智能控制 - 图文

1.阐述智能控制与经典控制理论及现代控制理论的区别和联系。

经典控制理论、现代控制理论和智能控制是控制理论的三个发展阶段。 经典控制理论是以传递函数为基础的一种控制理论，控制系统的分析与设计是建立在某种近似的和(或)试探的基础上的、控制对象一般是单输入单输出、线性定常系统；对多输入多输出系统、时变系统、非线性系统等．则无能为力。经典抑制理论主要的分析方法有频率特性分析法、根轨迹分析法、描述函数法、相平面法、波波夫法等。控制策略仅局限于反馈控制、PID控制等。这种控制不能实现最优控制。

现代控制理论是建立在状态空间上的一种分析方法，它的数学模型主要是状态方程，控制系统的分析与设计是精确的。控制对象可以是单输入单输出控制系统．也可以是多输人多输出控制系统，可以是线件定常控制系统，也可以是非线性时变控制系统，可以是连续控制系统，也可以是离散和(或)数字控制系统。因此，现代控制理论的应用范围更加广泛。主要的控制策略有极点配置、状态反馈、输出反馈等。由于现代控制理论的分析与设计方法的精确性，因此，现代控制可以得到最优控制。但这些控制策略大多是建立在已知系统的基础之上的。严格来说．大部分的控制系统是一个完全未知或部分未知系统，这里包括系统本身参数未知、系统状态未知两个方面，同时被控制对象还受外界干扰、环境变化等的因素影响。 智能控制是一种能更好地模仿人类智能的、非传统的控制方法，它采用的理论方法则主要来自自动控制理论、人工智能和运筹学等学科分支。内容包括最优控制、自适应控制、鲁棒控制、神经网络控制、模糊控制、仿人控制等。其控制对象可以是已知系统也可以是未知系统，大多数的控制策略不仅能抑制外界干扰、环境变化、参数变化的影响，还能有效地消除模型化误差的影响。

1.经典控制理论和现代控制理论的区别和联系

区别： （1）研究对象方面：经典控制系统一般局限于单输入单输出，线性定常系统。严格的说，理想的线性系统在实际中并不存在。实际的物理系统，由于组成系统的非线性元件的存在，可以说都是非线性系统。但是，在系统非线性不严重的情况时，某些条件下可以近似成线性。所以，实际中很多的系统都能用经典控制系统来研究。所以，经典控制理论在系统的分析研究中发挥着巨大的作用。

现代控制理论相对于经典控制理论，应用的范围更广。现代控制理论不仅适用于单输入单输出系统，还可以研究多输入多输出系统；不仅可以分析线性系统，还可以分析非线性系统； 不仅可以分析定常系统，还可以分析时变系统。

（2）数学建模方面：微分方程（适用于连续系统）和差分方程（适用于离散系统）是描述和分析控制系统的基本方法。然而，求解高阶和复杂的微分和差分方程较为繁琐，甚至难以求出具体的系统表达式。所以，通过其它的数学模型来描述系统。

经典控制理论是频域的方法，主要以根轨迹法和频域分析法为主要的分析、设计工具。因此，经典控制理论是以传递函数（零初始状态下，输出与输入Laplace变换之比）为数学模型。传递函数适用于单输入单输出线性定常系统，能方便的处理这一类系统频率法或瞬态响应的分析和设计。然而对于多信号、非线性和时变系统，传递函数这种数学模型就无能为力了。传递函数只能反应系统的外部特性，即输入与输出的关系，而不能反应系统内部的动态变化特性。

现代控制理论则主要状态空间为描述系统的模型。状态空间模型是用一阶微分方程组来描述系统的方法，能够反应出系统内部的独立变量的变化关系，是对系统的一种完全描述。状态空间描述法不仅可以描述单输入单输出线性定常系统，还可以描述多输入多输出的非线性时变系统。另外状态空间分析法还可以用计算机分析系统。

