分层递阶自组织控制概述.docx
《分层递阶自组织控制概述.docx》由会员分享,可在线阅读,更多相关《分层递阶自组织控制概述.docx(12页珍藏版)》请在冰豆网上搜索。
分层递阶自组织控制概述
分层递阶自组织控制概述
摘要:
智能控制在现代控制理论中占据着重要的地位,且是解决现代复杂大系统控制问题的有效方法。
作为智能控制最早的理论之一,分层递阶自组织控制已广泛应用于各个领域,因此,学习了解分层递阶自组织控制的基本原理及其应用对于学习智能控制是十分必要的。
本文概括地介绍了分层递阶自组织控制的基本结构和原理,并以其在全自主移动机器人和智能交通中的应用概述了其在各个领域的应用情况。
关键字:
智能控制,分层递阶自组织控制,基本原理,应用
引言
控制理论自产生至今经历了三个发展阶段,前两个阶段分别为“经典控制理
论”时期和“现代控制理论”时期;而到了20世纪70年代末,控制理论向着“大系统理论”、“智能控制理论”和“复杂系统理论”的方向发展。
在这一阶段中,有关系统的研究从简单到复杂,人们面临的是解决大系统、巨系统和复杂系统的控制问题。
智能控制理论是研究和模拟人类只能活动及其控制与信息传递过程的规律,研制具有某些拟人智能的工程控制与信息处理系统的理论。
智能控制就是能在适应环境变化的过程中模仿人和动物所表现出来的优秀控制能力(动觉智能)的控制⑴。
智能控制是人工智能技术、计算机科学技术与自动控制技术交叉的产物。
控制的要求、人工智能的方法和计算机软硬件基础构成了智能控制发展的基础。
智能控制自被提出以来,已逐渐形成了:
分级递阶自
组织控制、模糊控制、神经网络控制和仿人智能控制等方向。
分层递阶自组织控制即分级递阶智能控制(hierarchicallyintelligent
control),它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,它对智能控制系统的形成起到了重要的作用。
1、分层递阶自组织控制理论的提出与发展
60年代,自动控制理论和技术的发展已渐趋成熟,控制界的学者为了提高
控制系统的自学习能力,开始注意将人工智能技术与方法应用于控制系统。
1966年J.M门德尔首次主张将人工智能用于飞船控制系统的设计;1971年著名学者
傅京逊从发展学习控制的角度首次正式提出智能控制这个新兴的学科领域。
美国的Saridis教授首次提出了分层递阶的控制结构形式,他在1977年出
版了"随机系统的自组织控制(Self-OrganizingControlofStochastic
Systems)"一书,同年发表综述文章"朝向智能控制的实现(TowardtheRealizationofIntelligentControls)"。
在这两篇著作中论述了从通常的反
馈控制到最优控制、随机控制,再到自适应控制、自学习控制、自组织控制,并最终向智能控制这个更高阶段发展的过程。
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(IPDI)”的原理而逐级分配的。
这种分级递阶
控制系统是由组织级、协调级和执行级组成。
其控制精度由下而上逐级递减,智
能程度由下而上逐级增加。
他在理论上的一个重要供献是定义了"熵"作为整个智能控制系统性能的度量,并对每一级定义了熵的计算方法,证明了在执行级的最优控制等价于使某种熵最小的控制方法。
80年代后期,他对原有的工作进行了重要的改进,在最新的研究中采用神经
元网络中的Boltzmann机来实现组织级的功能,并利用Petri网为工具来实现协调级的功能。
组织级代表控制系统的主导思想,具有最高的智能水平,涉及知识的表示与处理,由人工智能起主导作用。
协调级为组织级和执行级之间的连接装置,涉及决策方式的表示,由人工智能和运筹学起主导作用。
执行级是智能控制系统的最低层次,要求具有最高的控制精度,由常规控制理论进行控制。
2、分层递阶自组织控制的基本原理与基本结构
2.1分层递阶自组织控制的基本结构
