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。对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析，而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。此外，智能控制的核心在高层控制，即组织控制。高 层控 制 是 对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。
随着人工智能和计算机技术的发展，已经有可能把自动控制和人工智能以及系统科学中一些有关学科分支（如系统工程、系统学、运筹学、信息论）结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制正是在这种条件下产生的。它是自动控制技术的最新发展阶段，也是用计算机模拟人类智能进行控制的研究领域。1965年，傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。1985年，在美国首次召开了智能控制学术讨论会。1987年又在美国召开了智能控制的首届国际学术会议，标志着智能控制作为一个新的学科分支得到承认。智能控制具有交叉学科和定量与定性相结合的分析方法和特点。
一个系统如果具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力,即称为智能控制系统. 智能控制技术是在向人脑学习的过程中不断发展起来的,人脑是一个超级智能控制系统,具有实时推理、决策、学习和记忆等功能,能适应各种复杂的控制环境.
智能控制与传统的或常规的控制有密切的关系,不是相互排斥的. 常规控制往往包含在智能控制之中,智能控制也利用常规控制的方法来解决“低级”的控制问题,力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题.
1. 传统的自动控制是建立在确定的模型基础上的,而智能控制的研究对象则存在模型严重的不确定性,即模型未知或知之甚少者模型的结构和参数在很大的范围内变动,比如工业过程的病态结构问题、某些干扰的无法预测,致使无法建立其模型,这些问题对基于模型的传统自动控制来说很难解决.
2. 传统的自动控制系统的输入或输出设备与人及外界环境的信息交换很不方便,希望制造出能接受印刷体、图形甚至手写体和口头命令等形式的信息输入装置,能够更加深入而灵活地和系统进行信息交流,同时还要扩大输出装置的能力,能够用文字、图纸、立体形象、语言等形式输出信息. 另外,通常的自动装置不能接受、分析和感知各种看得见、听得着的形象、声音的组合以及外界其它的情况. 为扩大信息通道,就必须给自动装置安上能够以机械方式模拟各种感觉的精确的送音器,即文字、声音、物体识别装置. 可喜的是,近几年计算机及多媒体技术的迅速发展,为智能控制在这一方面的发展提供了物质上的准备,使智能控制变成了多方位“立体”的控制系统.
3. 传统的自动控制系统对控制任务的要求要么使输出量为定值(调节系统) ,要么使输出量跟随期望的运动轨迹(跟随系统) ,因此具有控制任务单一性的特点,而智能控制系统的控制任务可比较复杂,例如在智能机器人系统中,它要求系统对一个复杂的任务具有自动规划和决策的能力,有自动躲避障碍物运动到某一预期目标位置的能力等. 对于这些具有复杂的任务要求的系统,采用智能控制的方式便可以满足.
4. 传统的控制理论对线性问题有较成熟的理论,而对高度非线性的控制对象虽然有一些非线性方法可以利用,但不尽人意. 而智能控制为解决这类复杂的非线性问题找到了一个出路,成为解决这类问题行之有效的途径. 工业过程智能控制系统除具有上述几个特点外,又有另外一些特点,如被控对象往往是动态的,而且控制系统在线运动,一般要求有较高的实时响应速度等,恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别,决定了它的控制方法以及形式的独特之处.
5. 与传统自动控制系统相比,智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力
6. 与传统自动控制系统相比,智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程,采用开闭环控制和定性及定量控制结合的多模态控制方式.
7. 与传统自动控制系统相比,智能控制系统具有变结构特点,能总体自寻优,具有自适应、自组织、自学习和自协调能力.
8. 与传统自动控制系统相比,智能控制系统有补偿及自修复能力和判断决策能力.
总之,智能控制系统通过智能机自动地完成其目标的控制过程,其智能机可以在熟悉或不熟悉的环境中自动地或人─机交互地完成拟人任务.