（3）应用领域方面：由于经典控制理论发展的比较早，相对而言理论比较成熟，并且生产生活中很多过程都可近似看为线性定常系统，所以经典控制理论应用的比较广泛。 现代控制理论是在经典控制理论基础上发展而来的，对于研究复杂系统较为方便。并且现代控制理论可以借助计算机分析和设计系统，所以有其独特的优越性。 联系：（1）虽然现代控制理论的适用范围更多，但并不能定性的说现代控制理论更优于经典控制理论。我们要根据具体研究对象，选择合适的理论进行分析，这样才能是分析的更简便，工作量较小 （2）两种控制理论在工业生产、环境保护、航空航天等领域发挥着巨大的作用。

（3）两种理论有其各自的特点，所以在对系统进行分析与设计时，要根据系统的特征选取和是的理论。

（4）所以熟识两种理论，具体的问题具体分析，选取合适的理论研究不同的系统。随着社会的发展，两种理论对科技的进步发挥着巨大的推动作用。在实践中，两种理论也会得到发展和完善，并且促进新的理论的形成，智能控制理论就是个很好的例子

（缺少智能控制）

2.阐述智能控制的几种主要形式。

按照智能控制系统构成的原理进行分类，大致可分为以下8类：分级递阶智能控制系统、专家控制系统、 模糊逻辑控制系统、神经网络控制系统、遗传算法等软计算优化控制系统 、 仿人智能控制系统、 集成智能控制系统、 综合智能控制系统。 （1）分级递阶智能控制是在自适应控制和自组织控制基础上，由美国普渡大学Saridis提出的智能控制理论。分级递阶智能控制主要由三个控制级组成，按智能控制的高低分为组织级、协调级、执行级，并且这三级遵循“伴随智能递降精度递增”原则，其功能结构如下图所示。

该系统由组织级、协调级、执行级组成，按照自上而下精确程度渐增、智能程度渐减的原则进行功能分配。

组织级(organization level)：组织级通过人机接口和用户(操作员)进行交互，执行最高决策的控制功能，监视并指导协调级和执行级的所有行为，其智能程度最高。 协调级(Coordination level)：协调级可进一步划分为两个分层:控制管理分层和控制监督分层。

执行级(executive level)：执行级的控制过程通常是执行一个确定的动作。

（2）专家控制系统

专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题.它具有启发性、透明性、灵活性、符号操作、不确定性推理等特点。应用专家系统的概念和技术，模拟人类专家的控制知识与经验而建造的控制系统，称为专家控制系统。

（3）模糊控制系统

模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。

模糊控制的基本思想是用机器去模拟人对系统的控制。 模糊控制主要研究如何利用计算机来实现人的控制经验。它采用模糊数学的方法，通过一些用模糊语言描述的模糊规则，建立过程变量之间的模糊关系；此后，人们可以根据某一时刻的实际情况，基于模糊规则，采用合适的模糊推理算法获得系统所需的控制量。

模糊控制的特点是：一.提供了一种实现基于自然语言描述规则的控制规律的新机制； 二.提供了一种改进非线性控制器的替代方法。模糊控制单元的基本功能结构图如下所示由规则库、模糊化、模糊推理和清晰化四功能模块组成。

（4）神经网络控制系统

神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成。这种神经网络具有某些智能和仿人控

制功能。 学习算法是神经网络的主要特征，也是当前研究的主要课题.学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节。神经网络具备类似人类的学习功能。一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输人，而改变输人的唯一方法只能修改加在输人端的加权系数。 （5）遗传算法等软计算优化控制系统

遗传算法是一种基于自然选择和自然遗传机制，根据适者生存而形成的一种创新的人工优化搜索算法，是一种从过去性能学习的方法，有很强的鲁棒性。基于自然选择＆基因遗传学建立的优化搜索算法。遗传算法是模拟生物的进化过程＆基因的操作，不要对象的特定知识，也不要对象的搜索空间连续可微，具有全局寻优能力。函数优化，自动控制，图像识别，机器学习。模糊遗传，神经网络遗传。 （6）仿人智能控制系统

仿人智能控制所要研究的主要目标是控制器本身，即直接对人的控制经验、技巧和各种直觉推理逻辑进行测辨、概括和总结，使控制器的结构和功能更好地从宏观上模拟控制专家的功能行为，从而实现对缺乏精确数学模型的对象进行有效的控制。 （7）集成智能控制系统

