第六章、智能控制的展望.pptVIP

　　　　　　　智能控制的展望　智能控制经过了20多年的发展历史，已经取得了可喜的进展。但是由于智能控制研究的领域既复杂又广泛，依赖于多门相关新颖学科的成熟和发展，所以，尚未形成完整和系统的理论，智能控制的应用研究也刚刚起步。可以预见，智能控制的发展势头和应用潜力相当广泛的。除模糊逻辑控制、神经控制以外、智能控制的研究内容还相当丰富。具体有：　一、学习控制　具有“学习”能力的控制器一直是控制工程师们追求的目标。严格地说，学习控制包括基于神经元网络的学习控制、迭代学习控制、重复学习控制、再励学习控制、自动机学习控制和遗传学习控制等。神经元网络学习控制已在前面讨论过，迭代学习控制和遗传学习控制是学习控制领域发展比较快的两个分支　1、迭代学习控制　迭代学习控制的基本思想在于总结人类学习的方法，通过多次的训练，从经验中学会某种技能。　迭代学习控制具有以下几个特点： 　1）对被控对象的模型要求非常宽松，不需要精确的模型　参数，只要一些模型的极限参数。　2）对周期性的系统扰动完全可以通过迭代学习来克服，因此具有良好的鲁棒性。对随机扰动也有较强的抑制能力。　3）学习控制的结构相当简单，学习的信息只须利用线性反馈控制量。因此，完全适用于快速实时控制。　4）学习算法的收敛条件非常简单。只要被控对象是此类非线性系统，且系统具有有界的不确定性。　2、遗传学习控制　智能控制离不开优化技术。快速、有效、全局化的优化算法是实现智能控制的重要手段。遗传学习算法是当今随机优化理论中相当活跃的一个分支。它与模拟退火算法、进化论算法一起构成了随机搜索优化的新理论。遗传学习算法是通过机器来模仿生物界自然选择机制的一种方法。它涉及到高维空间的优化搜索，虽然它的解不一定是最优的。但肯定是一个优良的解。　遗传算法的实质是通过问题解的编码的操作来寻优的，而 这种编码正等同于自然界物种的基因链。与自然界的“适者生存”一样，物种的选择也是通过有益于使较好的解具有生存权的这样一种机制来进行的。每一个体都与反映自身适应能力相对强弱的“适应度”相联系。较高“适应度”的个体具有较大的生存和繁殖机会，以及在下一代中占有更大份额。　遗传学习算法可归结为以下几个步骤：　1）群体的初始化；　2）评价群体中每一个体的性能；　3）选择下一代个体；　4）评价下一代群体的性能；　5）执行简单的操作算子（如交叉、变异）。　6）判断终止条件满足否？若不，则转3）继续；若满足，则结束。　要完成遗传学习算法，必须首先解决以下几个部分的选择问题。　（1）编码机制　遗传算法的基础是编码机制。编码解决的问题就是如何将最优化问题中的变量用某种编码方式构成一种　 遗传规则能够运算的字符串。　（2）选择机制　它的操作思想是适应能力强的个体将有更多的机会繁殖它们的后代。　（3）控制参数选则　必须谨慎有效地选择较好的参数（交叉率、变异率、群体规模大小等控制参数）来保证遗传学习算法收敛到最优解或次优解。　（4）二进制字符串的群体构成　遗传算法是在整个参数空间域内进行搜索的，因此，初始群体的选择应尽量包含较多的且相互独立的样本点。　（5）适应度函数的计算　为了使遗传学习算法与待求问题的本身无关，且便于遗传优化的计算，人们引入了一个新的指标函数，即“适应度值”。它的大小反应了群体中个体性能的优劣，它的值域范围为 [ 0 ,1 ]。　（6）遗传算子（交叉、变异）的定义，一旦下一代的群体全部选出，接下去的任务是如何利用这些适应能力强的父辈个体进行繁殖以得到优秀的下一代，交叉和变异算子是繁殖过程中的重要算子。 　一旦遗传学习算法在某一领域应用成熟，也可利用大规模集成电路芯片来实现这一具有继承特性的并行处理机制。　二、仿人控制　人脑的控制是最复杂，智能度最高的控制系统。智能控制的目的就是模拟人的智能，使系统达到更高的目标。　仿人控制更强调对人的控制行为和功能的综合性模仿，它的基本思想是在控制过程中利用计算机模拟人的控制行为，从而实现对缺乏精确模型的对象进行了有效的控制。我们知道，在人工控制的系统中，人对被控系统的状态、动态特征及行为了解越多，控制效果一定更好。因此，仿人智能控制也必须借助于这些状态和特征。因此，如何根据输入输出信息来识别被控对象所处的状态、动态特征及行为是实现仿人控制的关键。仿人智能控制的结构和行为功能上应该具备：　1）信息处理和决策的分层结构；2）在线特征提取和记忆能力；3）可采用开、闭环结合的多模态控制策略；4）能运用启发式与直觉式推理进行问题求解。　一个多变量的仿人智能控制器的基本结构如下图所示 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　多变量仿人智能控制系统结构图　　　　　　它是由简单协调