智能控制理论及应用(共5页).doc

精选优质文档-倾情为你奉上摘要：介绍了智能控制理论的发展概况、研究对象与工具、功能特点，简要列举了智能控制的集中应用。关键词：智能控制；神经网络；应用0 前言自从美国数学家维纳在20世纪49年代创立控制论以来，智能控制理论与智能化系统发展十分迅速。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、神经网络控制、基因控制即遗传算法、混沌控制、小波理论、分层递阶控制、拟人化智能控制、博弈论等。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。他广泛应用于复杂的工业过程控制、机器人与机械手控制、航天航空控制、交通运输控制等。他尤其适用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。科学技术高度发展导致了被控对象在结构上的复杂化和大型化。在许多系统中，复杂性不仅仅表现在高维性上，更多则是表现在系统信息的模糊性、不确定性、偶然性和不完全性上。此时，人工智能得益于计算机技术的飞速发展，已逐渐成为一门学科，并在实际应用中显示出很强的生命力。同时，国际学术界对智能控制的研究也十分活跃，到了20世纪90年代，各种智能控制的国际学术会议日益频繁。国内也在20世纪80年代初开始进行智能控制研究。1 智能控制理论的发展阶段虽然智能控制理论只有几十年的历史，尚未形成较完整的理论体系，蛋其已有的应用成果和理论发展表明它已成为自动控制的前沿学科之一。智能控制主要经历了以下几个发展阶段：1.1自动控制的发展与挫折上世纪4050年代，以频率法为代表的单变量系统控制理论逐步发展起来，并且成功地用在雷达及火力控制系统上，形成了“古典控制理论”。上世纪6070年代，数学家们在控制理论发展中占据了主导地位，形成了以状态空间法为代表的“现代控制理论”。他们引入了能控、能观、满秩等概念，使得控制理论建立在严密精确的数学模型之上，从而造成了理论与实践之间巨大的分歧。上世纪70年代后，又出现了“大系统理论”。但是，由于这种理论解决实际问题的能力更弱，没有得到进一步运用。1.2 人工智能的发展斯坦福大学人工智能研究中心的Nilsson教授认为：“人工智能是关于知识的科学怎样标识以及怎样获得知识并使用知识的科学”。MIT的Winston教授指出：“人工智能就是研究如何使用计算机去做过去只有人才做的智能性工作”。1956年以前是人工智能的萌芽期。英国数学家图灵为现代人工智能做了大量的开拓性的贡献；19561961年是人工智能的发展期，人们重点研究了诸如用及其解决数学定义、通用问题求解程序等。1961年以后人工智能进入了飞跃期，主要内容涉及知识工程、自然语言理解等。人们研究人工智能的方法也分为结构模拟派和功能模拟派，分别从闹的结构和脑的功能入手进行研究。1.3 智能控制的兴起建立于严密的数学理论上的控制理论发展受到挫折，而模拟人类智能的人工智能却迅速发展起来。控制理论丛人工智能中吸取营养求发展成为必然。工业系统往往呈现高维、非线性、分布参数、时变、不确定性等复杂特征。特别是非线性对控制结果的影响复杂，控制工程人员很难深入理解，更谈不上设计出合适的控制算法。不确定性是最难以解决的问题，也是导致大系统理论失败的根本原因。但是，对这些问题用工程控制专家经验来解决则往往是成功。人是最聪明的控制器，模仿人类是一种途径。萨利迪斯于1977年提出了智能控制的三元结构定义，即把智能控制看作为人工智能、自动控制和运筹学的交点。在智能控制发展初期，美国普度大学的赴京孙教授首先提出了学习控制的概念，引入了人工智能的直觉推理。后来在人工智能的概念模拟基础上，发展了许多智能控制方法，如自整定、参数调整PID等。