第十二章 智能控制 人工智能课程 北京大学Word文档格式.docx
《第十二章 智能控制 人工智能课程 北京大学Word文档格式.docx》由会员分享，可在线阅读，更多相关《第十二章 智能控制 人工智能课程 北京大学Word文档格式.docx（11页珍藏版）》请在冰豆网上搜索。
1985年8月，IEEE在美国纽约召开了第一届智能控制学术讨论会。
1987年1月，在美国费城由IEEE控制系统学会与计算机学会联合召开了智能控制国际会议。
这是有关智能控制的第一次国际会议，这次会议及其后续相关事件表明，智能控制作为一门独立学科已正式在国际上建立起来。
近十年来，随着人工智能和机器人技术的快速发展，对智能控制的研究出现一股热潮。
各种智能决策系统、专家系统、学习系统和故障诊断系统等已被应用于各类工业过程控制系统、智能机器人系统和智能化生产系统。
讨论：
传统控制面临哪些挑战？
12.1.2智能控制的定义
1智能机器（lntelligentMachine）
能够在定形或不定形、熟悉或不熟悉的环境中自主地或与操作人员交互作用以执行各种拟人任务（anthropomorphictasks）的机器。
或者比较通俗地说，智能机器是那些能够自主地代替人类从事危险、厌烦、远距离或高精度等作业的机器。
2自动控制
自动控制是能按规定程序对机器或装置进行自动操作或控制的过程。
简单地说，不需要人工干预的控制就是自动控制。
3智能控制
智能控制是驱动智能机器自主地实现其目标的过程
4智能控制系统（lntelligentControlSystems）
用于驱动自主智能机器以实现其目标而无需操作人员干预的系统叫智能控制系统。
12.2智能控制的结构理论与特点
本小节介绍智能控制的结构理论以及智能控制器的结构。
智能控制的结构理论、智能控制器的一般结构
智能控制器的一般结构
掌握智能控制的结构理论、智能控制器的一般结构，了解智能控制的特点。
12.2.1智能控制的理论结构
1二元结构
傅京孙指出智能控制系统描述自动控制系统与人工智能交接的作用，即二元交集结构。
2三元结构
萨里迪斯（Saridis）于1977年提出另一种智能控制结构，它把傅京孙的智能控制扩展为三元结构，即把智能控制看作为人工智能、自动控制和运筹学的交接。
萨里迪斯认为，构成二元交集结构的两元互相支配，无助于智能控制的有效和成功应用。
必须把运筹学的概念引入智能控制，使它成为三元交集中的一个子集。
3四元结构
在研究了前述各种智能控制的结构理论和各相关学科的关系之后，蔡自兴提出四元智能控制结构，把信息论也包括进去，把信息论作为智能控制结构的一个子集是基于下列理由的：
（1）信息论是解释知识和智能的一种手段；
（2）控制论、系统论和信息论是紧密相互作用的；
（3）信息论已成为控制智能机器的工具；
（4）信息熵成为智能控制的测度；
（5）信息论参与智能控制的全过程，并对执行级起到核心作用。
问题：
为什么要把信息论引入智能控制结构？
12.2.2智能控制器的一般结构
1、智能控制器的设计特点
（1）具有以微积分（DIC）表示和以技术应用语言（LTA）表示的混合系统方法。
（2）采用不精确的和不完全的装置分层（级）模型。
（3）含有由多传感器递送的分级和不完全的外系统知识，并在学习过程中不断加以辨识、整理和更新。
（4）把任务协商作为控制系统以及控制过程的一部分来考虑。
2、智能控制器的结构
见图12.6智能控制器的结构。
传统控制过程是怎么设计的?