智能控制的主要技术方法
智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础,扩展了相关的理论和技术,其中应用较多的有模糊逻辑、神经网络、专家系统、遗传算法等理论和自适应控制、自组织控制、自学习控制等技术。
专家系统
专家系统是利用专家知识对专门的或困难的问题进行描述. 用专家系统所构成的专家控制,无论是专家控制系统还是专家控制器,其相对工程费用较高,而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题. 尽管专家系统在解决复杂的高级推理中获得较为成功的应用,但是专家控制的实际应用相对还是比较少。
模糊逻辑
模糊逻辑用模糊语言描述系统,既可以描述应用系统的定量模型也可以描述其定性模型. 模糊逻辑可适用于任意复杂的对象控制. 但在实际应用中模糊逻辑实现简单的应用控制比较容易. 简单控制是指单输入单输出系统(SISO) 或多输入单输出系统(MISO) 的控制. 因为随着输入输出变量的增加,模糊逻辑的推理将变得非常复杂。
遗传算法
遗传算法作为一种非确定的拟自然随机优化工具,具有并行计算、快速寻找全局最优解等特点,它可以和其他技术混合使用,用于智能控制的参数、结构或环境的最优控制。
神经网络
神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法. 它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等. 这些特性是人们长期追求和期望的系统特性. 它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力. 神经网络可以和模糊逻辑一样适用于任意复杂对象的控制,但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制. 在模糊逻辑表示的SIMO 系统和MIMO 系统中,其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用. 两者既有相同性又有不同性. 其相同性为：两者都可作为万能逼近器解决非线性问题,并且两者都可以应用到控制器设计中. 不同的是：模糊逻辑可以利用语言信息描述系统,而神经网络则不行;模糊逻辑应用到控制器设计中,其参数定义有明确的物理意义,因而可提出有效的初始参数选择方法;神经网络的初始参数(如权值等) 只能随机选择. 但在学习方式下,神经网络经过各种训练,其参数设置可以达到满足控制所需的行为. 模糊逻辑和神经网络都是模仿人类大脑的运行机制,可以认为神经网络技术模仿人类大脑的硬件,模糊逻辑技术模仿人类大脑的软件. 根据模糊逻辑和神经网络的各自特点,所结合的技术即为模糊神经网络技术和神经模糊逻辑技术. 模糊逻辑、神经网络和它们混合技术适用于各种学习方式 智能控制的相关技术与控制方式结合或综合交叉结合,构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点．
图书·智能控制作者： 刘金琨[1]编著
出 版 社：电子工业出版社
出版时间： 2005-5-1
字数： 378000
版次： 1
页数： 223
纸张： 胶版纸
I S B N ： 9787121011184
包装： 平装
所属分类： 图书 >> 计算机/网络 >>人工智能
定价：￥21.00
内容简介
本书全面地叙述智能控制的基本理论、方法和应用。全书共10章，主要内容为：专家控制的基本原理和应用；模糊控制的基本原理和应用；神经网络控制的基本原理和应用；遗传算法及其应用等。
本书系统性强，突出理论联系实际，叙述深入浅出，书中给出了一些智能算法的Matlab仿真程序，并配有一定数量的习题和上机操作题。
本书可作为高等院校自动化、计算机应用、电子工程等专业研究生和高年级本科生的教材,也可供从事自动化领域工俄工程技术人员阅读和参考。
目录
第1章 结论
1.1 智能控制的发展过程
1.2 智能控制的几个重要分支
1.3 智能控制的特点、研究工具
思考题与习题
第2章 专家控制
2.1 专家系统
2.2 专家控制
2.3 专家PID控制
思考题与习题
第3章 模糊控制的理论基础
3.1 概述
3.2 模糊集合
3.3 隶属函数
3.4 模糊关系及其运算
3.5 模糊推理
思考题与习题
附录（程序代码）
第4章 模糊控制
4.1 模糊控制的基本原理
4.2 模糊控制系统分类
4.3 模糊控制器的设计
4.4 模糊控制应用实例——洗衣机的模糊控制
4.5 模糊自适应整定PID控制
4.6 Sugeno模糊模型
4.7 基于Sugeno模糊模型的倒立摆模糊控制
4.8 模糊控制的应用
4.9 模糊控制发展概况
思考题与习题
附录（程序代码）
第5章 自适应模糊控制
5.1 模糊逼近
5.2 间接自适应模糊控制
5.3 直接自适应模糊控制
思考题与习题
附录（程序代码）
第6章 神经网络的理论基础
6.1 神经网络发展简史
6.2 神经网络原理
6.3 神经网络的分类
6.4 神经网络学习算法
6.5 神经网络的特征及要素
6.6 神经网络控制的研究领域
思考题与习题
第7章 典型神经网络
7.1 单神经元网络
7.2 BP神经网络
7.3 RBF神经网络
7.4 回归神经网络
思考题
附录（程序代码）
第8章 高级神经网络
8.1 模糊RBF网络
8.2 pi-sigma神经网络
8.3 小脑模型神经网络
8.4 Hopfield网络
思考题与习题
附录（程序代码）
第9章 神经网络控制
9.1 概述
9.2 神经网络控制的结构
9.3 单神经元自适应控制
9.4 RBF网络监督控制
9.5 RBF网络自校正控制
9.6 基于RBF网络直接模型参考自适应控制
思考题与习题
附录（程序代码）
第10章 遗传算法及其应用
10.1 遗传算法的基本原理
10.2 遗传算法的特点
10.3 遗传算法的发展及应用
10.4 遗传算法的优化设计
10.5 遗传算法求函数极大值
10.6 基于遗传算法优化的RBF网络逼近
思考题与习题
附录（程序代码）
参考文献
