学习智能控制课程的研究报告Word文件下载.docx

学习智能控制课程的研究报告Word文件下载.docx

《学习智能控制课程的研究报告Word文件下载.docx》由会员分享，可在线阅读，更多相关《学习智能控制课程的研究报告Word文件下载.docx（10页珍藏版）》请在冰豆网上搜索。

20世纪70年代是智能控制的发展初期，傅京孙、Gloriso和Saridis等人正式提出了智能控制就是人工智能技术与控制理论的交叉。

70年代中期前后，以模糊集合论为基础，从模仿人的控制决策思想出发，智能控制在另一个方向规则控制上也取得了重要的进展。

80年代为智能控制的迅速发展期，智能控制的研究及应用领域逐步扩大并取得了一批应用成果。

1987年1月，第一次国际智能控制大会在美国举行，标志着智能控制领域的形成。

1992年至今为智能控制进人崭新的阶段。

随着对象规模的扩大和过程复杂性的加大，形成了智能控制的多元论，而且在应用实践方面取得了突破性的进展，应用对象也更加广泛。

智能控制采用各种智能技术来实现复杂系统和其他系统的控制目标，是一种具有强大生命力的新型自动控制技术。

智能控制的产生和发展正反映了当代自动控制以至整个科学技术的发展趋势，是历史的必然。

智能控制已成为自动控制发展道路上的一个新的里程碑，正发展为一种日趋成熟和日臻完删的控制手段，并获得日益广泛的应用。

2智能控制的研究内容

目前关于智能控制的研究和应用沿着几个主要的分支发展，主要有专家控制、模糊控制、神经网络控制、学习控制、基于知识的控制、复合智能控制、基于进化机制的控制、自适应控制等等。

有的已在现代工业生产过程与智能自动化方面投入应用。

主要介绍如下：

1、专家控制是智能控制的一个重要分支，其研究始于60年代中期，是由美国斯坦福大学Feigen-baum于1965年开创的人工智能研究的新领域。

所谓专家控制是指将专家系统的理论和技术同控制理论方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。

专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现控制的功能，它由知识库和推理机构构成主体框架，通过对控制领域知识（先验经验、动态信息、目标等）的获取与组织，用某种策略及时地选取恰当的规则进行推理输出，实现对实际对象的控制。

2、模糊控制自1965年Zadeh教授创建模糊集理论和1974年英国的Mamdani成功地将模糊控制应用于蒸汽机控制以来，模糊控制得到了很大的发展和广泛的应用。

模糊控制是基于模糊推理、模仿人的思维方式、对难以建立精确数学模型的对象实施的一种控制，成为处理推理系统和控制系统中不精确和不确定性的一种有效方法，构成了智能控制的重要组成部分。

3、神经网络控制是另一类智能控制的重要形式。

人的大脑具有很强的自学习和自适应能力，神经网络控制正是基于模拟人的大脑结构和功能而发展起来的一种智能控制方法。

神经网络由人工神控制就经元组成，采用仿生学的观点与方法来研究人脑和智能系统中的高级信息处理。

所谓神经网络控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断，以及同时兼有上述这些功能的组合。

是当今智能控制中的研究热点领域之一。

4、学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值、分类、决策和不断改善系统品质的自动控制系统。

学习控制具有搜索、识别、记忆、推理4个主要功能。

傅京孙指出：

几乎所有的学习算法都具有相似的学习特性。

较复杂的在线学习技术的实现需要高速度和大容量的计算机。

5、递阶控制系统

递阶智能控制是在研究早期学习控制系统的基础上，并从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，也是智能控制的最早理论之一。

递阶智能控制还与系统学及管理学有密切关系。

已经提出多种分级递阶控制理论，即基于知识/解析混合多层智能控制理论、“精度随智能提高而降低”的分级递阶智能控制理论以及四层递阶控制理论等。

这几种理论在递阶结构上是有联系的，其中，以萨里迪斯的分级智能控制理论最具影响。

由萨里迪斯提出的分级递阶智能控制方法作为一种认知和控制系统的统一方法论，其控制智能是根据分级管理系统中“精度随智能提高而降低”的原理而分级分配的，并由组织级、协调级和执行级三级组成。

