智能控制技术的研究

智能控制技术的研究

Research for Intelligent Control Technology (ICT)

于卫平 彭亦功

(华东理工大学,上海 200237)

摘要:以智能控制产生背景为研究基础,分析了智能控制技术的特点,并将智能控制与传统控制进行比较,

介绍了智能控制中常见的主要方法,从而突出了智能控制技术无可比拟的独特优势和发展潜力.

关键词:智能控制 经典控制 模糊控制 神经网络控制 专家控制

Abstract: Based on the background of ICT' s origin, the paper presents analysis on the features of ICT and

compares the difference between Intelligent Control and Conventional Control. Furthermore, the main methods for

ICT are significantly introduced so to show the advantages and the prospect of intelligent control.

Key words: Intelligent Control Conventional Control Fuzzy Control Neural Network Control Expert

Control

0 引言

智能控制作为当今的一种交叉前沿学科,其研究中心始终是解决传统控制理论、方法

(包括经典控制、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.自智能控制概念的提出,自动控制界纷纷仿效,主流是人工智能技术引入到自动控

制系统中,寻求难以精确建模的复杂系统的自动控制(自治)

[1]

.

自1985 年在纽约召开第一届智能控制学术会议至今,智能控制已被广泛研究应用于工

业、农业、服务业、军事航空等各个领域.近年来,随着人工智能技术和其它信息处理技术,

尤其是信息论、系统论和控制论的发展,智能控制在控制机理和应用实践方面均取得了突破

性的进展.遗传算法与模糊逻辑、神经网络相互融合,通过模拟人类思维方式和结构来设计

用于解决复杂的各种非线性问题的控制策略,并已在各种实际工程项目中得到应用,取得了

良好的效果.分布式人工智能中的Agent和Multi-Agent System已成为研究的热点,构建基

于Agent的集散递阶结构的智能控制系统为智能控制注入了新的活力

[2]

.

在理论研究取得进步的同时,国内外的研究者均意识到智能控制的研究不能只停留在计

算仿真的层次上,智能控制应该直接面向传统控制难以或无法解决的复杂的非线性系统,面

向实际工程应用,这也是当今智能控制发展的主要方向之一.

1 智能控制技术的特点与优势

1.1 智能控制技术的特点

智能控制主要用来解决传统控制难以解决的复杂系统的控制问题.根据智能控制的基本

控制对象的开放型、复杂性和不确定性的特点,一个理想的智能控制系统应具有

[2]

:

① 学习能力.系统对一个未知环境提供的信息进行识别、记忆、学习,并利用积累的

经验进一步改善自身性能的能力;

② 适应功能.这种智能行为实质上是一种从输入到输出之间的映射关系,可看成是不

依赖模型的自适应估计.此外,系统还应具有容错性和鲁棒性;

① 组织功能.当出现多目标冲突时,智能控制器可在一定范围内自行解决,使系统能

满足多目标、高标准的要求.

2

基于此,智能控制技术具有以下特点:

① 智能控制具有混合控制特点.智能控制是同时具有以知识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,并以知识进行推理,以启发来引导求解过程;

② 智能控制的核心在高层控制,即组织级.高层控制的任务在于对实际环境或过程进

行组织,即决策和规划,实现广义问题求解;

③ 智能控制是一门边缘交叉学科.智能控制技术的发展需要各相关学科的配合与支援,

智能控制也是目前自动控制发展的最前沿阶段;

④ 智能控制系统具有判断决策能力.能够总体自动寻优,具有自适应和自协调的能力.

1.2 智能控制与传统控制的比较

综合智能控制的诸多优点,将传统控制和智能控制在应用领域方面、理论方法上和性能

指标方面进行比较,以更突出智能控制的优势.① 在应用领域方面,传统控制着重解决不

太复杂的过程控制和大系统的控制问题;而智能控制主要解决高度非线性、不确定性和复杂

系统控制问题.② 在理论方法上,传统控制理论通常采用定量方法进行处理,而智能控制

系统大多采用符号加工的方法;传统控制通常捕获精确知识来满足控制指标,而智能控制通

常是学习积累非精确知识;传统控制通常是用数学模型来描述系统,而智能控制系统则是通

过经验、规则用符号来描述系统.③ 在性能指标方面,传统控制有着严格的性能指标要求,

智能控制没有统一的性能指标,而主要关注其目的和行为是否达到.

