智能论文

智能控制技术综述

刘亚军

（郑州轻工业学院，河南郑州 450002）

摘 要：20世纪20年代,在建立了以频域法为主的经典控制理论的基础上,智能控制技术逐步发展。随着信息技术的进步,许多新方法和新技术进入工程化、产品化阶段。这对自动控制理论技术提出了新的挑战,促进了智能理论在控制技术中的应用。在智能控制技术比较的基础上,较详细地阐述了智能控制技术主要方式的特点及优化算法,并举例说明。智能控制技术将不断地发展和充实。

关键词：智能控制; 传统控制; 模糊控制; 专家控制; 神经网络控制; 优化算法; 热点; 应用

Summary of Intelligent Control

Ya-Jun Liu

(.Department, City, City Zip Code, China)

Abstract：Intelligent control technology was developed in 1920’s, after the establishment of classic control theory

with frequency domain method as the major area. Following the development of the information technology, many new methods and new technologies are pacing into engineering and producing phases. It is new challenge to automatic control theoretical technologies, and it promotes the application of intelligent theory in control technologies. On the basis of comparison of intelligent control technologies, their major schemes, features and optimization algorithms are expounded in detail with examples. Intelligent control technologies will be developed and substantiated progressively. Key words：Intelligent control; ; traditional control; Fuzzy control; Expert control; Neural network control; Optimization

algorithm; hotspot; application

引 言

控制理论的发展始于Watt飞球调节蒸汽机以后的 100 年 ,智能控制是控制理论发展的一个新阶段。在科学技术和生产力水平高速发展的今天,人们对大规模、复杂和不确定性系统实行自动控制的要求不断提高。因此 ,基于精确数学模型的传统控制理论就显得力不从心了 ,智能控制也就应运而生。

提出了学习控制的概念 ,引入了人工智能的直觉推理 ,提出把人工智能的直觉推理规则方法用于学习控制系统. 次年Mendel 在空间飞行器的学习控制中应用了人工智能技术 ,并提出了“人工智能控制”的新概念;同年 ,Leondes和Mendel 首次使用了“智能控制 （IntelligentControl ）”一词 ,并把记忆、目标分解等技术用于学习控制系统;这些反映了智能控制思想的早期萌芽 ,被称为智能控制的孕育期.

20世纪70年代关于智能控制的研究是对 60 年代这一思想雏形的进一步深化.1971年 ,傅京孙发表了重要论文 ,提出了智能控制就是人工智能与自动控制的交叉的“二元论思想 ,列举3种智能控制系统:人作为控制器、人机结合作为控制器、自主机器人;1974年 ,英国的Mamdani 教授首次成功地将模糊逻辑用于蒸汽机控制 ,开创了模糊控制的新方向;977年 ,Saridis的专著出版 ,并于1979年发表了综述文章 ,全面地论述了从反馈控制到最优控制 ,随机控制及至自适应控制、自组织控制、学习控制 ,最终向智能控制发展的过程 ,提出了智能控制是人工智能、运筹学、自动控制相交叉的“三元论”思想及分级递阶的智能控制系统框架.

1 发展历史与现状

1.1 萌芽阶段（1965年以前）

20世纪40～50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上 ,形成了今天所说的“古典控制理论”.1956年以前 ,英国学家 A.M.Turing 为现代人工智能作了大量开拓性的贡献.20世纪60～70年代 ,数学家们在控制理论发展中占了主导地位 ,形成了以状态空间法为代表的“现代控制理论”,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的巨大分歧.1961 年以后 ,人工智能主要内容涉及知识工程、自然语言理解等.人们研究人工智能方法也分为结构模拟派和功能模拟派 ,分别从脑的结构和脑的功能入手进行研究

1.3迅速发展时期（1980～1991年）

20世纪80年代 ,智能控制的研究进入了迅速发展时期.1984年,Astrom发表了论文 ,这是第一篇直接将人工智能的专家系统技术引入到控制系统的代表作 ,明确地提出了建立专家控制的新概念;与此同时 ,Hopfield 提出的 Hopfield 网络及Rumelhart 提出的BP算法为一直处于低潮