再后来则以发展使用的智能控制算法为主，尤以专家系统和神经元网络最为突出。2 智能控制的发展概况现在有关智能控制方面的论文很多，可以把它们归纳为如图1所示的三维图基于知识表示轴线主要涉及产生式规则、模糊逻辑、定性描述、时序逻辑等方法；其于问题求解主要涉及学习、推理、自适应、自组织、等方面。任何一种智能控制算法都是这个三维空间中的一个小区间。3 智能控制的研究对象智能控制是传统控制发展的高级阶段，主要用来解决传统方法难以解决的复杂系统控制。其中包括：智能机器人系统、复杂工业过程控制系统、计算机集成制造系统、航空航天控制系统、社会经济管理系统、交通运输系统、环保及能源系统等。其研究对象具有以下特点：（1） 不确定性的模型传统控制室基于模型的控制，包括控制对象和干扰模型。认为模型是已知的或经过辨认可得到的；而智能控制对象存在严重的不确定性。（2） 在高度的非线性传统控制理论中，线性系统理论较成熟。对于具有高度非线性的控制对象，虽然有一些非线性控制方法可供利用，但还很不成熟，有些方法过于复杂；而智能控制方法则是解决复杂非线性对象控制的一条出路。（3） 复杂的任务要求在传统控制系统中，输出量为定值，或输出量跟随期望的轨迹运动，控制任务要求较单一。而智能控制系统，其任务要求则较复杂，例如在智能机器热系统中，要求系统对复杂的任务具有自行规划和决策能力，有自动躲避障碍运动到期望目标位置的能力。4 智能控制系统的主要功能（1） 学习功能对一个过程或其环境的未知特征所固有的信息进行学习，并将得到的经验用于进一步估计、分类、决策或控制，从而使系统的性能得到改善。（2） 适应功能与传统自适应控制相比，具有更广泛的含义。它包括更高层次的适应性。智能控制系统中的智能行为实质上是一种从输入到输出之间的映射关系，可看成是不依赖于模型的自适应估计，因此具有很好的适应性能。当系统输入不是学习过的例子时，由于它具有很好的插补功能，从而可以给出合适的输出。甚至当系统中出现故障时，也能正常工作。如果具有更高程度的智能，还能自动找出故障，甚至自行修复，体现了更强的适应性。（3） 组织功能对于复杂任务和分散的传感信息具有自适应组织协调的功能。还表现为系统具有相应的主动性和灵活性，智能控制器在任务要求范围内可以自行决策，主动采取行动；而当多目标冲突时，各控制器在一定条件下可自行解决。5 智能控制的研究工具传统控制理论主要采用微分方程、状态方程及数学变换作为其研究工具，本质上是一种数值计算。而人工智能主要采用符号处理、一阶谓词逻辑等作为研究的工具是上述两方面内容的交叉结合。主要形式有：（1） 符号推理与数值计算结合。以专家系统为例：上层是专家系统，采用人工智能中的符号推理方法；下层是传统控制系统，采用数值计算方法。（2） 离散时间系统与连续时间系统分析相结合。以CIMS为例：上层任务的分配、调度等均可用离散事件系统理论来进行分析设计；下层的控制则采用常规的连续时间分析方法。（3） 神经网络通过许多简单关系来实现复杂的函数，是非0即1的简单逻辑，但他们的组合可实现复杂的分类和决策功能。神经网络本质上是一个非线性动力学系统，但并不依赖模型，因此可以看成是一种介于逻辑推理和数值计算之间的工具和方法。6 神经网络技术用神经网络技术实现智能控制学习是智能控制的重要属性。因此，智能控制对控制目标的改变、系统结构参数的改变具有很强的自适应能力。神经网络具有并行机制、模式识别、记忆和自学能力。它能很好的适应环境，自动学习修改过程参数，更接近人类思维，应用神经网络构成的智能控制系统要比一般的智能控制系统具有更高的智商。下面列出几种应用神经网络构成智能控制的系统结构。6.1 采用神经网络作自校正控制系统的参数估计器如图2所示，当系统模型参数发生变化时，神经网络对系统模型参数进行在线估计，再将估计的参数值传送到控制器实施对系统的控制。