12.2.3智能控制的特点
（1）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。
智能控制系统的设计重点不在常规控制器上，而在智能机模型上。
（2）智能控制的核心在高层控制，即组织级，具有一定的智能。
（3）智能控制是一门边缘交叉学科。
（4）智能控制是一个新兴的研究领域。
无论在理论上或实践上它都还很不成熟、很不完善，需要进一步探索与开发。
12.3智能控制的研究领域
本小节介绍智能控制研究领域。
智能控制研究领域
课堂教学和课堂讨论
了解智能控制的研究领域，从而进一步认识到智能控制的作用。
1、智能机器人
随着机器人技术的迅速发展和自动化程度的进一步提高，也对机器人的功能提出更高的要求，特别是需要各种具有不同程度智能的机器人，包括空间智能机器人。
2、智能过程控制与规划
3、专家控制系统
4、智能调度
5、语音控制
6、康复机器人控制
7、智能仪器
举例：
1.要求机器人进行前后左右（或上下）移动。
2.操作人员通过话筒命令机器人在某个积木世界内“拣起红色大积木”。
12.4智能控制系统
本小节简介各种智能控制系统。
递阶控制系统，专家控制系统、学习控制系统、模糊控制系统以及神经控制系统等
递阶智能控制、专家控制、模糊控制、学习控制和神经控制等系统的原理与构成。
课堂教学
了解各种智能控制系统的工作原理和系统构成。
12.4.1分级递阶智能控制系统
由Saridis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十分重要的“精度随智能提高而降低”的原理而分级分配的。
这种分级递阶智能控制系统是由组织级、协调级和执行级三级组成的。
1、定义与假设
智能控制系统各级的共同要素涉及机器各种作用的不确定性，这就建议采用概率模型来描述这些具有共同度量的作用，即它们各自的熵（entropies）。
这些熵在智能控制系统的不同层级所具有的物理意义如下：
组织级：
以知识为主体，用香农熵来衡量所需知识。
协调级：
以概率描述的决策方式来表示，这些方案的熵用于度量协调的不确定性。
执行级：
执行代价等价于系统所消耗的能量，并由Boltzman的熵来表示。
2、组织级与知识基系统
组织器（organizer）是智能控制的最高级，它的功能是建立在几个人工智能（基于知识）概念基础上的。
这些概念转换为概率模型，表示推理、规划、决策、长时记忆交换和反馈学习等功能，以规定一个响应外部指令的任务。
所遵循的原理是：
不用任务分解，而从存储器内的本原任务产生一个任务集，并与所输入的指令相匹配。
3、协调级与嵌套树
协调级为一中间结构。
它作为组织级与执行级的界面把组织信息发送至执行级。
这包括在可供选择的规划原本中挑选一个规划。
这些规划原本根据工作空间模型和定时要求提出。
协调级的目标是把控制问题的实际公式与最有希望的完全的协调规划联系起来，此规划由组织级建立，并将实时执行所需要的工作任务。
协调级由一定数目的协调器（coordinators）组成。
来自执行级的具体硬件（执行装置）与每个协调器相连接。
4、具有熵函数的执行级
执行级是递阶智能控制的最底层，要求具有较高的精度和较低的智能；
按控制论进行控制。
执行级的性能也可由熵来表示，因而统一了智能机器的功用。
此熵的量度选择一适当的控制，以执行某任务的不确定性。
12.4.2专家控制系统
专家控制的主要形式有二，即专家控制系统和专家式控制器（expertcontroller）。
前者系统结构复杂，研制代价高，因而目前应用较少。
后者结构简单，研制代价明显低于前者，性能又能满足工业过程控制的一般要求，因而获得日益广泛的应用。
下面主要以专家式控制器为例来说明专家控制系统的结构、特点、性能、设计原则和设计实例等。
1、对专家控制器的控制要求
运行可靠性要高；
决策能力要强；
应用通用性比较好；
控制与处理比较灵活；
有一定的拟人能力。
2、专家式控制器的特点与设计原则
模型描述的多样性；
在线处理的灵巧性；
控制策略的灵活性；
决策机构的递阶性；
推理与决策的实时性。
3、专家控制器的结构
图12.11给出一种工业专家控制器的结构框图。
知识库由经验数据库和学习与适应装置组成。
经验数据库存储经验和事实；
学习与适应装置在线获取信息，补充或修改知识库内容，改进系统性能，提高问题求解能力。
控制规则集（CRS）是对被控过程的各种控制模式和经验的归纳和总结。
由于规则条数不多，搜索空间很小，推理机构（IE）就十分简单，采用向前推理方法逐次判别各种规则的条件，满足则执行，否则继续搜索。
特征识别与信息处理（FR＆IP）部分的作用是实现对信息的提取与加工，为控制决策和学习适应提供依据。
它主要包括抽取动态过程的特征信息，识别系统的特征状态，并对特征信息作必要的加工。
专家控制器的输入集为：
E=（R,e,Y,U），e=R–Y
式中，Ｒ为参考控制输入，ｅ为误差信号，Ｙ为受控输出，Ｕ为控制器的输出集。
专家控制器的模型可用式U=f（E,K,I）表示，智能算子f为几个算子的复合运算：
f=g·
h·
p，其中：
g:
E→S；
h:
S×
K→I；
p:
I→U
12.4.3模糊控制系统
1、模糊控制器的结构
在理论上，模糊控制器由N维关系R表示。
关系R可视为受约于［0，1］区间的N个变量的函数。
R是几个N维关系Ri的组合，每个Ri代表一条规则ri:
IF→THEN。
控制器的输入x被模糊化为一关系X，它对于多输入单输出（MISO）控制时为（N-1）维。
模糊输出Y可应用合成推理规则进行计算。
图12.12表示具有输入X和输出Y的理论模糊控制器的原理图。
2、模糊控制器的控制规则
注意到在现有FLC中，控制规则是这种形式：
IF〈过程状态〉THEN〈控制作用〉
EFC则容许更复杂的分级规则，如：
IF〈过程状态〉THEN〈中间变量1〉
……
IF〈中间变量N〉THEN〈控制作用〉
这里中间变量代表一些稳含的不可测状态，它们能影响所采用的控制作用。
以这种方式构成的规则使得用于确定控制作用的推理更清楚了一些，从而使简单的“激励-响应”控制系统前进了一步。
3、模糊控制器的设计方法
（1）语言学相平面法。
（2）专家系统方法。
（3）CAD环境工具。
（4）遗传优化算法。
12.4.4学习控制系统
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。
1、学习控制的发展及研究课题
学习系统最初是用于解决飞行器的控制、模式分类和通讯等问题，后来逐渐用于电力系统和生产过程控制等。
学习系统可分为离线可训练系统和在线自学习系统；
前者，直接由外界对系统的反应作出“奖”、“罚”反馈以改进其算法；
后者在一定程度上能进行各种试探、搜索、品质评判、决策和先验知识的自修改。
在线自学习控制需要大容量高速度计算机。
由于早期计算机发展水平的限制，往往采用离线与在线相结合的学习方法实现学习控制。
学习控制具有4个主要功能，搜索、识别、记忆、推理。
学习控制需要进一步深入的课题：
（1）在非稳定环境中的学习
（2）提高学习效率
（3）结束规则（stoppingrule）
（4）学习系统的多级结构
（5）把模糊数学用于学习系统
（6）直觉推理的应用
（7）文法推理
2、学习控制系统的设计原则
（1）控制系统应具有分层信息处理和决策能力。
（2）控制器应具有在线特征辨识和特征记忆的功能。
（3）控制器应具有多模态控制
（4）应用直觉推理逻辑，使控制器的决策更灵活和迅速，以提高自学习效率。
12.4.5神经控制系统
基于人工神经网络的控制（ANNbasedcontrol），简称神经控制（neurolcontrol），是智能控制的一个崭新研究方向，可能成为智能控制的“后起之秀”。
1、神经控制研究的发展及特性
（1）神经控制研究的发展
1960年，威德罗（Widrow）和霍夫（Hoff）率先把神经网络用于自动控制研究。
60年代末期至80年代中期，神经网络控制与整个神经网络研究一样，处于低潮。
80年代后期以来，神经网络控制的研究日趋活跃。
（2）神经控制的特性
神经控制是个很有希望的研究方向。
这不但是由于神经网络技术和计算机技术的发展为神经控制提供了技术基础，而且还由于神经网络具有一些适合于控制的特性和能力。
这些特性和能力包括：
神经网络对信息的并行处理能力和快速性，适于实时控制和动力学控制。
神经网络的本质非线性特性，为非线性控制带来新的希望。
神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。
神经网络具有很强的自适应能力和信息综合能力，因而能够同时处理大量的不同类型的控制输入，解决输入信息之间的互补性和冗余性问题，实现信息熔合处理。
这特别适用于复杂系统、大系统和多变量系统的控制。
当然，神经控制的研究还有大量的有待解决的问题。
神经网络自身存在的问题，也必然会影响到神经控制器的性能。
2、神经网络学习控制
图12.17表示监督式神经控制（SupervisedNeuralControl,SNC）器的结构。
图中，含有一个导师和一个可训练控制器。
实现SNC包括下列步骤：
（1）通过传感器及传感信息处理获取必要的和有用的控制信息。
（2）构造神经网络，包括选择合适的神经网络类型、结构参数和学习算法等。
（3）训练SNC，实现从输入到输出的映射，以产生正确的控制。
3、神经网络非线性控制
神经网络非线性控制具有多种结构，例如内模控制、非线性预测控制和级联多层回转网络非线性控制等。
4、神经网络自适应控制
模型参考自适应控制（MRAC）多采用间接控制方式。
训练时，随意产生控制器输出传送至对象，由该输出信号和对象的实际输出来训练控制器，使控制器最终能够产生正确的控制信号，以求对象输出尽可能地接近期望轨迹。
5、其它神经网络控制
除上述各种神经网络控制器外，还有神经网络鲁棒自适应控制、模糊神经网络控制、神经网络变结构控制、神经网络自寻优控制和神经网络自校正控制等控制结构。
神经网络控制已获一定应用，特别是在过程控制、小车倒摆系统控制和机器人控制等方面的应用尤多。
12.5智能控制应用示例
本小节介绍智能控制应用示例。
智能控制应用领域和示例
了解智能控制的应用领域。
智能控制的应用研究和应用基础研究是一幅多彩多姿的图象。
从实验室到工业现场、从家用电器到火箭制导、从制造业到采矿业、从飞行器到武器控制、从轧钢机到邮件处理机、从工业机器人到康复人工假肢等等，都有不少应用实例。
下面就智能控制的几个主要应用研究和应用基础研究领域，举例略加介绍。
1、智能机器人规划与控制
2、智能机器人规划与控制
3、自动加工系统的智能控制
4、智能故障检测与诊断
5、飞行器的智能控制
6、医用智能控制
12.6小 结
升级会员 