目前智能递阶控制理论主要有两类,一类是由Saridis提出的基于3个控制层和IPDI(IncreasingPrecisionwithDecreasingIntelligent)原理的
三级递阶智能控制理论,另一类是由Villa提出的基于知识描述/数学解析的两层混合智能控制理论。
这里讲的主要是Saridis的分级智能控制理论。
Saridis提出的分级递阶智能控制理论按照IPDI的原则分级管理系统,它
由组织级、协调级、执行级三级组成的,如图1所示[2]:
智能递增
精度递增
图1分层递阶自组织控制系统结构示意图
1、组织级(Organizationlevel)
组织级是递阶智能控制系统的最高级,具有最高的智能程度,对精度的要求不高。
它能够模仿人的行为功能,具有相应的学习能力和高级决策的能力。
它组
织监视并指导协调级和执行级的所有行为。
组织级能够根据用户对任务的不完全描述与实际过程和环境的有关信息,组织任务,提出适当的控制模式向低层下达,以实现预定的控制目标。
在组织级中,识别的功能在于翻译定性的命令和其它的输入。
2、协调级(Coordinationlevel)
协调级是递阶智能控制系统的次高级,它要求精度也不高,但要有比较高的智能决策功能。
协调级用来协调控制级的动作,它不需要精确的模型,但需具备学习功能以便在在线的控制环境中改善性能,并能接受上一级的模糊指令和符号语言。
协调级可以进一步划分为两个分层:
控制管理分层与控制监督分层。
控制管理分层基于下层的信息决定如何完成组织级下达的任务,以产生施加给下一层的控制指令;控制监督分层的任务是保证、维持执行级中各控制器的正常运行,并
进行局部参数整定与性能优化。
协调级一般由多个协调控制器组成,每个协调控制器既接受组织级的命令,又负责多个执行级控制器的协调。
协调级是组织级与执行级之间的接口,运算精度相对较低,但有较高的决策能力与一定的学习能力。
3、执行级(Executivelevel)
执行级是递阶智能控制系统的最低一级,要求精度高,由控制理论起主导作
用。
智能较弱。
控制级一般有比较准确的模型,由多个硬件控制器组成,其任务
是完成具体的控制任务,并不需要决策、推理、学习等功能。
执行级的控制任务通常是执行一个确定的动作,执行级控制器直接产生控制信号,通过执行结构作用于被控对象(过程);同时执行级也通过传感器测量环境的有关信息,并传递给上一级控制器,给高层提供相关决策依据。
在控制级中,识别的功能在于获得不确定的参数值和监督系统参数的变化。
这三层的级联关系[3]见图2:
噪声
组织级
协调级
执行级
图2分层递阶的级联结构
图中C为输入指令,U为分类器的输出信号。
这一递阶控制系统是个整体,它把定性的用户指令变换为一个物理操作序列。
系统的输出是通过一组施于驱动器的具体指令来实现的。
一旦接收到初始用户指令,系统就产生操作,这一操作
是由一组与环境交互作用的传感器的输入信息决定的。
这些外部和内部传感器提
供工作空间环境(外部)和每个子系统状况(内部)的监控信息。
智能机器融合这些信息,并从中选择操作方案。
2.2分层递阶自组织控制系统的基本原理2.2.1递阶智能控制的熵准则
在Saridis的递阶智能控制系统中,对各级采用熵作为测度。
组织级用熵衡量所需知识;协调级用熵测量协调的不确定性;执行机用熵表示系统的执行代价。
每一级的熵相加成为总熵,用于表示控制作用的总代价。
设计和建立控制系统的原则就是总熵最小。
对于不确定性问题,通常采用熵(Entropy)函数作为性能度量,熵越大,表明不确定性越大,以熵最小去确定最优控制策略。
2.2.2基本原理
智能机器中的高层功能模仿人的行为,是基于知识系统的。
控制系统的规划、决策、学习、数据存取和任务协调等,都可以看作知识的处理与管理。
同时,可
以用熵作为度量去衡量控制系统,各子系统的协调与控制均可集成为适当的函
数。
因此,可把知识流作为此类系统的关键变量,一台知识机器中的知识流可代
表以下方面:
1)数据处理与管理。
2)通过CPL执行规划与决策。
3)通过传感器获取外界信息与数据。
4)定义软件的形式语言。
