智能控制理论简介

2.2.1.1　智能控制的发展及特点

1）智能控制的发展

智能控制（Inteligent Controls）是在无人干预的情况下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发展阶段，现在已进人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和广度上的拓展。

纵观智能控制产生、发展的历史背景与现状，其研究中心始终是解决传统控制理论、方法（包括古典控制、现代控制、自适应控制、鲁棒控制、大系统方法等）所难以解决的不确定性问题。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，其集中表现为在控制工程中运用智能方法解决复杂系统的控制已取得了相当多的成功。另一方面，智能控制的研究虽然取得了一些成果，但实质性进展甚微，理论方面尤为突出，应用则主要是解决技术问题，对象具体而单一。应当着重于基础控制工程方法的开发而不是技术演示。智能控制作为多学科交叉的产物，其研究现状与存在的问题固然与交叉学科的发展密切相关，但传统的方法论也在一定程度上束缚了它的发展。事实上，在人们久已习惯的还原论思想及传统控制思路的引导下，智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。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。

智能控制以控制理论、计算机科学、人工智能、运筹学等学科为基础，扩展了相关的理论和技术，其中应用较多的有模糊逻辑、神经网络、专家系统、遗传算法等理论和自适应控制、自组织控制、自学习控制等技术。

智能控制这一概念是由美国普渡大学（Purdue University）电气工程系的美籍华人傅京孙教授于20世纪60年代最先提出的。早在1965年，傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统，1966年，Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术，并提出了人工智能控制的概念。1967年，Leondes和Mendel首先正式使用智能控制一词。随着研究的对象和系统越来越复杂，借助于数学模型描述和分析的传统控制理论已难以解决复杂系统的控制问题。智能控制是针对控制对象及其环境、目标和任务的不确定性和复杂性而产生和发展起来的。

智能控制是指驱动智能机器自主地实现其目标的过程，即无需人的直接干预就能独立地驱动智能机器实现其目标。其基础是人工智能、控制论、运筹学和信息论等学科的交叉，也就是说它是一门边缘交叉学科。傅京孙教授于1971年首先提出了智能控制的二元交集理论，即人工智能和自动控制的交叉。美国的G.N.Saridis于1977年把傅京孙教授的二元结构扩展为三元结构，即人工智能、自动控制和运筹学的交叉。后来中南大学的蔡自兴教授又将三元结构扩展为四元结构，即人工智能、自动控制、运筹学和信息论的交叉，从而进一步完善了智能控制的结构理论，形成了智能控制的理论体系。

20世纪70年代初，傅京孙、Glofis和Saridis等学者从控制论的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。

20世纪70年代中期，以模糊集合论为基础，智能控制在规则控制研究上取得了重要进展。1974年，Mamdani提出了基于模糊语言描述控制规则的模糊控制器，将模糊集和模糊语言逻辑用于工业过程控制，之后又成功地研制出自组织模糊控制器，使得模糊控制器的智能化水平有了较大提高。模糊控制的形成和发展，及其与人工智能的相互渗透，对智能控制理论的形成起到了十分重要的推动作用。

20世纪80年代，专家系统技术的逐渐成熟及计算机技术的迅速发展，使得智能控制和决策的研究也取得了较大进展。1986年，Ｋ.J.Astrom发表的著名论文《专家控制》将人工智能中的专家系统技术引人控制系统，组成了另一种类型的智能控制系统——专家控制。目前，专家控制方法已有许多成功应用的实例。

20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深人，控制系统向智能控制系统的发展已成为一种趋势。

20世纪90年代，智能控制行业日益成熟，作为一个独立的行业，其发展受到了双重动力的驱动。其一是市场驱动，市场需求的增长和市场应用领域的持续扩大，致使智能控制至今已经在工业、农业、家用、军事等几乎所有领域得到了广泛应用；其二是技术驱动，随着相关技术领域日新月异的发展，智能控制行业作为一个高科技行业也得到了飞速发展。

2012年全球智能控制行业的市场规模接近6 800亿美元。从地域分布上看，欧洲和北美是智能控制产品的两大主要市场，其市场规模占全球智能控制市场的56%，这主要是由于这两大区域在小型生活电器、汽车、大型生活电器、电动工具等领域的市场发展比较成熟，产品普及率高，未来几年内欧洲和北美将继续占据主要市场地位。