6、仿生控制系统

从某种意义上说，智能控制就是仿生和拟人控制，模仿人和生物的控制机构、行为和功能所进行的控制，就是拟人控制和仿生控制。

神经控制、进化控制、免疫控制等都是仿生控制，而递阶控制、专家控制、学习控制和仿人控制等则属于拟人控制。

在模拟人的控制结构的基础上，进一步研究和模拟人的控制行为与功能，并把它用于控制系统，实现控制目标，就是仿人控制。

仿人控制综合了递阶控制、专家控制和基于模型控制的特点，实际上可以把它看作一种混合控制。

生物群体的生存过程普遍遵循达尔文的物竞天择、适者生存的进化准则。

群体中的个体根据对环境的适应能力而被大自然所选择或淘汰。

生物通过个体间的选择、交叉、变异来适应大自然环境。

把进化计算，特别是遗传算法机制和传统的反馈机制用于控制过程，则可实现一种新的控制——进化控制。

自然免疫系统是个复杂的自适应系统，能够有效地运用各种免疫机制防御外部病原体的入侵。

通过进化学习，免疫系统对外部病原体和自身细胞进行辨识。

把免疫控制和计算方法用于控制系统，即可构成免疫控制系统。

7、组合智能控制系统

把智能控制与传统控制（包括经典PID控制和近代控制）有机地组合起来，即可构成组合智能控制系统。

组合智能控制能够集智能控制方法和传统控制方法各自之长处，弥补各自的短处，取长补短，也是一种很好的控制策略。

例如，PID模糊控制、神经自适应控制、神经自校正控制、神经最优控制、模糊鲁棒控制等就是组合智能控制的例子。

严格地说，各种智能控制都有反馈机制起作用，因此都可看作组合智能控制。

3神经网络智能控制

智能控制被广泛应用于社会众多领域，从实验室到工业现场，从智能仪器到家用电器，从工业机器人到生产领域控制，解决了大量的传统控制无法解决的实际控制应用问题。

将各种智能控制方法的交叉应用是当前智能控制领域主要应用方向之一，而这种交叉应用有时是非常困难的。

在此我仅对神经网络控制系统的应用做下简要总结和学习。

对于控制界，神经网络的吸引力在于：

（1）能够充分逼近任意复杂的非线性系统；

（2）能够学习和适应严重不确定性系统的动态特性；

（3）由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；

（4）采用并行分布处理方法，使得快速进行大量运算成为可能。

这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。

将神经网络引入控制系统是控制学科发展的必然趋势，它的引入不仅为这一领域的突破带来了生机，同时也给控制研究带来了许多亟待解决的问题。

1、神经网络的发展简史

神经网络控制系统是将人工神经网络与控制理论相结合而发展起来的自动控制领域的前沿学科之一，是智能控制的一个重要分支。

神经网络的研究始于20世纪60年代，1960年，B.Widrow和M.E.Hoff首先把ANN用于控制系统；

B.Kilmer和W.S.McCulloch提出了KMB神经网络模型，并在“阿波罗”登月计划中应用，取得良好效果；

1964年，B.Widrow等用ANN对小车倒立摆系统控制取得了成功。

但之后神经网络控制的研究随着ANN研究处于低谷。

20世纪80年代后期，又重新受到重视，在神经网络自适应控制方法上发展迅速。

目前，应用已很快渗透到智能控制等领域，并取得了很大的进展。

2、神经网络与其他算法相结合

将神经网络与其他算法的结合，可以达到优化组合的目的，利于人工神经网络在智能控制方向的运用。

神经网络与专家系统、模糊逻辑、遗传算法、小波神经、混沌理论等相结合用于智能控制，可为系统提供非参数模型、控制器模型等。

（1）人工神经网络与模糊理论相结合

人工神经网络与模糊控制相结合，为模糊控制提供了良好的学习功能，并自动生成模糊控制规则。

人工神经网络由于其仿生特性，更能有效利用系统本身的信息，并能映射任意函数关系，而且还具有并行处理和自学习能力；

此外，它容错能力也很强。

因此，将二者结合可实现互补，构成良好的智能控制系统。

在实际应用中，最著名的科技成果就是20世纪90年代，日本松下公司推出了神经模糊控制全自动洗衣机。

这是一个具有重要实践意义的发展。

目前，模糊神经网络主要有三种结构：

A：

神经——模糊系统。

基于模糊理论，利用神经网络作为构造和学习工具，可解决隶属度最优设计、知识自动获取等问题。

B：

模糊——神经系统。

基于神经网络，利用模糊逻辑改造神经网络，可改善神经网络结构的可修正性。

C：

模糊神经混杂系统。

将两者并列形成混杂系统。

模糊推理与神经网络各自独立工作，分别完成系统不同的功能。

（2）人工神经网络与遗传算法的结合

在神经网络结构中研究和应用最多的是多层前向网络，但它存在缺陷，在较多局部极小情况下很容易陷入局部极小点，且不可避免地存在学习精度与学习速度的矛盾。

而遗传算法是力求充分模仿自然生物进化的自然寻优过程的随机性、鲁棒性和全局性，这是一种新的全局优化搜索算法，因为其直接对结构对象进行操作，不存在求异和函数连续性的限定，鲁棒性强，具有随机性和全局性，适于并行处理。

也因此应用范围较广。

遗传算法用于神经网络主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑结构，而最主要的是学习神经网络的权重，也就是用遗传算法来取代一些传统的学习算法。

（3）人工神经网络和专家系统的结合

专家系统在表达知识和逻辑推理方面有较强的优势，而神经网络长于非线性映射和直觉推理，将两者相结合发挥各自的优势，会获得更好的控制效果。

神经网络在知识获取的过程中，只要求专家系统提供范例及相应的解，就能通过特定的学习算法对样本进行学习，通过网络内部自适应算法对连接权值分布不断的修改以达到性能要求，并把专家求解实际问题的启发式知识和经验分布到网络的互连及权值的分布上。

3、神经网络控制在城市交通中的应用

根据城市交叉口交通流的特点，采用了一种交叉口多相位控制算法，综合考虑相邻车道上的车队长度，利用多层BP神经网络实现了道路交叉口多相位模糊控制。

仿真结果表明，文中所设计的模糊神经网络控制器能有效地减少单交岔口平均车辆延误，具有较强的学习和泛化能力，是实现交通系统智能控制的一条新途径。

（1）该控制算法描述为：

步骤l从相位开始，分别指定各相位的最短绿灯时间和最大绿灯时间；

步骤2先给该相位以最短绿灯时间；

步骤3测得放行车道的车队长度，设其为；

步骤4若为0[<

v（v为排队长度下限）]，且大于某一给定值（e≥0），或累积绿灯时间，则将绿灯转到下一相位，回到步骤1，否则继续；

步骤5根据及值的大小来确定绿灯延长时间，这可以根据交警的经验及交叉口的几何形