在Saridis提出的IPDI“精度随智能提高而降低”的分级递阶智能控制理论基本原则里,定义了一些相关概念:
机器知识(MachineKnowledge,K):
消除智能机器指定任务的不确定性所需要的结构信息。
知识是一个由机器自然增长的累积量。
机器知识流量(RateofMachineKnowledge,R):
通过智能机器的知识
流,即机器知识的流率。
机器智能(MachineIntelligenee,MI):
对事件或活动的数据库(DB)进行操作以产生知识流的动作或规则的集合,即分析和组织数据,并把数据变换为知识。
机器不精确性(MachineImprecision):
执行智能机器任务的不确定性。
机器精确性(MachinePrecision):
机器不精确性的补。
一类出现信息的机器知识可以表示为
K=-a-lnP(K)=[能量]
式中P(K)知识的概率密度;
a选取的系数。
概率密度函数P(K)满足的表达式与杰恩(Jaynes)最大熵原则一致
P(K)=e一:
"
XP(K)dx=1
:
=lne"dx
在这种概率密度函数P(K)的选择下,知识K的熵也就是不确定性最大。
知识流是具有离散状态的智能机器的主要变量,在一定的时间间隔T下,可
以表示为
K
R=—=[功率]
T
知识流满足下列关系
Ml:
(DB)—(R)
可见,机器智能对数据库进行操作产生知识流。
当知识流(R)固定时,较小的知识库要求有较多的机器智能,而较大的知识库要求的机器智能则相应较少。
由于概率论是处理不确定性的经典理论,因此可以用事件发生的概率去描述和计算推理的不确定性测度。
知识流、机器智能、知识数据库之间的概率关系可以如下表示。
Ml和DB的联合概率产生知识流的概率可表示为
P(MI,DB)=P(R)
由概率论的基本理论可推出
P(MI/DB)P(DB)=P(R)
等式两端取自然对数可得
lnP(MI/DB)+lnP(DB)=InP(R)
上述公式表示出知识流、机器智能与知识数据库之间的简单概率关系,因此各种函数的熵便可起到测量的作用。
上式两端取期望值,可得熵方程
H(MI/DB)+H(DB)=H(R)
如果MI与DB无关,则有
H(MI)+H(DB)=H(R)
由上式可知,在建立和执行任务时,期望知识流量不变,则增大数据库DB的熵(不确定性),就要减小机器智能MI的熵,即数据库中数据或规则减小,精度降低,就要求减小机器智能的不确定性,提高机器智能的智能程度;反之,若减小数据库DB的熵,便可增大机器智能MI的熵,即数据库中数据或规则增加,精度提高,对机器智能的要求便可降低。
这就是IPDI原则。
在分级递阶智能控制系统中,组织级起到主导作用,处理知识的表示与处理,主要应用人工智能,智能程度最高,但精度最低;协调级连接组织级与执行级,涉及决策方式及表示,主要应用人工智能与运筹学实现控制,具有一定的智能程度;执行级是最低层,具有很高的控制精度,采用常规控制方式实现,智能程度最低。
综上所述,分级递阶智能控制的基本原理为:
系统按照自上而下精度渐增、智能递减的原则建立递阶结构,而智能控制器的设计任务是寻求正确的决策和控制序列,以使整个系统的总熵最小。
这样,递阶智能控制系统就能在最高级组织级的统一组织下,实现对复杂、不确定系统的优化控制。
2.3自组织的概念
自组织一词是演化系统学中的一个术语,基本含义是进化。
借用“自组织”
一词,将某些智能控制系统称作自组织智能控制系统应该有其特定的内涵。
自组
织智能控制系统应能自发地形成为了控制所需的有序结构,自发地使控制性能具
有进化(适应)性。
或者说,自组织智能控制系统有两个特点:
一是它备有许多不同类型的控制算法/器(如PID算法、模糊逻辑控制器,,),且可随时指定一种或一种以上的控制算法/器进行有机的组合,对对象施行有效的控制;二是控制性能具有进化性。
这里的进化性有两层含义,在某个时间段内的进化性和在整个控制过程中的进化性。
对于对象是非线性、高阶、纯滞后、时变的,环境变化范围宽又有随机干扰的复杂系统,采用单一的智能控制方案很难奏效。
这种情况下应该采用自组织智能复合控制。