智能控制产品在中国等发展中国家的应用仍处于初级阶段，现阶段市场规模不大，但是增长速度较高，拥有巨大的发展空间。目前中国智能控制行业的规模为4 200亿元，2004年以来的年均增长率接近19%。汽车电子和大型生活电器是中国电子智能控制产品的主要应用领域，其市场占有率分别为31%和10%。小型生活电器产品种类繁多，目前中国小型生活电器智能控制产品的应用还不普及，正处于高速发展阶段，市场空间巨大。此外，电动汽车、智能建筑及家居等新兴领域的崛起也将带动智能控制器需求的快速增长。下游厂商需求分散使产品差异较大、产能较分散，因此全球智能控制行业总体集中度较低。

2）智能控制系统及其特点

近年来，越来越多的学者意识到在传统控制中加人逻辑推理和启发式知识的重要性，这类系统一般称为智能控制系统。对于智能控制系统这一术语还没有明确的定义，控制系统协会将其归纳为：智能控制系统必须具有模拟人类学习和自适应的能力。智能控制理论不同于经典控制理论和现代控制理论的处理方法是控制器不再是单一的数学模型而是数学模型和知识系统相结合的广义模型。概括说它有以下特点：

（1）分析和设计智能控制系统时，重点是智能机模型，即要把重点放在对非数学模型的描述、符号和意境的识别、知识库和推理机的设计和开发等方面上来，而不是放在传统控制器的分析和设计上。

（2）智能控制的核心是高层控制，即能对复杂系统如非线性、快时变、复杂多变量、环境扰动等进行有效的全局控制，实现广义问题求解，并具有较强的容错能力。

（3）定性决策和定量控制相结合的多模态组合控制。

（4）其基本目的是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预定的目标，并具有自组织能力。

（5）同时，知识在控制中起着重要的协调作用，系统在信息处理上既有数学运算又有逻辑和知识推理。

2.2.1.2　智能控制理论简介

自从“智能控制”概念提出到现在，自动控制和人工智能专家、学者们提出了各种智能控制理论，下面对一些有影响的智能控制理论进行介绍。

1）递阶智能控制

递阶智能控制（Hierarchical Inteligent Control）是由G.N Saridis提出的，它是最早的智能控制理论之一。它以早期的学习控制系统为基础，总结人工智能与自适应控制、自学习控制和自组织控制的关系后逐渐形成的。递阶智能控制遵循“精度随智能降低而提高”的原理分级分布。该控制系统由组织级、协调级、执行级组成。在递阶智能控制系统中，智能主要体现在组织级上，由人工智能起控制作用；协调级是组织级和执行级之间的接口，由人工智能和运筹学共同作用；执行级仍然采用现有的数学解析控制算法，对相关过程执行适当的控制作用，它具有较高的精度和较低的智能。

2）神经网络智能控制

人工神经网络是一种动态非线性系统，它的分布式存储和并行协同处理特征引起了自动化学界的极大关注，并逐渐被应用到控制领域，进而产生了神经网络控制。神经网络控制简称神经控制，是简单模拟人脑智力行为的一种新型控制方式和辨识方式。随着人工神经网络应用研究的不断深人，新的模型不断推出。在智能控制领域中，应用最多是BP网络、Hopfield网络、自组织神经网络、动态递归网络等。

神经网络能够应用于自动控制领域，主要因为：①由于隐层的存在，只需三层网络便可以任意精度逼近非线性函数；②并行处理功能既能解决大批量实际计算和判决问题，又有较强的容错能力，网络输出是所有神经元共同激活的结果，少量神经元的激活差错不影响决策功能；③神经网络自身的结构及其多输人、多输出的特点，使其易于控制多变量系统；④对于不同的输人模式，隐层各单元的激活强度不同，对于干扰原因产生给定偏离或系统内部结构变化，当经典方式和现代方式构成的负反馈调节无能为力时，神经控制却能因不同的激活强度而获得满意的输出；⑤具有自适应和自学习的特性。需提出的是，神经控制的特点十分诱人，但其理论研究还不成熟，许多问题有待进一步研究。

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的有效的自我调节。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。神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，即学习结束。常用的学习算法有：Hebb学习算法、widrow Hof学习算法、反向传播学习算法——BP学习算法、Hopfield反馈神经网络学习算法等。

3）模糊控制

美国加利福尼亚大学的自动控制理论专家LA.Zadeh于1965年首先提出了“模糊集合”的概念。1974年，英国的学者首先把模糊理论用于工业控制并取得了良好的效果，从此模糊控制理论得到了快速的发展。

模糊控制的基本思想是用机器去模拟人对系统的控制，就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段，实现系统控制。模糊模型是用模糊语言和规则描述一个系统的动态特性及性能指标。它具有不需要知道被控对象（或过程）的数学模型、易于实现对具有不确定性的对象和具有强非线性的对象用进行控制、对被控对象的特性参数的变化具有较强的鲁棒性、对控制系统的干扰具有较强的抑制能力等优点。