1.2发展初期（1965～1979年）

1965年 ,美国普渡大学的傅京孙（K.S.Fu）教授首先

的人工神经网络的研究注入了新的活力 ,继 Kilmer和Mcclloch提出 KBM模型实现对“阿波罗”登月车的控制之后 ,人工神经网络再次被引入控制领域 ,并迅速得到了广泛的应用 ,从而开辟了神经网络控制;1985年8月 ,IEEE在美国纽约召开了第一界智能控制学术讨论会;1987年1月 ,在美国费城由 IEEE控制系统学会与计算机学会联合召开了第一界智能控制国际会议 ,这标志着智能控制作为一门新学科正式建立起来。

1.4新的发展阶段（1992年至今）

从 20 世纪90年代至今,智能控制进入了新的发展时期。随着对象规模的扩大和过程复杂性的加大,以及随着人工智能技术、信息论、系统论和控制论的发展,人们试图从更高层次上研究智能控制 ,如认知心理学、神经网络技术、进化论及遗传算法、混沌论等。这不仅形成了智能控制的多元论而且在应用实践方面取得了突破性的进展 ,如基于Agent 的集散递阶结构的智能控制系统为智能控制注入了新的活力。关于智能控制的研究论文、著作、会议、期刊大量涌现 ,应用对象也更加广泛,从工业过程控制、机器人控制、航空航天器控制到故障诊断、管理决策等均有涉及 ,并取得了较好的效果.

进入21世纪,智能控制进入新的历史阶段 ,控制学科所面临的控制对象的复杂性、环境的复杂性、控制目标的复杂性日益突出 ,智能控制的研究提供了解决这类问题的有效手段 .

2 智能控制与传统控制的关系

2.1传统控制

传动控制处理高度非线性和复杂系统的效果很差 ,且有较弱的自学习、自适应、自组织功能和容错能力。由于对象模型的不确定性、环境的复杂性和控制任务或目标的复杂性的不断加大 ,基于精确数学模型的传统控制就显得力不从心。

闭环控制系统由控制器、执行机构及被控对象、检测环节组成,结构框图如图1所示:控制器是闭环控制系统的核心 它的控制算法决定了系统的控制特性及控制效果.传统的控制系统最常用的控制规律是PID控制 。

PID调节器是一种线性调节器，它根据给定值 R(t)与实际输出值Y(t)构成控制偏差e(t)=R(t)-Y(t) 将偏差进行比例 (P)积分(I) 微分(D)运算,再通过线性组合构成控制量,对控制对象进行控制。比例环节的作用使控制量成比例地反应系统的偏差信号e(t) 偏差一旦产生调节器立即产生控制作用以减小偏差，积分环节主要用于消除静差，提高系统的稳态精度，其控制量的大小是偏差极值对时间的累积值。微分环节能反应偏差信号的变化趋势（变化速率）并能在偏差信号变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减小调节时间 。

R-输入 f-扰动 u-控制量 Y-输出

图1 专家系统结构图

2.2两者关系

智能控制与传统的或常规的控制有密切的关系 ,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.但是 ,与传统自动控制比较,智能控制有以下几方面区别:

(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

2

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，具有较强学习功能、适应功能和组功能 ,能克服被控对象和环境所具有的高度复杂和不确定性 ,实现有效控制。但智能控制系统并排斥传统控制理论 ,信息与反馈概念在智能控制论中仍占据着重要地位。如在分层递阶结构的能控制系统中 ,执行级常常采用传统理论进行计。

3 智能控制的主要方法与目前研究热点

3.1 主要方法

3.1.1专家控制 (EC-Expert Control)

这是一种将人的感知经验 浅层知识 与定理算法 深层知识 相结合的传统的智能控制方法主要优点是在层次结构上、控制方法上和知识表达上有灵活性、启发性和透明性 ,既可以采用符号推理也允许数值计算;既可以精确推理也可以模糊决策。

