浅谈智能控制

摘 要

介绍了智能控制的发展历程，对几种重要的控制系统和优化算法进行了简单的说明。介绍了智能控制的应用现状，并对智能控制的未来进行了展望。

【关键词】智能控制 模糊控制 专家控制 神经网络控制 遗传算法

1 引言

自动控制科学已经对科学技术的理论和实践作出巨大贡献，然而，现代科学技术的迅速发展使得自动控制理论遇到了严峻的挑战。原因可归结为以下三点：

（1）传统控制系统是建立在精确的数学模型上的，而实际的系统和对象因为复杂性，非线性等原因无法获得精确的数学模型，无法解决建模问题。

（2）设计条件过于苛刻，与现实情况不符。

（3）面对复杂的问题，传统控制系统的稳定性会逐渐降低。

面对以上问题，诞生了智能控制这一门新型的学科，并发展成了日益完善的控制手段。

2 智能控制发展概述

1965年，作为智能控制的奠基人美籍华裔科学家傅京孙最早把人工智能的启发式推理用于学习控制系统并于1971年又论述了人工智能与自动控制的关系。到了1967年，Leondes等人首次使用了“智能控制”这一单词。在这个智能控制系统发展的初期阶段，系统只采用模式识别和学习方法等比较初级的智能方法。

与此同时Zadeh于1965年开辟了模糊控制领域，并进行了大量的研究实验，取得了良好的结果。之后Mamdani E.H 将模糊领域用于控制领域，并在1975年创立了模糊控制器的基本框架。

进入20世纪80年代日本工程师运用模糊控制建立了水净化厂和地铁系统。由此模糊控制的研究开始了广泛而迅速的发展。同样在80年代，Astrom明确的提出了专家控制这一概念。随后，de Silva，Homen de Mello，周其鉴等人促进了专家控制的发展，并提出了基于知识的控制，仿人控制，专家规划等。

在神经网络方面，W.McCulloch和W.Pitts于1943年提出了脑模型，基于该模型科学家们开展了神经元控制理论及其机理。同样在80年代，Hopifield模型，PDP理论，BP算法等的提出，标志着神经网络的迅速发展并广泛的应用在各个领域中。

3 智能控制方法

3.1 模糊系统控制

模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效的控制。对一些无法构造数学模型的被控过程进行有效的控制。其基本的模糊控制系统包括模糊化处理，模糊推理和非模糊化控制三个环节组成。在模糊控制中，其模糊控制器由四个功能模块组成：模糊化，规则库，模糊推理，模糊判决。

模糊控制具有以下优点：

（1）控制系统鲁棒性强，过程参数对系统的影响被大大削弱。适用于解决非线性，时变等问题。

（2）模糊控制可以直接采用语言性控制规则，不需要知道被控对象的数学模型，只需要现场人员的知识和专家的经验就可以。

（3）模糊控制是基于语言控制规则的，同时借助了人类的经验，增强了系统适应能力，具有了智能水平，可以处理更加复杂的系统。

（4）模糊控制中采用了语言控制规则，使其具有相对的独立性，当面临不同的性能指标时，能够找到折中的效果，控制效果更佳。

3.2 神经网络控制

作为智能控制的“后起之秀”，神经网络控制经过低迷期后在20世纪80年代以来进入快速发展时期。神经网络控制是利用人脑的结构原理以及人们自身的经验和知识进行系统控制。

因此神经网络控制具有良好的鲁棒性和智能性，能处理一些非线性，不确定性的问题。由于其本身是非线性系统，因此可以处理复杂的非线性系统。而它本身可平行实现，因而比常规方法有更大程度的容错能力。神经网络基本单元结构简单，并行连接处理速度很快。神经网络同样具有很强的自学能力和适应能力，便于解决难以用模型描述的对象即不确定性系统。其自身很强的信息融合能力，可以应对大量的不同的控制信号的输入，解决了输入信息间的互补和冗余问题，实现信息的集成。在未来的发展中，神经网络既可以通过软件也可以通过硬件来进行并行处理，拥有良好的应用前景。

3.3 专家系统控制

专家系统是一个具有大量的专门知识与经验的程序，应用人工智能技术和计算机技术，根据专家的知识和经验，进行推理和推断，模拟人类决策过程。而专家控制就是通过专家系统实现对系统的控制。与传统的控制相比专家系统在不同的控制系统中，专家控制可以根据需要实现的功能选择不同的控制规律，进行推理和解释，具有很强的灵活性。而面对具有不确定性的或者模糊性的问题时，专家控制可以根据自身的知识库和专家经验来进行调整，具有良好的适应性。同样专家控制可以解决非线性的问题，具有良好的鲁棒性。专家控制系统一般包括接口，知识库，推理机，和控制算法。对于不同的控制系统类型，系统结构会有略微不同。专家控制器一般分为直接型专家控制器和间接性专家控制器，其区别就在于是否对被控对象是直接还是间接控制。直接型控制器便于实现一些简单的任务或功能，但需要在线运行。而间接型控制器则是在线离线均可，适用及应用范围更广泛。

3.4 遗传算法控制

遗传算法简称GA，是由美国Michigan大学的Holland教授提出的模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法。遗传算法主要包括复制，交叉和变异三步骤，并且不停地循环重复，直到最优个体的适应度达到极限值，或不再提高，也就是在目标中求出最优解的方法。现如今遗传算法研究发展迅速，应用于计算机技术，自动控制，模糊识别等多个方面。作为一种优化算法，遗传算法的特点如下：

（1）遗传算法不是直接对参数本身进行操作，而是通过编码来进行求解。从而模仿生物的遗传机理找到最优解的字串，并不受约束条件限制。

（2）遗传算法具有并行计算的能力，通过并行计算的特点，遗传算法可以从一个群体开始搜索，而并不是单个个体进行搜索，极大地提升了搜索效率和计算速度，适用大规模问题的求解。

（3）遗传算法根据目标函数就可以确定搜索范围，不需要辅助信息的输入。因此遗传算法可以直接根据对象函数就可进行搜索，提高了搜索效率。

（4）遗传算法根据概率搜索技术，以一种概率进行运行，而不是确定性的规定，来向更引导其搜索过程想更优化的方向进行。

（5）遗传算法对目标函数的求解没有限制，因此可以适用范围较广，而它本身具有的自然进化机制能够快速的可以解决复杂非结构化的问题。

4 智能控制的应用

现如今，智能控制理论日益成熟，智能控制技术已经广泛的应用到了很多领域中，包括工业控制，机器人控制，工程机械控制，航天领域，语音智能等。其软件硬件的开发方便了智能控制应用系统的实现，同样拓展了智能控制的应用领域。

由智能控制产生的机器人技术同样广泛应用。伴随着大规模集成电路的不断进步，以及微型计算机的普遍应用，特别是人工智能理论与技术的发展，机器人控制智能化水平得到了大幅提高。遗传算法等优化算法的加入改善了机器人的编程和控制技术。神经网络的自学能力和适应能力使其在动力学上广泛应用。因此在很多危险的工作环境下，各式各样的机器人正在逐渐取代人类完成复杂的任务。

智能控制同样在机械领域大放异彩，鉴于工业过程多为参数繁杂，影响条件多，过程复杂。智能控制的出现为我们提供了解决手段。模糊控制和神经网络可以解决具有不确定性的非线性的问题，对函数和模型可以进行最优化的设计。并且它们并行处理的能力极大地提高了计算效率和容量来进行信息的接受和处理。智能控制器的使用也极大地提高了工业过程控制能力。其中，PID控制器具有良好的动态性能和静态特性，可以对整个过程进行控制以及的故障进行诊断和控制策略规划。

电力系统中，智能控制同样不可或缺，主要是应用专家系统，模糊控制，神经网络系统，遗传算法等。专家系统可以对各种电力系统的状态区分，对具有不确定性的信息可以进行处理。模糊控制可以对电力系统进行推理和模拟，也可以诊断设备或系统的故障。遗传算法的应用可以对电器设备的设计进行优化提高性能和系统的效率。

5 智能控制前景展望

作为区别于传统控制的智能控制的应用方法已经日益成熟，从最开始的理论与研究阶段，进入到现在广泛应用于社会各个角落的技术，智能控制正在逐渐改变我们的生活。现如今智能控制已经解决了很多传统控制无发解决的问题，但是仍有一些问题有待解决：智能控制的准则，鲁棒性，稳定性，准则性的定义等还有智能究竟有没有模型建立，动态系统知识的获取以及各种智能控制方法综合到一起进行使用的研究的问题。

作为目前许多国家认为的可以提高核心竞争力的技术，智能控制将在未来应用到更多的领域中去交通控制，医疗控制，农业，商业，娱乐等方方面面。我们可以确定伴随着时间的推移，具有巨大潜力和广阔的应用前景的智能控制必然会蓬勃发展。

参考文献

[1]章卫国，杨向忠.模糊控制理论与应用[M].西北工业大学出版社，1999.

[2]蔡自兴.智能控制原理与应用[M].清华大学出版社，2007.

[3]刘金琨.智能控制[M].电子工业出版社，2009.

[4]李少远，王景成.智能控制[M].机械工业出版社，2009.

[5]李东，李翠玲.人工智能技术发展概述和应用[J].PLC&FA，2006（01）.

作者单位

哈尔滨工程大学 黑龙江省哈尔滨市 150001