这是神经网络的自适应控制。6.2 神经网络和专家控制器混合的控制系统如图3所示把专家控制器和神经网络两者的优点结合起来，取长补短，发挥各自的优势。首先建立被控对象的专家控制器，然后又专家控制器实时的把部分功能交给神经网络来完成，神经网络学习算法初步训练后由运行监控器进行管理，可根据当前系统的运行状态，是专家控制器或神经网络各自单独运行伙同时运行。6.3 神经网络和模糊控制相结合的控制系统如图4所示，其中模糊控制器采用拟人推理机制，模仿人在不确定环境下作出决策，但没有学习功能，而神经网络控制器为之提供在线学习功能，增强了模糊控制的效果。6.4 神经网络与内模糊控制相结合的系统其结构如图5所示，其中神经网络状态估计其充分逼近被控对象，控制器可采用常规PID调节器或神经网络。为了获得较好的性能，通常在控制器前加一个滤波器。6.5 神经网络的优势（1） 神经网络方法是一种稳健的、非参数的方法，具有很强的非线性映射能力，其总结学习经验的能力强，分类精度高。（2） 神经网络采用分布式存储结构，容错能力强。网络中少量单元的局部缺损不会造成网络的瘫痪，影响全局，反映了神经网络的鲁棒性。（3） 神经网络进行大规模并行处理，反映为同一层神经元同时进行计算，且每一神经元存储的信息也同时参与计算。（4） 神经网络具有在新环境下的泛化能力，记在经过一定数量带噪声样本训练之后，网络通过学习来抽取规则或记忆知识，抽取样本隐含的关系并记忆，并对新情况下数据进行内查获外推。（5） 神经网络能不断接受新样本、新经验，并不断调整模型，自适应能力强，具有动态特性。7 基于问题求解策略的智能控制7.1 基于分布式问题求解策略的控制算法的、松弛联系的、分布在不同地点的处理器上的知识源之间的相互协调进行问题求解。在分布式问题及其知识，确定节点之间的通讯内容，而不是采用通讯的方式，解决由于控制分散和数据分散所带来的控制不确定性等问题。分布式问题求解过程大致分为问题的求解、子问题的求解、答案的综合3个阶段。分布式问题求解的意义如下：·可提高控制系统的实时性·可降低对节点存储量的要求·可提高系统的可靠性·适应于解决由于信息分散、控制分散带来的问题基于分布式问题求解在人工智能中还未解决，在人工智能中一样有待解决，但这种思想对解决实际问题很有帮助，递阶控制思想便产生于此。7.2 基于启发式问题求解策略的控制算法启发式是树搜索中的一个基本概念。启发式搜索是人们凭经验进行的搜索，即非盲目搜索又非固定搜索。8 基于智能模拟的控制方法利用神经元网络进行动态系统的辨识与控制。神经网络模型用于模拟人脑神经活动的过程，其中包括信息的加工处理、存储和搜索等过程。神经网络是以对信息的分布式存储和并行处理为基础，它具有自组织、自学习的功能，在许多方面更接近人对信息的处理方法，它具有模拟人的形象思维的能力，反映了人脑功能的若干特性。上世纪80年代以来，神经网络的研究取得了异常迅速的发展，提出了许多神经网络理论及其模型。例如：多层感知器模型、回归模型、概率性神经网络模型等。回归模型则可做成电路完成优化任务，它的速度快；概率性神经网络的动态辨识与热力学方程有对应关系。尽管他的学习过程时间很长，但他可使系统收敛到全局能量最小值而非局部最优点。辨识只能对线性定常、集中系统进行辨识。由于神经元网络本身为非线性，用它辨识任何系统便成为可能。参考文献：【1】 王永初。专家系统智能调节器的发展评述【J】。自动化仪表，1993，（3）。【2】 袁曹任。智能控制研究的进展【J】。信息与控制，1994，（5）。【3】 涂序彦。人工智能及应用【M】。北京：电子工业出版社，1988.【4】 傅京孙，蔡自兴，徐光估。人工智能及其应用【M】。北京：清华大学出版社，1999.专心-专注-专业