专家系统的基本组成部分有:知识获取、知识库、推理机和解释器四个部分 ,其结构如图 2所示知识获取为修改知识库中原有的知识和扩充知识提供手段;知识库用于存储

图2 专家系统结构图

领域内的原理性知识专家的经验知识以及有关的事实等 ,并为推理机提供求解问题所需知识;推理机根据当前的输入数据或信息 ,再利用知识库中的知识 ,按一定的推理策略去

处理、解决当前的问题;解释器根据知识的语义 ,对找到的知识进行解释 ,向用户提供了一个认识系统的窗口。 3.1.2 模糊控制 （FC-FuzzyControl）

模糊控制是应用模糊集合理论 ,从行为上模拟人的模糊推理和决策过程的一种实用方法。如图3所示 ,其核心为模糊推理 ,主要依赖模糊规则和模糊变量的隶属度函数。与专家系统控制类似 ,其推理过程也是基于规则形式表示的人类经验。因此有人把两者都归类于基于规则的控制。

其主要特点是:它是一种非线性控制方法;不依赖于对象的数学模型;具有内在的并行处理机制 ,并表现出极强的鲁棒性;算法简单、执行快、容易实现。模糊控制已在一些领域取得了很好的研究成果 ,展示了其处理精确数学模型 ,非线性 ,时变和时滞系统的强大功能。

图3 模糊控制结构图

3.1.3 神经网络控制 (NNC-Neural Networks Control)

20 世纪 80 年代中期以来 ,人工神经网络以其独特的优点引起了人们的极大关注。它是从机理上对人脑生理系统进行结构模拟的一种控制和辨识方法 ,是介于符号推理与数值计算之间的一种数学工具 ,具有较好的学习和适应能力。

人工神经网络本身各简单结点没有显在的物理意义 ,但综合网络可描述复杂和非线性系统的控制和辨识问题 ,而且能做到并行实时、冗余容错的运算。它有如下特点 :能充分逼近任意非线性特性;分布式并行处理机制;自学习和自适应能力;数据融合能力;适合于多变量系统;多变量处理;以及可硬件实现。这些特点使神经网络成为非线性系统建模与控制的一种重要方法 ,因此神经网络成为实现非线性预测控制的关键技术之一 。

神经网络控制在理论和设计方法上还存在许多问题 ,有待进一步的研究。例如人工神经网络系统稳定性的分析方法、神经网络结构和规模的选取及优化方法和学习和控制算

法的收敛性和实时性问题 ,这些都还有待继续深入研究。 3.1.4分层智能控制 (HIC-Hierarchical Intelligent Control)

美国的控制理论家G﹒Saridts 在提出智能控制系统的

3

人工智能、自动控制和运筹学的二元结构的同时 ,模拟了人脑的分层结构 ,提出了分层递阶的智能控制系统结构。

如图 3 所示 ,智能控制系统分为三级:执行级协调级和组织级 ,并规定各级之间实现“智能递增精度递减”的原则。执行级用于高精度局部控制;协调级用于按知识和实际输出进行控制参数调整;组织级则进行推理、决策和学习。其特点表现为:自下而上智能渐增而精度递减。这种分层递阶结构的优点是控制路线明确 ,易于解析描述 ,其智能表现为传统的”感知、思考、动作”的有意识的行为。它已成功地应用于机器人智能控制、交通系统的控制与管理等一些领域。

图 3 分层智能控制结构图

3.1.5优化算法 3.1.5.1遗传算法(GA)

遗传算法是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。遗传算法依照所选择的适配值函数,通过遗传中的复制、交叉及变异对个体进行筛选,使适配值高的个体被保留下来,组成新的群体,新群体既继承了上一代的信息,又优于上一代,这样周而复始,群体中个体适应度不断提高,直到满足一定的条件。遗传算法具有以下优点 :