由几种智能控制方法或机理融合在一起而构成的智能控制系统称为集成智能控制系统。如模糊神经（FNN）控制系统；模糊系统： 具有容易被人理解的表达能力；神经网络： 有极强的自适应学习能力；模糊神经控制系统将模糊系统转换为对应的神经网络，即把两种智能方法融合在一起。

（8） 综合智能控制系统

组合智能控制的目标是将智能控制与常规控制模式有机地结合起来，以便取长补短，获取互补特性，提高整体优势，以期获得人类、人工智能和控制理论高度紧密结合的智能控制系统，如PID模糊控制器、自组织模糊控制器、基于神经网络的自适应控制系统、重复学习控制系统等。

3.举例说明模糊控制器的工作原理。 模糊控制器的基本工作原理：将测量得到的被控对象的状态经过模糊化接口转换为用人类自然语言描述的模糊量，而后根据人类的语言控制规则，经过模糊推理得到输出控制量的模糊取值，控制量的模糊取值再经过清晰化接口转换为执行机构能够接收的精确量。 模仿人类的调节经验，可以构造一个模糊控制系统来实现对热水器的控制。 控制思想：如果水温偏高，就把燃气阀关小；如果水温偏低，就把燃气阀开大。

（1）用一个温度传感器来替代左手进行对水温的测量，传感器的测量值经A/D变换后送往控制器。

（2）电磁燃气阀代替右手和机械燃气阀作为执行机构，电磁燃气阀的开度由控制器的输出经D/A变换后控制。

（3）构造控制器，使其能够模拟人类的操作经验。

描述了输入（水温与期望值的偏差 e）和输出（燃气阀开度的增量 u）之间的模糊关系R

温度传感器对水温进行测量，传感器的测量值经A/D变换后送往控制器，与预定值比较，将其差值的精确值模糊化，模糊值输入到规则库，输出为模糊值，去模糊化，将精确值经D/A转换为精确量控制电磁阀开度，从而控制热水器温度达到预定值。

4.举例说明模糊控制器的设计过程。（18--26）（第三章模糊控制）p44

模糊控制器的设计步骤 ：建立模糊控制规则、选择模糊推理模型、模糊推理、反模糊化

（1）确定模糊控制器的输入变量和输出变量； （2）确定输入，输出的论域和Ke、Kec、Ku的值； （3）确定各变量的语言取值及其隶属函数； （4）总结专家控制规则及其蕴涵的模糊关系；

（5）选择推理算法； （6）确定清晰化的方法； （7）总结模糊查询表。

5.模糊控制中隶属函数的选择有哪些原则？

由于模糊集研究的对象具有模糊性和经验性, 因此找到一种统一的隶属度计算方法是不现实的。隶属度函数实质上反映的是事物的渐变性, 因此, 它应该遵守如下基本原则: ( 1) 表示隶属度函数的模糊集合必须是凸模糊集合。( 2) 变量所取隶属度函数通常是对称和平衡的。( 3) 隶属度函数要符合人们的语义顺序, 避免不恰当的重叠。(4) 论域中的每个点应该至少属于一个隶属度函数的区域, 同时它一般应该属于至多不超过两个隶属度函数的区域。(5) 对同一输入没有两个隶属度函数会同时有最大隶属度。(6) 当两个隶属度函数重叠时, 重叠部分对两个隶属度函数的最大隶属度不应该有交叉。 确定同一模糊变量模糊子集隶属函数的几个原则：

论域中每个点应至少属于一个隶属函数的区域，并应属于不超过两个隶属函数的区域。 对于同一个输入没有两个隶属函数会同时有最大隶属度。

当两个隶属函数重叠时，重合部分的任何点的隶属函数的和应该小于等于1。

6.模糊控制的优缺点？改进方法有哪些？

改进方法：

（1）自校正模糊控制：针对普通模糊控制器的参数和控制规则在系统运行时无法在线调整，自适应能力差的缺陷，自校正模糊控制器可以在线修正模糊控制器的参数或控制规则，从而增强了模糊控制器的自适应能力，提高了控制系统的动静态性能和鲁棒性。

自校正模糊控制器通常分为两种：参数自校正模糊控制器和规则自校正模糊控制器

（2）模糊比例控制器：为了解决模糊控制的离散性对控制质量的影响，在模糊控制查询表的两个离散级之间，插入按偏差量化余数的比例调节，使模糊控制量连续化 （3）模糊控制与PID控制的结合