但是,智能控制与传统的或常规的控制有密切的关系,互相取长补短,而并非互相排斥.

基于智能控制与传统控制在应用领域方面、理论方法上和性能指标等方面的差异,往往将常

规控制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.

2 智能控制技术的主要方法

目前,基于人工神经网络、模糊数学、模式识别及专家系统等基础理论,融合生理学、

心理学、行为学、运筹学、传统控制理论等多学科的知识和方法,出现了许多有效的智能控

制理论和方法.当前的研究热点主要是:模糊控制、专家控制、神经网络、综合智能控制等.

2.1 模糊控制

模糊控制以模糊集合论、模糊语言变量和模糊逻辑推理为基础,以先验知识和专家经验

为控制规则.其基本思想是用机器模拟人对系统的控制,即在得到的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,模拟人的模糊推理和决策过程,实现模糊控制.在

实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定.

与传统控制相比,模糊推理不需要精确的数学模型,其设计主要建立在相关数据与规则

的基础之上,因此适于解决非线性系统的控制问题;而且模糊控制的鲁棒性好,自适应性强,

适用于时变、时滞系统.但是模糊控制也有其自身的弊端,如学习能力不强,设计时控制

规

则的拟订过于依赖经验和专家知识,因此有时精确度不高.最近开发出的高性能模糊控制器

具有的学习功能,可以在控制过程中不断获取新的信息,并能调整控制量,大大改善了系统

的控制性能.

2.2 专家控制

专家控制是基于知识的智能控制.其基本原理是由适合控制要求的知识库和体现该知识

决策的推理机构形成主体框架,根据系统的有关动态信息、控制目标和知识库中的对应知识,

及时选用适当的规则进行推理输出,进而对过程对象实施有效的控制.

专家控制分为直接式和间接式.直接式就是将专家系统作为控制器,根据控制工程师和

操作人员的启发式知识来设计.间接式是将专家知识用于控制器参数或结构的修正与调整,

使系统运行过程中保持良好的控制状态.最常见的间接专家控制系统是专家的自整定

PID控3制系统.此专家系统通过对系统性能的判别,动态响应曲线的特征识别,由推理机根据知识

库中的调整规则进行推理求解,确定PID参数的调整方向和调整量,对PID控制参数进行调整.

2.3 神经网络

神经网络控制是模拟人类神经中枢系统智能活动的一种控制方式.神经元网络用神经元

之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼

近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控

制等方式实现智能控制.神经网络具有的非线性映射能力、并行计算能力、自学习能力及强

鲁棒性等优点已广泛应用于控制领域,尤其是非线性系统领域.将人工神经网络用于控制具

有很多优异的性能

[3]

:① 对于复杂的无模型不确定问题具有较强的自适应能力和学习能力,

这种学习能力是通过不断修正神经元之间的连接权值,并离散存储在连接网络中来实现的.

通过学习,可以适应环境而改善性能;② 可以充分逼近任意复杂的非线性系统,用于非线

性系统的辨识和控制;③ 由于大量神经元之间广泛连接,并采用分布式存储方式,即使少

量神经元或它们的连接损坏,也不影响系统的整体功能,因此具有很强的鲁棒性.

2.4 综合智能控制技术

目前,控制理论与技术向着两个方向发展:一是就一个理论或方法本身的深入研究;二

是将不同的方法适当地结合在一起,取长补短,形成新的控制系统,获得单一方法所难以达

到的效果,即智能控制技术的综合.例如,自适应PID控制、模糊PID控制、自适应模糊控制、

基于遗传算法的模糊控制、模糊神经网络实现的PID参数自整定控制、基于神经网络的自适

应模糊控制、自适应模糊变结构控制、模糊神经网络自适应预测控制等.

2.4.1 专家系统与神经网络控制

神经网络采用联接机制方法,专家系统采用的是符号逻辑方法,这两种方法分别对应人

类智能活动的直观感知活动和逻辑认知活动,两者密切相关.单独使用时,各自都有其局限

性,如果将两者结合,建立专家系统和神经网络的混合系统,可克服各自的局限性,提高控

制性能.这样的混合系统可将复杂系统分解成各种功能子系统模块,这些模块分别由神经网

络或专家系统来实现.对其中易于掌握其产生式规则的子系统应用专家系统方法,其余的子

系统由神经网络来实现.对专家系统和神经网络的混合系统研究引起越来越多学者的重视.