①从许多初始点开始进行并行操作,克服了传统优化方法容易陷入局部极点的缺点,是一种全局优化算法;

②对变量的编码进行操作,替代梯度算法,在模糊推理隶属度函数形状的选取上具有更大的灵活性;

③对所要求解的问题不要求其连续性和可微性,只需知道目标函数的信息;

④由于具有隐含并行性,所以可通过大规模并行计算来提高计算速度;

⑤ 可在没有任何先验知识和专家知识的情况下取得次优或最优解。

遗传算法在控制领域中,已被用于研究离散时间最优控制、Riccati方程的求解和控制系统的鲁棒稳定问题等。遗传算法用来训练神经网络权值,对控制规则和隶属度函数进行优化,也可用来优化网络结构。 3.1.5.2蚁群算法

蚁群算法是群体智能的典型实现,是一种基于种群寻优的启发式搜索算法。蚁群算法的基本思想:当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的概率越大。该算法的主要特点可表述如下:

①蚂蚁群体行为表现出正反馈过程,通过反馈机制的调整,可对系统中的较优解起到一个自增强的作用。使问题的解向着全局最优的方向演变,有效地获得全局相对较优解;

② 蚁群算法是一种本质并行的算法。个体之间不断进行信息交流和传递。有利于发现较好解,并在很大程度上减少了陷于局部最优的可能;

③蚂蚁之间没有直接联系,而是通过路径上的信息索进行信息的传递,是间接通信。

蚁群算法不仅能够智能搜索、全局优化 ,而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。Marco Dorigo等人将蚁群算法先后应用于旅行商问题、资源二次分配问题等经典优化问题 ,得到了较好的效果。在动态环境下 ,蚁群算法也表现出高度的灵活性和健壮性 ,如在集成电路布线设计、电信路由控制、交通建模及规划、电力系统优化及故障分析等方面都被认为是目前较好的算法之一。

3.2 目前研究热点

随着人们对不确定性、复杂性、模糊性过程控制问题进行广泛深入研究 ,专家系统、模糊逻辑和神经网络被广泛地引入到控制理论之中。由于这三者都具有解决人工智能中知识表达与不确定性推理的信息表达与处理能力 ,人们近来普遍认为以下几种途径是智能控制最具吸引力的选择: ①基于知识和经验的专家系统控制; ②基于模糊逻辑推理与计算的模糊控制; ③基于人工神经网络的神经网络控制; ④以上途径的交叉与结合。

由于专家系统控制、模糊控制和神经网络控制各有特点 ,因此目前有些研究者集成这些方法 ,形成了模糊神经网络控制(ENNC)和专家模糊控制(ENNC)等多个方向。例如 ,一种基于神经网络的模糊焊接控制方法 、基于进化计算和神经网络的财政预算方法 、用于医学诊断的粗集神经网络专家系统 和基于模糊专家系统的不稳定电压控制 。子波变换、遗传算法与模糊神经网络的结合、以及混沌理论等 ,也将成为智能控制的发展方向。

4 智能控制应用举例

智能控制的应用领域已大为拓宽 ,不再局限于传统的控制领域。从以下几个主要领域来介绍智能控制的工程应用及其发展现状。

4.1 智能机器人

采用人工神经网络、模糊控制和专家系统技术对机器人进行定位、环境建模、检测、控制和规划的研究已经日趋

4

成熟 ,并在多个实际应用系统中得到验证。同时 ,遗传算法和进化计算为机器人系统带来了新型的优化编程和控制技术。

一种基于遗传算法的机器人路线规划方法 ,将机器人控制分为两层。底层采用传统的控制理论 ,通过调整各个方向马达的电压值 ,来控制机器人的运动方向;上层采用遗传算法 ,对可选路线进行评估 ,选择较优路线。为了能翻越障碍物 ,底层仿照坦克原理 ,附加一大一小的滚轮组;为取得最优路线 ,上层将遗传算法得到的路线 ,与障碍物之间的附加线 ,相交得到一系列交叉点 ,然后把这些交叉点连成的曲线作为机器人的路线。该方法使机器人在户外翻越和绕开障碍物时有较好的行进效果。