4）专家智能控制

专家系统（Expert System，ES）是美国斯坦福大学的E.H.Shortlife于1976年开发成功的，它而开创了人工智能研究的新领域。所谓专家系统就是一个或一组能在某特定领域内，以人类专家的水平去解决该领域中困难问题的计算机程序。人类专家之所以成为某一领域中的专家，其关键之处在于他掌握了关于某领域的大量专门知识（Expertise）。由此可知，如果计算机能够贮存关于某一领域的大量专门知识，并能有效地利用这些知识去解决问题，那么计算机也应该能很好地解决该领域的复杂问题。专家系统的整个理论基础可以用英国伟大的哲学家培根的名言“知识就是力量”来概括。

A.Baler等人曾精确地指出“专家系统的性能水平主要是它所拥有的知识数量和质量的函数”。从专门知识的特点出发，专家系统的基本特征有：

（1）启发性（Heuristic）——不仅能使用逻辑知识，也能使用启发性知识；

（2）透明性（Transparency）——能向用户解释它们的推理过程，还能回答用户的一些关于它自身的问题；

（3）灵活性（Flexibility）——系统中的知识应便于修改和补充。

5）学习控制系统

学习机的概念是和控制论同时出现的，它是一种模拟人的记忆与条件反射的自动控制装置。现有的机器学习方法主要有归纳学习、类比学习、基于解释的学习和基于人工神经网络的学习等。学习控制系统能够处理不确定性和非线性过程，并能保证良好的适应性、令人满意的稳定性和足够的收敛性。因而，近期学习控制得到了广泛的应用。

6）定性控制理论

定性推理是一种基于模型的推理，其基本思想是，为了搞清楚定性推理的对象的现实世界的物理系统的行为，往往不需要使用严格的定量方法。定性推理不是通过收集系统变量在不同的时间点上的取值来模拟系统行为，而是在更高的抽象层次上关心系统行为的定性特征。将定性推理应用到控制领域，便形成了智能控制的一个新的分支，即定性控制。定性控制器根据系统的不完全知识，对系统的输出行为做出预测和控制，这是常规控制器所无法完成的。定性控制与模糊控制的主要区别是：①模糊控制基于“黑箱”系统，不需要建立数学模型，而定性控制基于定性模型；②模糊控制基于状态的精确测量值，而定性控制基于状态的定性测量值。

7）遗传算法与控制理论相结合

遗传算法是美国密歇根大学的John.holand于1975年提出的。它的基本思想是基于达尔文的进化论和孟德尔的遗传学说。遗传算法将问题转换成由染色体组成的进化群体和对该群体进行操作的一组遗传算子。它通过“适者生存，不适者淘汰”的进化机制，经过“生成-评价-选择-操作”的进化过程反复进行，直到搜索到最优解为止。当前遗传算法用于自动控制主要是进行系统参数的辨识、控制参数在线优化、神经网络中的学习等。

2.2.1.3　人工智能的发展

1）人工智能的发展概况

当公路、车辆、机器人或制导导弹具有模拟人类智能的特点时，它们被称为智能化。其特点是计算机用与人脑工作方式近似的方式去处理信息。人类彼此之间通过口头语言进行通信联络的能力被公认为智能的标志。同样的，人类察看周围环境并组织物体识别的可视信息的能力也被看作大脑的独有功能。

让机器近似地实现人脑所实现的这些功能的思想可以追溯到19世纪。20世纪50年代，人们开始研究电子计算机模拟人脑特点的可能性。1956年夏，一个研究小组的学者在数学和逻辑方面进行了尝试，他们参加了由洛克菲勒基金会和达特茅斯学院资助的夏季讲习班，目的是共同探索产生能够再现智能思维的计算机程序的前景。这个小组的参加者中的许多人因此成为人工智能的新计算机科学领域的带头人。

在20世纪60年代和20世纪70年代，人们将人工智能作为计算机科学的一个特殊方面进行研究。在此期间，人们在编程技术方面取得了一些有用的成果，形成一个可作为几乎所有的计算机基础的根本性结构，这个结构是约翰·冯·诺依曼在1946年提出的，由一个存贮记忆和一个中央处理单元构成，中央处理单元能执行一连串的数学运算。这种计算机被称作连续计算机或冯·诺依曼机。通过开发高速处理电路、更大的记忆体，以及减少存取数据和执行连续指令所耗费的时间，计算机已经获得了更高层次的能力。人工智能研究者们意识到人脑的一个重要特点是能够迅速地贮存信息，而不把时间浪费在不相关信息排序的能力研究上。人脑还表现出了并行的多功能。在这一时期，商业和科学计算机迅速发展的另一个局限是其带有计算机程序的特性。这些程序很适合数值计算，但人工智能方面的研究要求计算机存贮和处理极大量的信息。它牵涉到对与特殊领域知识相关的列表进行搜索，以及如何最好地在记忆体中表现这些专业知识的问题。它也涉及编程计算机实现逻辑运算的功能。所以，支持人工智能功能的计算机程序用于处理数字和符号，这与早期的计算机程序形成对比。早期程序主要实现大批量数据的数学运算。两种基本的编程语言被开发出来以支持与人工智能相联系的特殊的运算。它们是LISP和PROLOG。