目前需进一步深入研究的问题主要有建立混合系统的模型、如何用神经网络表示知识和如何

用神经网络获取知识等.

2.4.2 模糊神经网络

模糊神经网络把模糊逻辑系统与神经网络系统相结合,形成一个优势互补系统.神经网

络从结构上模仿人脑,形成\"硬件\"拓扑结构,具有很强的并行处理能力、学习能力、容错

能力,能够通过学习从给定的经验训练集中生成映射规则,但在网络中映射规则是不可见的

和难以理解的,并且学习速度较慢,表达知识比较困难

[4]

;模糊逻辑从功能上模仿人的大脑,

形成\"软件\"模拟,利用先验知识,以简明的规则来表达,能处理不确定信息,其缺点是难

以学习.

将这两种对人脑\"硬件\"和\"软件\"的模拟有机结合,可相互取长补短,使得系统控制

性能得到明显提高,尤其是对于难以建模或非线性时变对象,将获得传统控制方法和其它现

代控制理论难以达到的效果.模糊神经控制主要研究方向涉及如何用神经网络实现模糊推

理、模糊逻辑与神经网络的对应关系、如何进一步改进和完善模糊神经控制的学习算

法、提

高控制算法的速度和性能等.

2.4.3 遗传算法与模糊逻辑

遗传算法与模糊逻辑的结合是一种将知识获取和知识表示有机结合起来的新的研究思

路.模糊系统可以比较严密地表示和存储有关的领域知识,例如模糊规则,并且对于结构化

的、有较完整定义的知识,模糊系统能够比较有效地表示问题的解.但是对于比较复杂的系

4

统,由人工反复试验的方法来设计模糊系统是很困难的;与此相比,遗传算法在优化规则结

构成员函数和学习模糊规则上具有明显优势.因此,将遗传算法与模糊逻辑相结合,是很多

学者关注的焦点.目前研究的重点主要是用遗传算法改进模糊控制器.

2.4.4 遗传算法与神经网络

将遗传算法与神经网络相结合,充分利用两者的优点,使控制系统既有神经网络的学习

能力和鲁棒性,又有遗传算法的全局搜索优化能力,这是当前智能控制中的一个研究热点.

两者的结合包括多种形式:

一是将遗传算法用于神经网络中,利用遗传算法的寻优能力来对神经网络的连接权值进

行优化学习,以获得最佳权值,对神经网络的结构进行优化设计以及学习规则的进化生成.

目前广泛研究的前馈网络中采用的是误差反向传播(BP)算法,这种算法具有简单和可塑的优

点,但由于基于梯度方法,因而收敛速度较慢,并且常遇到局部极小点的问题.采用遗传算

法,不仅可提高收敛速度,而且可实现全局优化.

二是将神经网络用于遗传法中,来改进遗传算法的收敛性.目前这方面的研究内容之一

是用神经网络的映射关系来完全取代遗传算法中父代群体至子代群体的进化,例如,用父代

群体作为输入,子代群体作为输出,用训练过的BP网络取代遗传算法的操作,但这样做

容易

将遗传算法的优点也丢弃了.为避免这种情况,可采用神经网络和遗传算法的混合方法,基

本思想是将系统分为若干子模块,分别用神经网络和遗传算法来求解各个子模块.

3 结束语

纵观智能控制产生、发展及其现状,智能控制研究核心是运用智能控制理论与方法解决

传统控制理论、方法(包括经典控制、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.智能控制的研究已取得了一定成果,但其理论方面的深化、新方

法的探索有待进一步研究,这也是我们未来所面临的艰巨任务.

参考文献

1 游明坤.智能控制理论的发展及应用[J].软件导刊,2006,(06).

2 傅京孙,蔡自兴,徐光估.人工智能及其应用[M].北京:清华大学出版社,2003.

3 吴启迪.反馈式神经网络智能控制[M].上海:上海科技教育出版社,2005.

4 李卓,萧德云,何世忠.基于神经网络的模糊自适应 PID 控制方法[J].控制与决策,2003,11(3).

第一作者于卫平,男,1983年生,现为华东理工大学信息学院自动化系在读硕士研究生