此外 ,通过神经网络在线或离线训练 ,获得学习机器人的动力学模型 ;为提高系统的鲁棒性和适应能力 ,用模糊控制原理构造了基于模糊逻辑和神经网络的控制器 。

4.2直接模糊神经网络控制的应用

众所周知 ,列车运行过程中受到许多不确定因素的影响 ,是一类复杂动力学过程 ,难以用常规方法进行建模 ,其在不同的工作条件下 ,控制目标和控制策略随过程特性的变化而大不相同 ,因此用常规的控制理论很难适应过程要求 。针对该控制对象的特性 ,研究了一种高速列车运行过程的直接模糊神经控制器 ,提出了一种基于模糊神经自适应控制的方法。该方法利用模糊神经网络来辨识列车运行的逆动力学模型 ,并以此模型作为控制器提供给列车主要的广义驱动力 ,加上常规的控制器构成完整的控制系统;当神经网络给出的驱动力合适 ,系统误差较小 ,常规控制器的控制作用就变弱;反之 ,常规控制器起主要的控制作用。模糊规则的制定是利用常规控制器提取初始模糊规则 ,利用专家经验对初始规则进行补充 ,最后利用误差的反向传播算法对参数进行在线自适应调整 ,结果很好地满足了列车运行的某些性能指标。

控制系统结构如图4所示,它主要包括一个模糊逻辑控制器(FLC),一个学习控制器和一个前馈控制器。在反馈控制回路中 , FLC向列车自动运行系统提供控制信号 ,在学习网路中 ,采用了动态回归神经网络DRNN(dynamic recurrent neural network),被用来模拟列车运行的逆动力学特性 ,包含一个状态反馈器 ,相对于前馈神经网络 ,它能够提供更为复杂的计算;神经网络的权值在整个控制过程中可以根据FLC的输出进行实时更新 ,可以保证该系统对外部干扰和不确定性的适应能力;前馈控制器是学习控制器的翻版 ,它用来产生系统所需要的动力 ,提高控制系统的性能。

图4 控制系统方块图

图5所示是DRNN结构图,它包括一个含有n个非线性节点的隐含层,一个含有n个节点的输出层。非线性节点用来捕获系统的非线性 ,同时线性节点可以允许对任意范围的近似 ,神经网络的权值可以根据列车运行系统的实际运动进行在线训练 ,神经网络经过训练后首先获得系统的动力学特性 ,然后将它放置在前馈回路中用来产生控制信号。

图5 DRNN结构图

4.3工业过程中的智能控制

工业制造业涉及一系列相关的操作和行为 ,如产品设计、材料选择、工艺流程设计和生产过程等等。由于需要依赖那些不够完备和不够精确的数据来解决难以或者无法预测的情况 ,智能控制被广泛地应用。例如 ,焊接过程中的模糊焊缝跟踪、汽车工业的模糊控制变速发动机和轿车中央智能控制系统等等。

由于模糊神经网络控制方法需要充分多的神经元来表示非线性 ,增加了学习时间。而且这种方法易陷入局部最优点 ,这就限制了模糊神经网络控制方法的应用范围。一种基于遗传算法的模糊神经网络控制方法 ,用单神经元网络表示 S 形非线性函数 ,并用遗传算法预学习神经网络的参数。遗传算法预学习不仅使参数易收敛到全局最优点 ,也预先在一定程度上较正了非线性函数的偏差 ,进而加快了神经网络的学习速度。结果表明 ,该方法取得较好的柔性连接操作效果。

4.4 其它领域中的智能控制

广义上理解的自动控制可以包括那些具体的有形的机械设备 ,以及抽象的时变的信息对象 ,如股市行情、气象信息、地震火灾预报数据等。所以在其他领域中,智能控制技术也可得到广泛应用。