双模控制——由模糊控制器和PI控制器并联组成，控制开关在系统误差较大时接通模糊控制器，来克服不确定性因素的影响；在系统误差较小时接通PI控制器来消除稳态误差。

串联控制——

并联控制——

（4）模糊控制系统的结构

7.神经网络的分类。

（1）从结构上划分——通常所说的网络结构，主要是指它的联接方式。神经网络从拓扑结构上来说，主要分为层状和网状结构。

①层状结构：网络由若干层组成，每层中有一定数量的神经元，相邻层中神经元单向连接，一般同层内神经元不能连接。

前向网络：只有前后相邻两层之间神经元相互连接，各神经元之间没有反馈，每个神经元从前一层接收输入，发送输出给下一层。

②网状结构：网络中任何两个神经元之间都可能双向联接 反馈网络：从输出层到输入层有反馈，每一个神经元同时接收外来输入和来自其他神经元的反馈输入，其中包括神经元输出信号引回自身输入的自环反馈。 混合型网络：前向网络的同一层神经元之间有互联的网络。 （2）从激发函数的类型上划分

高斯基函数神经网络、小波基函数神经网络、样条基函数神经网络等等 （3）从网络的学习方式上划分

①有导师学习神经网络：为神经网络提供样本数据，对网络进行训练，使网络的输入输出关

系逼近样本数据的输入输出关系。 ②无导师学习神经网络

不为神经网络提供样本数据，学习过程中网络自动将输入数据的特征提取出来。 （4）从学习算法上划分

基于BP算法的网络、基于Hebb算法的网络、基于竞争式学习算法的网络、基于遗传算法的网络

8.神经网络在控制中的主要作用是什么？举例说明

神经网络在控制中的应用：神经网络辨识技术，神经网络控制技术。 神经网络在控制中主要起以下作用：

(1)基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用； (3) 在传统控制系统中起优化计算作用；

(4)在与其它智能控制方法和优化算法相融合中, 为其提供对象模型、优化参数、推理模型及故障诊断等。

举例：神经网络直接反馈控制系统

9.专家系统的组成部分及工作原理。

专家系统的结构一般专家系统由知识库、全局数据库、推理机、解释器、用户接口及知识获取器六个部分组成。

（1）知识库以某种存储结构存储领域专家的知识。 （2）全局数据库亦称为“黑板”，它用于存储求解问题的初始数据和推理过程中得到的中间数据，以及最终的推理结论。

（3）推理机根据全局数据库的当前内容，从知识库中选择匹配成功的可用规则，并通过执行可用规则来修改数据库中的内容，直至推理出来问题的结论。 （4）解释器用于向用户解释专家系统的行为。 （5）用户接口是系统与用户进行对话的界面。

（6）知识获取模块把知识工程师提供的知识转换为知识内部表示模式存入知识库中，在知识存储的过程中，对知识进行一致性、完整性检测。

工作原理：

专家系统的工作过程是根据知识库中的知识和用户提供的事实推理，不断地由已知的前提推出未知的结论，并把这些未知的结论纳入工作存储空间，作为已知的新事实继续推理，从而把求解的问题由未知状态转换为已知状态。可见，专家系统的工作过程是专家工作过程的一种机器模拟。

一般应用程序与专家系统的区别：前者把问题求解的知识隐含地编入程序，而后者则把其应用领域的问题求解知识单独组成一个实体，即为知识库。知识库的处理是通过与知识库分开的控制策略进行的。更明确地说，一般应用程序把知识组织为两级：数据级和程序级；大多数专家系统则将知识组织成三级；数据、知识库和控制。

10.遗传算法的特点及应用。

遗传算法是基于自然选择和基因遗传学原理的搜索方法，它将“优胜劣汰、适者生存”的生物进化原理引入到由待优化参数形成的编码串种群中，按照一定的适应度函数及一系列遗传操作对各个个体进行筛选，使适应度值较高的个体被保留下来，从而组成新的种群，新种群中包含了上一代的大量信息，并且引入了新的优于上一代的个体。如此周而复始，种群中各个体的适应度不断提高，直至满足一定的收敛条件。最后，以种群中适应度值最高的个体作为待优化参数的最优解。

