工智能基础及 神经网络方面的研究论文。 如果说智能控制在80年代的应用和研究主要是面向工业过 程控制，那么90年代，智能控制的应用已经扩大到面向军事、 高技术领域和日用家电产品等领域。今天，“智能性”已经成为 衡量“产品”和“技术”高低的标准。
1.2 智能控制的产生及其发展
（1）智能控制的孕育
20世纪60年代初期，F．W．Smith提出采用性能模式识 别器来学习最优控制方法的新思想，试图利用模式识别技术 来解决复杂系统的控制问题。 1965年，美国著名控制论专家Zadeh创立了模糊集合论， 为解决复杂系统的控制问题提供了强有力的数学工具。 美国著名科学家Feigenbaum着手研制世界上第一个专家 系统；傅京孙首先提出把人工智能中的直觉推理方法用于学 习控制系统。
1.2 智能控制的产生及其发展
（2）智能控制的形成
在70年代中期前后，以模糊集合论为基础，从模仿人 的控制决策思想出发，智能控制在另一个方向——规则控 制(rule-based control)上也取得了重要的进展。 1974年，Mamdani将模糊集和模糊语言逻辑用于控 制，创立了基于模糊语言描述控制规则的模糊控制器，并 被成功地用于工业过程控制。1979年，他又成功地研制出 自组织模糊控制器，使得模糊控制器具有了较高的智能。 模糊控制的形成和发展，以及与人工智能中的产生式 系统、专家系统思想的相互渗透，对智能控制理论的形成 起了十分重要的推动作用。 70年代可以看作是智能控制的形成期。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
优；xid∈[－xmaxd, xmaxd], 根据实际问题将解空间限制在一定 的范围；vid∈[－vmaxd, vmaxd], 根据实际问题将粒子的飞行速 度设定在一定的范围。
第9章 粒子群算法及其在智能控制中的应用 图9.2 基本粒子群算法流程
第9章 粒子群算法及其在智能控制中的应用 9.2 基本粒子群算法
9.2.1 基本粒子群算法的原理 设想有这样一个场景： 一群鸟在某一个区域里随机搜寻食
物。在这个区域里，只存在一处食物源，而所有的鸟都不知道 食物的具体位置，但是每只鸟知道自己当前的位置离食物源有 多远，也知道哪一只鸟距离食物源最近。在这样的情况下，鸟 群找到食物的最优策略是什么呢? 最简单有效的方法就是搜寻 目前离食物源最近的那只鸟的周围区域。PSO就是从这种搜寻食 物的场景中得到启示，并用于解决优化问题。PSO的形象图示见 图9.1。
第9章 粒子群算法及其在智能控制中的应用 在PSO算法中，每个优化问题的潜在解都类似搜索空间中的 一只鸟，称其为“粒子”。粒子们追随当前群体中的最优粒子， 在解空间中不断进行搜索以寻找最优解。PSO算法首先初始化一 群随机粒子(随机解集)，通过不断迭代，且在每一次迭代中， 粒子通过跟踪两个极值来更新自己；第一个极值是粒子本身截 至目前所找到的最优解，这个解称为个体极值pb(pbest)；另一 个极值是整个粒子群迄今为止所找到的最优解，称为全局极值 gb(gbest)，最终找到图9.1 PSO的形象图示
第9章 粒子群算法及其在智能控制中的应用
9.2.2 基本粒子群算法 在基本PSO算法中，首先初始化一群粒子。设有N个粒子，
每个粒子定义为D维空间中的一个点，第i个粒子pi在D维空间 中的位置记为Xi=(xi1, xi2, …, xiD), i=1, 2, …, N，粒子 pi的飞翔速度记为Vi，Vi=(vi1, vi2, …, viD), i=1, 2, …, N。粒子pi从诞生到目前为止(第k次迭代后)，搜索到最好位置 称其为粒子pi的个体极值，表示为pbki=(pbki1, pbki2, …, pbkiD)。在整个粒子群中，某粒子是迄今为止(第k次迭代后)所 有粒子搜索到的最好位置，称其为全局极值，表示为gbk=(gbk1, gbk2, …, gbkD)，则PSO算法进行优化迭代中，第i个粒子pi按 照下面公式来更新自己的速度和位置:
第9章 粒子群算法及其在智能控制中的应用
基本粒子群算法流程描述如下: (1) 初始化一群共N个粒子，给每个粒子随机赋予初始位置 (从初始位置开始，不断迭代最终可以寻找到全体粒子中最好的 位置)和初始速度，并将i初始化为1，将k初始化为0; (2) 计算粒子pi的适应度； (3) 当粒子pi在第k(k≥1)次迭代时发现了一个好于它以前 所经历的最好位置时，将此坐标记入PBki，如果这个位置也是群 体中迄今为止搜索到的最优位置，则将此坐标记入GBk; (4) 将PBki与粒子pi当前位置向量之差随机加入到下一代速 度向量中，同时，将GBk与粒子pi当前位置向量之差随机加入到 下一代速度向量中，并根据式(9.1)和式(9.2)更新粒子pi的速 度和位置；
第9章 粒子群算法及其在智能控制中的应用 进一步的研究发现，鸟在搜寻食物的过程中，群体中每个 鸟个体能得益于群体中所有其他成员的发现和先前的经历。当 食物地点不可预测，且零星分布时，这种协作带来优势是非常 明显的，远远大于鸟个体间对食物竞争带来的劣势。这种协作 的本质是生物群体中存在着一种社会信息共享机制，它为群体 的某种目标(如鸟的觅食)提供了一种优势。 在以上研究的基础上，1995年，Kennedy和Eberhart模拟鸟 群觅食行为，提出了一种新颖而有效的群体智能优化算法，称 为粒子群优化算法(PSO，Particle Swarm Optimization) [2, 3]。
(9.1)
(9.2)
第9章 粒子群算法及其在智能控制中的应用
其中，i=1, 2, …, N, 是粒子群体中第i个粒子pi的序号；k=1, 2, …, m, 为PSO算法的第k次迭代；d=1, 2, …, D, 为解空间
的第d维；vkid表示第k次迭代后粒子pi速度的第d维分量值；xkid 表示第k次迭代后粒子pi在D维空间中位置的第d维分量值；pbkid 表示截至第k次迭代后，粒子pi历史上最好位置的第d维分量值； gbkd表示截至第k次迭代后，全体粒子历史上处于最好位置的粒 子的第d维分量值；r1, r2是介于[0, 1]之间的随机数；c1, c2 是学习因子，是非负常数，分别调节向PBki和GBk方向飞行的步 长，学习因子使粒子具有自我总结和向群体中优秀粒子学习的
(1) 碰撞的避免，即个体应避免和附近的同伴碰撞; (2) 速度的匹配，即个体必须同附近个体的速度保持一致; (3) 向中心聚集，即个体必须飞向邻域的中心。
第9章 粒子群算法及其在智能控制中的应用 该模型较成功地模拟了真实鸟群聚集飞行的行为。之后， Heppner在Boid模型的基础上，又加入了栖息地的仿真条件，即 鸟群的活动范围不会越出栖息地。这两个鸟群飞行模型都只使 用一些较为基本的规则(比如个体之间的速度匹配)来指导鸟个 体的飞行，并没有谁对群体进行集中的控制，即整个群体组织 起来(鸟群一起飞行)，却没有一个组织者；整个群体中的个体 被协调起来(鸟群集体在蓝天整齐划一、任意翱翔)，却没有一 个协调者。实际上，这就是一种群体智能模型。
第9章 粒子群算法及其在智能控制中的应用
第9章 粒子群算法及其在智能控制中的应用
9.1 引言 9.2 基本粒子群算法 9.3 粒子群算法的分析 9.4 几种改进的粒子群算法 9.5 粒子群算法在智能控制中的应用
第9章 粒子群算法及其在智能控制中的应用 9.1 引 言
Craig Reynolds在1986年提出一个仿真鸟群体飞行行为的 模型Boid(bird-oid) [1]，并设定鸟群的飞行行为遵循以下规 则: