智能控制综述

华 珊，宋晓乔，杨小妮

（西安建筑科技大学华清学院，西安 710043）

随着现代科技的快速发展，技术和环境等领域的问题处理愈趋复杂，常规的数学模型已不能够满足科研发展的需要。而智能控制能模拟人的某些智能和经验对研究对象进行识别、组织、决策和规划，从而解决问题。可以说，智能控制是控制论发展的高级阶段，体现综合性的控制管理理论和方法。智能控制系统更是一门集成交叉学科，集合了多种现代社会数据处理以及科研分析的所有的学科内容。如生物学、控制论等。

1 智能控制的发展概况

20世界40年代美国数学家维纳创立了控制论，主要解决最简单对象的控制问题，而随着控制系统设计的发展，对于已有的自动控制方法和技术提出了挑战，要求控制论能够实现现代化、自动化发展。在此背景下，20世纪60年代美国傅京孙教授提出了智能控制思想。智能控制思想首次将人工智能的启发式推理规则运用于空间技术、海洋工程和机器人技术中，从而满足人们对于智能控制的需求[1]。

1966年，JM Mendel首先提出将人工智能用于飞船控制系统的设计。1971年，著名学者L.S.Fu（傅京逊）从发展学习控制的角度首次将智能控制吸收到自己的系统中来。1977年，Saridis从控制理论发展的观点，论述了智能控制理论发展的脉络，即提出了智能控制是从反馈控制理论出发，经历了自适应、自组织控制的阶段，最终朝着智能化控制理论；Saridis学者还提出了智能控制的概念内涵是由人工智能、运筹学、自动控制“三元”交叉结合形成的分级递阶式的框架系统[2]。该智能框架系统是智能控制后期重要的一个分支。60年代后期，Leondes和Mendel将记忆数据、目标分解等人工智能技术在学习的控制系统中成功应用。

智能控制理论发展进入到20世纪80年代后，人工智能系统已经初步进入到了控制系统框架中，实现了智能控制的柔性化发展。1984年，Astrom学者在其论文中首次将人工智能专家系统技术纳入到控制系统中，并且提出了专家控制人工智能系统的基本概念和框架内涵[3]。同样的在1984年，Hop fi eld提出的Hop fi eld网络及Rumelhart提出的BP算法（即人工神经网络算法）更是丰富了人工智能控制系统的范畴，使得人工神经网络的研究重新进入到学术界的高潮阶段[2]。1989年，在蔡自兴教授的论著中，其实现了智能控制“四元论”的发展，即在三元论的基础上添加了信息技术理论。近年来，随着控制理论的相关研究的发展，学术界逐渐将控制理论同模糊逻辑、神经网络、遗传算法等智能计算机技术相结合，从而实现对控制技术中导入柔性化的管理，即利用人的经验展开系统的指导管理。因此智能控制学科应运而生。

2 智能控制的特点

智能控制同传统的控制理论相比，具有柔性化的特点。其控制的主要目标在于控制器本身，通过对控制器展开广义模型的建立，指挥控制器做好被控对象的数据的收集，继而采用符号加工的方式，通过经验、规则用符号描述系统，主要解决高度非线性、不确定性和复杂系统问题。其特点概况为[2]：①具有人的学习能力和控制策略，能够对于未知环境所提供的数据信息进行分类、甄别其是否有用，并且能够借助信息推理出行业所需要的数据消息的特点；②具有的普适性特点，即能够对任何环境下的被控对象进行有效的控制，不受到被控对象本身的动力学特征变化、环境变化等内外部因素的影响；③有较强的恢复能力该控制系统能够自行展开故障的诊断、屏蔽以及处理；④具有变结构和非线性特点，能总体择优，其核心是组织级；⑤较强的组织功能；⑥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多模态控制方式。

3 智能控制的基本内容及研究热点

3.1 专家控制

1965年美国斯坦福大学Feigen-beum从事人工智能项目，研究新领域就是专家控制。专家控制（EC-Expert Control）主要利用专家系统来达成目的，专家系统就是将行业内的控制师的经验和知识体系实现数据化发展，将其导入到控制系统的知识库中，继而由推理机、解析机制和知识获取系统共同作用专家系统，完成专家控制。专家控制灵活地选取控制率，通过调整控制器的参数来适应环境和对象特性，同时专家系统鲁棒性强，可在非线性、大偏差的情况下可靠地工作。专家控制系统在机器人控制方面得到成功的应用，但在研究过程中存在“瓶颈”[3]：一是如何获取有用的专家知识，并形成可行的方式输入专家控制；二是世界发展速度加快，如何使专家控制自动更新和扩充有用的知识，保证其快速最优准确的实时控制。

3.2 神经网络控制

神经网络控制（NNC-Neural Networks Control）是智能控制的一个重要分支。它主要是为了解决一些非线性、不确定的、复杂的系统的控制问题所产生的一种新的控制技术。主要是依托于人工神经网络理论和控制理论所存在的。通过模拟人脑神经元的活动，将数学、生物学、计算机科学、自动控制等学科理论通过神经元之间实现连结从而来确定信息的特点含义，并且通过不断的修正不同神经元中连接到的权值得出预测结论，最终完成智能控制。

3.3 模糊控制

模糊控制（FC-Fuzzy Control）的理论基础是模糊集合论、逻辑推理以及语言变量，其实质上是一种非线性控制技术。模糊控制基于自然语言描述规则的控制方法，依据操作人员控制经验和操作数据建立数学模型，其鲁棒性强，可解决控制非线性、时变及纯滞后系统的控制。其控制系统应用语言变量，宜于构造形成专家系统，推理过程模仿人的思维过程，能够处理复杂系统。模糊控制目前已取得了丰硕的研究成果，但仍有带研究解决的问题：信息简单的模糊处理将导致系统的控制精度降低和动态品质变差；模糊控制设计尚缺乏系统性，无法定义控制目标。

3.4 遗传算法

遗传算法（GA-Genetic Algorithm）是基于达尔文的生物进化论的自然选择和遗传学激励的生物进化过程的计算模型。它是一种通过对生物进化规律进行模拟的智能算法。通过模拟生物自然进化的过程寻找出最优解的方式，其运行的主要策略主要是通过对控制对象潜在问题进行种群的解集的建立，从而实现基因的编码，在这一过程中，对各个个体实现编码，作为多个基因的结合，从中开始进行某种基因组合的求解。正如黑头发的调整是由各个主体中的染色体中的某一片段所决定的异样。遗传算法也是通过实现对表现型的基因的映射到编码，再到求解的过程。遗传算法的主要特点是：它适用于群体中的搜索和信息管理，特别是在复杂的非线性问题。

3.5 集成智能控制

集成智能控制是近年来控制领域中热点之一。其融合了多种智能控制方法和机理，将综合经验知识的专家系统，模糊推理的逻辑关系和人工神经网络的控制等方法相互交叉结合，取长补短，在工程实际中取得良好控制效果。近年来，模糊神经网络控制、专家模糊控制等多个方向的研究已取得了一定成果。

4 结束语

智能控制已广泛应用于工业、农业、军事等众多领域，具有广阔的发展前景，但其理论基础和应用都不够成熟和完善，智能控制的应用与开发还需要进一步的开发与推广。