与常规优化方法相比，遗传算法的鲁棒性较好，其主要的特点在于： ①遗传算法对参数的编码进行操作，而不是对参数本身； ②遗传算法从多个初始点开始操作，而不是从某一个点开始，这在很大程度上避免了搜索过程过早地收敛于局部极值，因此更有可能求得全局极值；

③遗传算法通过目标函数计算适应度，它不需要其它的推导运算和附加信息，因而对问题的依赖性小；

④遗传算法使用概率的操作规则，而不是确定性的规则； ⑤遗传算法在解空间中采用启发式搜索，而不是盲目地穷举或完全随机搜索，因而搜索的效率高；

⑥遗传算法对于待寻优的问题基本没有限制，既可以是数学解析式所表示的显函数，也可以是映射矩阵或神经网络表示的隐函数，同时也不要求待优化函数连续、可微；

⑦遗传算法所具有的隐含并行性的特点，使其可以通过大规模并行计算来提高计算速度；

⑧遗传算法更适合大规模复杂的、高度非线性问题的优化。

遗传算法提供了一种求解复杂系统优化问题的通用框架, 它不依赖于问题的具体领域, 对问题的种类有很强的鲁棒性即健壮性, 所以广泛应用于很多学科。 下是遗传算法的一些主要应用领域:

1 函数优化：函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等。用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。而遗传算法却可以方便地得到较好的结果。

2 组合优化：随着问题规模的增大，组合优化问题的搜索空间也急剧扩大。有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功的应用。 3 生产调度问题 ：生产调度问题在很多情况下建立起来的数学模难以精确求解，即使经过一些简化之后可以进行求解.也会因简化得太多而使得求解结果与实际相差甚远。目前在现实生产中主要是靠一些经验来进行调度。现在遗传算法已成为解决复杂调度问题的有效下具。在单件生产车间调度、流水线生产间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。

4 自动控制：在自动控制领域中有很多与优化相关的问题需要求解。遗传算法已在其中得到了初步的应用，并显示出良好的效果。例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交会控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等。都显出了遗传算法在这此领域中应用的可能性。 5 机器人智能控制 ：机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于人工自适应系统的研究。所以，机器人学理所当然地成为遗传算法的一个重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方而得到研究和应用。

6 图像处理和模式识别：图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会存在一此误差，从而影响图像的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。遗传算法在这些图像处理中的优化计算方面找到了用武之地。目前已在模式识别(包括汉字识别)、图像恢复、图像边缘特征提取等方而得到了应用。

7 人工生命 人工生命是用计算机、机械等人下媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大主要特征。人工生命与遗传算法有着密切的关系。基于遗传算法的进化模型是研究人工生命现象的重要基础理论。虽

然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命与遗传算法相辅相成，遗传算法为人工生命的研究提供一个有效的下具，人工生命的研究也必将促进遗传算法的进一步发展。 8 遗传编程

1989年，美国Standford大学的Koza教授发展了遗传编程的概念,其基木思想是:采用树型结构表示计算机程序,运用遗传算法的思想,通过自动生成计算机程序来解决问题。虽然遗传编程的理论尚米成热,应用也有一此限制,但它已成功地应用于人工智能、机器学习等领域。目前公开的遗传编程实验系统有十多个。例如，Koza开发的ADF系统，While开发的GPELST系统等。

9 机器学习 学习能力是高级自适应系统所具备的能力之一，基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规则，利用遗传算法来学习隶属度函数，从而更好地改进了模糊系统的性能；基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络结构优化设计；分类器系统也在学习式多机器人路径规划系统中得到了成功的应用。 10 数据挖掘

数据挖掘是近几年出现的数据库技术，它能够从大型数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。许多数据挖掘问题可看成是搜索问题，数据库看作是搜索空间，挖掘算法看作是搜索策略。因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化.直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。Sunil已成功地开发了一个基于遗传算法的数据挖掘下具。利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。

11.智能控制的发展趋势是什么？

12.智能控制的最新实例，并详细说明其工作原理。 基于模糊控制的温室智能控制系统设计

本文来源：https://www.bwwdw.com/article/3zr5.html