智能控制基础分析赵宇亮概要.doc

PAGE PAGE 8 中 国 矿 业 大 学 2014级 工程硕 士研究生课程考试试卷 考试科目 智能控制基础 考试时间 2016年6月 学生姓名 赵宇亮 学 号 G 所在院系 信电学院 任课教师 孙晓燕 智能控制基础分析 1、引言 智能控制是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。控制理论发展至今已有100多年的历史，经历了“经典控制理论”和“现代控制理论”的发展阶段，已进入“大系统理论”和“智能控制理论”阶段。智能控制理论的研究和应用是现代控制理论在深度与广度上的扩展[1]，是自动控制发展的高级阶段，是人工智能、控制论、信息论、系统论、仿生学、进化计算和计算机学等多种学科的高度中和与集成、是一门新兴的边缘交叉学科[2]。 2、智能控制产生的背景、基本概念和特点 自1932年奈奎斯特（H.Nyquist）的有关反馈放大器稳定性论文发表以来，控制理论的发展已经走过了80多年的历程。一般认为该学科的发展经历了三个主要阶段。 第一阶段为20世纪40—60年代的“经典控制理论”时期，经典控制理论以反馈理论基础，是一种单回路线性控制理论。主要采用传递函数、频率特性、根轨迹为基础的频域分析方法。主要研究单输入—单输出、线性定长系统的分析和设计。[2] 第二阶段为20世界60—70年代的“现代控制理论”时期，现代控制理论主要研究具有高性能、高精度的多变量参数系统的最优控制问题。采用的方法包括状态空间法、Bellman动态规划方法、Kalman滤波理论和Pontryagin极大值原理等。现代控制理论可以解决多输入多输出问题，系统可以是线性定长的，也可以是非线性时变的[2]。 第三阶段为20世纪70年代至今的“大系统理论”和“智能控制理论”时期。智20世纪60年代，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将人工智能技术应用于控制系统。傅京孙、Glofiso和Saridis等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系，提出了智能控制就是人工智能技术与控制理论的交叉的思想，并创立了人机交互式分级递阶智能控制的系统结构。 传统的控制理论建立在被控对象的精确数学模型之上，智能控制是针对系统的复杂性、非线性、不确定性等提出的。IEEE控制系统协会把智能控制归纳为：智能控制系统必须具有模拟人类学习和自适应的能力。智能控制的一般特点为： （1）自寻优特性。智能控制能对获取的信息进行实时处理并给出控制方法，通过不断的优化参数和寻找控制器的最佳结构形式，自动选取最优控制。 （2）多模态控制方式。智能控制具有以只是表示的非数学广义模型和以数学模型表示的混合控制过程，能根据被控对象的动态过程进行辨识，采用开闭环控制和定性与定量相结合的控制方式。[2] （3）全局控制容错性。智能控制能对复杂系统进行有效的全局的控制，对其中的错误控制有较强的容错能力。 （4）变结构特性。具有自学习、自适应、自组织能力，能从系统的功能和整体优化的角度来分析和综合系统，以实现结构的变换，达到预期的控制目标。 3、智能控制技术及其与传统控制比较的特点 3.1、智能控制技术 智能控制技术是控制理论用来解决那些传统方法难以解决的复杂的系统的控制问题。常用的智能控制技术包括模糊逻辑控制、神经网络控制、专家系统、学习控制、分层递阶控制、遗传算法等[3]。这里简单介绍模糊逻辑控制、专家系统、学习控制。 （1）模糊逻辑控制 模糊逻辑控制在一定程度上模仿了人的控制(人的控制经验和知识)，不需要准确的控制对象模型，因此它是一种智能控制的方法。模糊逻辑控制是基于模糊集合和模糊数学实现对对象模型的控制。模糊集合是一种特别的集合，用来描述模糊现象。模糊数学是关于模糊集合、模糊逻辑的数学理论[4]。对于无法建立数学模型或难以建立数学模型的场合，可以用模糊控制技术来解决。包含了五个主要部分，即:定义变量、模糊化、知识库、逻辑判断及反模糊化。 定义变量：也就是决定程序被观察的状况及考虑控制的动作，例如在一般控制问题上，输入变量有输出误差E与输出误差之变化率EC，而控制变量则为下一个状态之输入U。其中E、EC、U统称为模糊变量。 模糊化：将输入值以适当的比例转换到论域的数值，利用口语化变量来描述测量物理量的过程，依适合的语言值（linguistic value）求该值相对之隶属度，此口语化变量我们称之为模糊子集合（fuzzy subsets）。 知识库：