5 智能控制的发展前景

当代最高意义上的智能自动化要算机器人学的进步和应用。机器人从爬行到学会了直立行走 ,现在已能用手使用工具 ,能看、听、用多种语言说话 ,并能安心可靠地去干最脏最累最危险的活。据统计 ,目前世界上有数百万个机器人

5

在各生产线上工作 ,美国和日本已经在核反应堆中使用机器人 。按照我国的规划 ,到 2010 年 ,70%以上的家庭具备互联网接入条件 ,大中城市中 60%的住宅实现智能化。到那时 ,新兴的语音识别技术 ,会在智能家居中得到运用 ,还能在智能家园中运用“生物特征智能识别”技术 ,对我们脸部、角膜、指纹等特征进行技术识别 ,方便我们的生活。远程医疗和健康监护等自动化技术 ,也将会问津寻常人家的日常生活。在手术过程中的麻醉深度智能控制系统 ,已证明其控制质量超过了人工控制。

交通事故死亡率正成为人类和平时期非正常死亡概率的第一因素 ,引入智能交通系统 ,可以大大缓解这一状况。智能交通系统是信息自动化处理的系统 ,包括收集最基本的道路信息 ,建立多种交通模型 ,寻求最优的交通诱导 ,给出行者提供充分的信息。智能交通系统在美国的一些城市已经实施 ,它可以减少10%的废弃材料,20%的交通延迟 ,30%的停车次数。有关资料表明:2010年智能交通将会在世界性大城市普及 ,2020年,智能交通将成为生活中的一部分。新世纪开始我国科技部已确定上海、广州、深圳、青岛、重庆等9个城市为首批全国智能交通系统应用和示范工程试点城市。

全世界有6万种语言 ,智能化电脑的同步翻译机的出现 ,将真正实现人类语言达到沟通无障碍的“全球通”状态。目前我国科学家已经成功试制出中国和韩国间普通电话的同声翻译 ,以及中日间掌上电脑的同步翻译。预计10年后 ,会有大量的语音翻译产品问世 ,30 年后将出现没有领域限制的翻译系统 ,全球将基本实现无语言障碍交流。决策系统、专家控制系统、学习控制系统、模糊控制、神经网络控制、智能规划和故障诊断系统等智能控制的一些研究成果 ,已被应用于各类工业(电力、化工、冶金、造纸等)生产过程控制系统和智能化生产(制造)系统 ,如:飞行器制造 ,列车自动驾驶系统等。智能技术广泛应用于社会 ,有利于提高人民的生活质量 ,提高劳动生产率 ,提高全社会的文化素质 ,创造更高的就业率。

智能控制的迅速发展 ,把基于自动控制观点的追求智能控制系统高度自治的狭隘理解引导到重视人机结合、智能互补的方向上来 ,有利于促进智能控制学科的健康发展. 智能控制的研究是复杂的 ,综合集成之路也没有统一、规整的规则、定理、定律可循.从目前来看 ,智能控制难以存在普遍、统一的理论体系 ,而建立集成化智能控制框架则是现实的、必要的 ,这种框架应具有开放性、形式非唯一性 ,而且不排斥人作为系统成员.目前 ,这一领域的研究正在飞速发展 ,

例如神经网络算法 ,遗传算法 ,这些都在力争使自动控制更加高度智能化.

智能控制已广泛地应用于工业、农业、军事等多个领域 ,解决了大量的传统控制无法解决的实际控制应用问题 ,呈现出强大的生命力和发展前景随着基础理论研究和实际应用的不断深入扩展 ,同时智能控制系统是一门跨学科 , 需要多学科提供基础支持的科学 , 因此 , 智能控制系统必然是一个综合集成智能系统 , 它将随着模糊控制、神经网络控制、专家系统的发展而不断发展。另外微电子学、生命科学、自动化技术等突飞猛进 ,为21世纪实现智能控制和智能自动化创造了很好的条件.