20世纪60年代和20世纪70年代，美国、欧洲和日本的少数几个大学、政府和工业研究实验室继续进行人工智能方面的研究工作。到20世纪70年代，研究表明通过编程来模拟人脑特定功能的计算机能够投人实际应用。实际应用是最为关键的。早期进行“会思考的机器”模型建立的尝试受到了限制，因为建立最简单的识别处理模型要求计算机系统有极大的容量。随着计算机技术的迅速进步，计算机能力使实际的计算机所选类型的识别处理模型成为可能。

在20世纪80年代早期，人工智能在计算机科学界、各大公司、防卫规划者以及研究阶层中引起了广泛注意。人工智能成为一种技术潮流，成为一个越来越受注意的时髦名词。人工智能的主要研究领域包括专家系统、自然语言处理、机器视觉。每个领域都关注能够以类似人类行为进行反应的计算机系统。专家系统包含知识库、工作记忆体、能够使计算机作出推理的过程的一些程序。知识库包括综合了直观判断的准确信息。准确信息可以是数字化数据或陈述。而直观判断是程序化的规则，它能够尝试去捕获在特殊专业领域的专家的知识和判断。这带来了如何在计算机程序的参考框架中体现这种知识的问题，在人工智能领域，也就是知识获得的处理问题。专家系统的工作记忆体存贮了输人数据，保存了解决问题所要采取的步骤的记录。推理过程则是一种控制结构，是帮助程序解决问题的一套规则。由于规则要被修订以适应新的知识，故专家系统是经常变动的。因此，一个专家系统要有被用户发展扩充的能力，以反映个别的意见或偏好。

2）计算机视觉实现

计算机视觉的产生包含了人们对人类视觉的了解。现在人们已经开发了能够表现人类部分视觉特征的计算机系统。正如人类视觉那样，计算机视觉牵涉到编程和在多层次上实现的功能。因此计算机技术已经被用来处理图像数据，而不仅仅用于人工智能。而且，关于其他领域的基本图解处理技术已经发展起来，包括光学处理、视频处理、模式识别、情景分析和画面理解。

人类视觉取决于人脑及其能够贮存大量外界信息的能力。人脑实现了特征提取、分类和图解理解等功能。人类能识别几千种图样，并和情景中的物体建立正确的联系。这是一个非常迅速的过程，不需要有意识的作用。因此即使提供了具有足够处理能力的计算机，人们也不知该如何编程去模仿人类视觉处理能力。形式有限的计算机视觉的应用是可能的，但是不能完全实现人类视觉的能力。

现在，商业化视觉系统正在使用，能够完成与检查、部分排序、定位遥控装置等相关的任务。在这些应用中，物体轮廓从黑白图像中分离出来，并与存储在记忆体中的模型进行比较。在交通控制中，结合来自其他传感器系统的信号，自动车辆控制系统的研究也得到发展。

3）自然语言处理

自然语言的处理涉及利用自然语言同计算机进行交流的方法开发。自然语言包括由打印文字、印刷文字或口语等组成的人-机语言界面，和机器交流的自然语言的科学研究与理解人类如何利用语言互相交流紧密相关。因此，自然语言处理与语言学和心理学有关。

由于应用场合不同，自然语言处理的复杂程度可能很大。作为选择，一个自然语言界面的领域可能被限定于一个特定的人。然后，计算机可以被“培训”，或被程序控制识别特定人的发音。接着模式匹配技术就可以把口语翻译成待处理的计算机语言。将人的发音转换成正确的单词和句子，不仅牵涉到大量的发言人，还牵涉到大量的词汇，而这些都难以得到令人满意的解决。一种语言中语音的语素，随着发言人的方言和口音不同差别相当大。而且在英语中，发音相同的单词有不同的含义。

计算机理解的错误是随机的，识别发言人不同的语言仍是难以实现的目标。只是定义良好、清楚的语言才容易实现清楚的自然语言的处理。而语音激活的界面在应用中是可行的，例如车载路线导航或出行信息系统都可用语言实现。