这种自组织智能复合控制系统很复杂,并不是几种控制器简单的堆积,而是它们有序的组合。
3分层递阶自组织控制的应用
分层递阶自组织控制作为智能控制的最早理论之一,已经被广泛应用于各个
行业,下面简要介绍其在机器人控制和交通控制方面的应用。
3.1全自主移动机器人分层递阶控制
全自主移动机器人是机器人研究与应用的发展方向,其所处环境大多为复杂
的非结构化环境,需要机器人具备稳定的机械性能,高效的机动性能、强大的环
境感知能力和快速的反应能力。
因此,这类机器人一般都配备多种外部传感器组成的复杂感觉系统以全面地获取环境信息。
同时,执行机构也朝着仿生的方向发展。
全自主机器人对环境的感知、理解、判断、对动作的决策依赖于机器智能。
基于分层递阶控制思想的智能机器人体系结构如图3所示。
该系统采用标准的数据总线与外部数据进行通讯。
系统结构包含智能级、协调级和执行级。
环境
信息、地图知识、规划知识和综合信息数据库等构建起机器人世界模型。
智能级
根据任务建立任务模型,完成任务规划。
双目视觉系统和声纳、PSD等传感器所
提供的环境信息构成环境模型,人工智能模块结合历史信息表、局部状态表等本体位姿信息对机器人进行全局路径规划和重规划。
协调级接受全局路径规划信息,通过协调机制和信息融合算法给出决策系统动作指令的最佳控制方案,并由
执行级完成环境信息、本体状态和位姿信息的测量与控制。
其中,智能级和控制
级分别配备独立工控机。
双目视觉的硬件扩展通过PCI接口和预留US接口实现,云台CCDS像机通过视频采集卡与标准PCI总线相连,视觉信息的处理由图像处理库函数实现。
云台I/4typeSuperHADCC摄像机有2个自由度。
水平视角6.6to65。
Degree,完成远距离大范围运动物体的跟踪识别,而固定CCDI像机可采集机器人周遍信息,结合位姿信息,完成机器人定位[4]。
图3分层递阶控制的自主机器人结构化设计图
3.2分层递阶自组织控制在智能交通系统中的应用
路口信号灯的控制问题是智能交通控制系统中的一个重要问题,对于单个路
口,在不考虑路口之间相关性的情况下,比较容易达到控制目标的要求,但是这
与路口的实际情况相去甚远。
对于复杂的问题如交通干线上相邻路口之间信号灯的协调控制,普通的控制方法较难达到控制目标。
城市交通干线分层递阶控制采用两层结构:
第一层为控制级,针对单个路口,利用路口线圈采集到的车辆信息,使用神经网络对下一个时间段内路口各个方向的车流量进行预测,在此基础上计算出下一时间段内该路口的周期、相序、各个
方向上的绿信比,并将相关数据送至第二级控制器,也就是协调级,这一级的作
用是在控制级计算出的数据的基础上,采用模糊神经网络对各个路口的周期、绿信比和相位进行调整,将调整后的数据返回控制级并执行。
其中协调级是关键,需要综合考虑主干方向的车流状况及各个路口支线方向的情况,并对相关数据进
行调整⑸。
4结论
分层递阶自组织控制可以有效地解决一些复杂系统的控制问题,但是对于一
些更复杂的系统,需要将其与其他的智能控制相结合,问题才能得到解决,例如
现在一些控制系统就将其与专家控制和模糊控制等相结合,这样可以取得更好的控制效果,也能更有效地解决实际应用中的问题。
分层递阶自组织控制理论至今还在不断地得到完善,因此它也存在一些待完善的地方,如:
运动控制级仍然采用现有数学解析控制算法,不便处理过程中的定性信息和利用人的直觉推理逻辑和经验,难以获得不确定性系统好的快速的实时控制效果。
5参考文献
[1]李祖枢,涂亚庆•仿人智能控制•国防工业出版社,2003
[2]陈众,徐国禹,王官洁•分层递阶控制理论与电力系统自动化•电机与控制学报•Vol.7(4).
2003,11
[3]尹新权,吴蓉•大滞后系统的分层递阶智能控制研究•信息技术.No.10.2005
[4]沈志华,赵英凯,王晓荣•全自主移动机器人分层递阶控制研究•机器人技术.Vol.22(3-2).
2006
[5]许宝斌,孟俊焕,孙英•模糊神经网络分层递阶控制在智能交通系统中的应用•农业装备
与车辆工程.No.8.2006