对这门新学科今后的发展方向和道路已经取得了一些共识:①研究和模仿人类智能是智能控制的最高目标; ②智能控制必须靠多学科联合才能取得新的突破; ③智能的提高 ,不能全靠子系统的堆积 ,要做到“整体大于组分之和”,只靠非线性效应是不够的.因此，面对着未来人工智能的发展，我们还有很长一段路要走。为达到目标,不仅需要技术的进步,更需要科学思想和理论的突破, 这需要发现新的原理或者改造已知的物理学基本定理,才能彻底懂得和仿造人类的智,才能设计和制造出具有高级智能的自动控制系统。 无论如何进程已经开始,科学界要为保障人类和我们的家园 地球的生存和可持续发展做出必须的贡献 而控制论科学家和工程师应当承担主要任务。

参考文献:

[1] K.S. Fu. Learning Control Systems and Intelligent Control System[J].

An Intersection of Artificial Intelligence and Automatic Con-rol, IEEE Trans. AC-16(1): 70-72, 1971.

[2] G.N. Saridis. Intelligent Robotic Control[J]. IEEE Trans, 1983，

AC-28(5): 547-556. [3] , ,

[4] 主要责任者.文献题目[文献类型标识].出版地:出版者,出版年.起止

页码(任选).

[5] 主要责任者.文献题名[J].刊名,年,卷(期):起止页码.

[6] 析出文献主要责任者.析出文献题名[C]//原文献主要责任者(任选).

原文献题名.出版地:出版者,出版年.析出文献起止页码. [7] 主要责任者.文献题名[N].报纸名,出版日期(版次). [8] 标准编号,标准名称[S].

[9] 专利所有者.专利题名[P].专利国别:专利号,出版日期.

[10] 主要责任者.电子文献题名[电子文献及载体类型标识]. ,发表或更

新日期/引用日期.电子文献的出处或可获得地址.

[11] 主要责任人.文献题目名：原件日期[Ｂ].收藏地：收藏单位（收藏

号）：起止页码．

[12] 主要责任者.文献题名[Z].出版地:出版者,出版年. [13] 外文文献的引用格式

6

在各生产线上工作 ,美国和日本已经在核反应堆中使用机器人 。按照我国的规划 ,到 2010 年 ,70%以上的家庭具备互联网接入条件 ,大中城市中 60%的住宅实现智能化。到那时 ,新兴的语音识别技术 ,会在智能家居中得到运用 ,还能在智能家园中运用“生物特征智能识别”技术 ,对我们脸部、角膜、指纹等特征进行技术识别 ,方便我们的生活。远程医疗和健康监护等自动化技术 ,也将会问津寻常人家的日常生活。在手术过程中的麻醉深度智能控制系统 ,已证明其控制质量超过了人工控制。

交通事故死亡率正成为人类和平时期非正常死亡概率的第一因素 ,引入智能交通系统 ,可以大大缓解这一状况。智能交通系统是信息自动化处理的系统 ,包括收集最基本的道路信息 ,建立多种交通模型 ,寻求最优的交通诱导 ,给出行者提供充分的信息。智能交通系统在美国的一些城市已经实施 ,它可以减少10%的废弃材料,20%的交通延迟 ,30%的停车次数。有关资料表明:2010年智能交通将会在世界性大城市普及 ,2020年,智能交通将成为生活中的一部分。新世纪开始我国科技部已确定上海、广州、深圳、青岛、重庆等9个城市为首批全国智能交通系统应用和示范工程试点城市。

全世界有6万种语言 ,智能化电脑的同步翻译机的出现 ,将真正实现人类语言达到沟通无障碍的“全球通”状态。目前我国科学家已经成功试制出中国和韩国间普通电话的同声翻译 ,以及中日间掌上电脑的同步翻译。预计10年后 ,会有大量的语音翻译产品问世 ,30 年后将出现没有领域限制的翻译系统 ,全球将基本实现无语言障碍交流。决策系统、专家控制系统、学习控制系统、模糊控制、神经网络控制、智能规划和故障诊断系统等智能控制的一些研究成果 ,已被应用于各类工业(电力、化工、冶金、造纸等)生产过程控制系统和智能化生产(制造)系统 ,如:飞行器制造 ,列车自动驾驶系统等。智能技术广泛应用于社会 ,有利于提高人民的生活质量 ,提高劳动生产率 ,提高全社会的文化素质 ,创造更高的就业率。

智能控制的迅速发展 ,把基于自动控制观点的追求智能控制系统高度自治的狭隘理解引导到重视人机结合、智能互补的方向上来 ,有利于促进智能控制学科的健康发展. 智能控制的研究是复杂的 ,综合集成之路也没有统一、规整的规则、定理、定律可循.从目前来看 ,智能控制难以存在普遍、统一的理论体系 ,而建立集成化智能控制框架则是现实的、必要的 ,这种框架应具有开放性、形式非唯一性 ,而且不排斥人作为系统成员.目前 ,这一领域的研究正在飞速发展 ,

例如神经网络算法 ,遗传算法 ,这些都在力争使自动控制更加高度智能化.

智能控制已广泛地应用于工业、农业、军事等多个领域 ,解决了大量的传统控制无法解决的实际控制应用问题 ,呈现出强大的生命力和发展前景随着基础理论研究和实际应用的不断深入扩展 ,同时智能控制系统是一门跨学科 , 需要多学科提供基础支持的科学 , 因此 , 智能控制系统必然是一个综合集成智能系统 , 它将随着模糊控制、神经网络控制、专家系统的发展而不断发展。另外微电子学、生命科学、自动化技术等突飞猛进 ,为21世纪实现智能控制和智能自动化创造了很好的条件.

对这门新学科今后的发展方向和道路已经取得了一些共识:①研究和模仿人类智能是智能控制的最高目标; ②智能控制必须靠多学科联合才能取得新的突破; ③智能的提高 ,不能全靠子系统的堆积 ,要做到“整体大于组分之和”,只靠非线性效应是不够的.因此，面对着未来人工智能的发展，我们还有很长一段路要走。为达到目标,不仅需要技术的进步,更需要科学思想和理论的突破, 这需要发现新的原理或者改造已知的物理学基本定理,才能彻底懂得和仿造人类的智,才能设计和制造出具有高级智能的自动控制系统。 无论如何进程已经开始,科学界要为保障人类和我们的家园 地球的生存和可持续发展做出必须的贡献 而控制论科学家和工程师应当承担主要任务。

参考文献:

[1] K.S. Fu. Learning Control Systems and Intelligent Control System[J].

An Intersection of Artificial Intelligence and Automatic Con-rol, IEEE Trans. AC-16(1): 70-72, 1971.

[2] G.N. Saridis. Intelligent Robotic Control[J]. IEEE Trans, 1983，

AC-28(5): 547-556. [3] , ,

[4] 主要责任者.文献题目[文献类型标识].出版地:出版者,出版年.起止

页码(任选).

[5] 主要责任者.文献题名[J].刊名,年,卷(期):起止页码.

[6] 析出文献主要责任者.析出文献题名[C]//原文献主要责任者(任选).

原文献题名.出版地:出版者,出版年.析出文献起止页码. [7] 主要责任者.文献题名[N].报纸名,出版日期(版次). [8] 标准编号,标准名称[S].

[9] 专利所有者.专利题名[P].专利国别:专利号,出版日期.

[10] 主要责任者.电子文献题名[电子文献及载体类型标识]. ,发表或更

新日期/引用日期.电子文献的出处或可获得地址.

[11] 主要责任人.文献题目名：原件日期[Ｂ].收藏地：收藏单位（收藏

号）：起止页码．

[12] 主要责任者.文献题名[Z].出版地:出版者,出版年. [13] 外文文献的引用格式

6

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