分级递阶智能控制系统.ppt

分级递阶智能控制系统.ppt

《分级递阶智能控制系统.ppt》由会员分享，可在线阅读，更多相关《分级递阶智能控制系统.ppt（55页珍藏版）》请在冰豆网上搜索。

Saridis提出的三级递阶智能控制理论，基于提出的三级递阶智能控制理论，基于3个控制层和个控制层和IPDI原理。

原理。

分级递阶智能控制（HiearchicalIntelligentControl）是在人工智能控制、自适应控制和自组织控制、运筹学等理论的基础上，逐渐发展形成的，是智能控制的最早理论之一。

分级递阶智能控制系统Villa提出的两层混合智能控制理论，基于知提出的两层混合智能控制理论，基于知识描述识描述/数学解析。

数学解析。

内容内容递阶智能控制的基本原理递阶智能控制的基本原理递阶智能控制的结构与理论递阶智能控制的结构与理论2.1.1递阶控制的基本原理递阶控制的基本原理（11）大系统的基本结构）大系统的基本结构2.1.递阶智能控制的基本原理递阶智能控制的基本原理复杂大系统的的特点：

阶次高、子系统相互关联，复杂大系统的的特点：

阶次高、子系统相互关联，系统的评价目标多且相互矛盾，故分解为互相关联系统的评价目标多且相互矛盾，故分解为互相关联的子系统。

的子系统。

1）集中控制集中控制2）分散控制分散控制3）递阶控制递阶控制根据信息交换的方式和子系统关联方式的不同，可根据信息交换的方式和子系统关联方式的不同，可将大系统控制分为以下三种基本类型：

将大系统控制分为以下三种基本类型：

图2.1集中控制系统框图控制中心子系统1子系统n被控对象或过程图2.2分散控制系统框图控制中心子系统1子系统n子系统i被控对象或过程分散控制器1分散控制器i分散控制器n图2.3递阶控制系统框图全局组织级子系统子系统子系统被控对象或过程局部控制器局部协调级局部协调级局部控制器局部控制器局部控制器子系统递阶控制系统主要有以下3种基本的递阶形式：

多重描述（Stratifieddescription）:

主要从建模考虑。

多层描述（Multilayerdescription）:

把一个复杂决策问题进行纵向分解。

多级描述（Multileveldescription）:

考虑各子系统之间的关联，将每一层的决策问题横向分解。

这三种形式可以单独或组合存在。

（2）递阶控制的基本原理最下面一级的每个控制器只控制一个子系统。

每一级控制器从上一级控制器接受信息，以控制下一级，各控制器之间的冲突由上一级进行协调。

协调的目的：

通过对下层控制器施加干预信号来调整该层各控制器的决策，满足整个系统的控制目标完成协调作用的决策单元称为协调器。

基本原理：

基本原理：

把一个总体问题P分解为若干有限数量的子问题Pi（i=1,n）。

P的目标是使复杂系统的总体准则取得极值，则不考虑子系统之间的关联时，有P1,P2,Pn的解P的解考虑到子问题之间因关联产生冲突，引入协调参数，以解决关联产生的目标冲突。

P1（）,P2（）,Pn（）|*的解P的解适当选择，从初值0迭代到终值*，使递阶控制达到最优。

协调一般基于以下两种基本原则：

1）关联预测协调原则在控制中，协调器预测各子系统的关联输入输出变量，下层的决策单元根据预测的关联变量求解各自的决策问题。

协调器再根据各子系统达到的性能指标修正关联预测值，下层的预测但愿再根据新预测的关联变量求解决策问题。

不断预测求解修正预测求解，直到总体最优。

可在线应用。

2）关联平衡协调原则在控制中，下层的决策单元把关联变量作为独立变量处理，独立求解各自的决策问题。

协调器通过施加干预信号去平衡、修正各自系统的性能指标，以保证最后子系统的关联约束满足，总体目标最优。

又成为目标协调原则。

递阶系统协调控制的任务递阶系统协调控制的任务：

使各子系统相互协调、配合、制约、促进。

从而在实现各自系统的子目标、子任务的基础上，实现整个大系统的总目标、总任务。

递阶结构兼有集中结构和分散结构的优点，成为大系统控制的重要形式。

对于大型、复杂和不确定性系统，往往采用递阶控制。

2.1.2分级递阶智能控制的基本结构分级递阶智能控制的基本结构多级递阶的控制结构是智能控制的典型结构递阶智能控制理论最早应用于工业实践。

多级递阶智能控制系统的结构与一般多级递阶控制系统的结构形式基本相同，差别是前者采用了智能控制器。

萨里迪斯提出的三级递阶智能控制理论的原则是IPDI（IncreasingPrecisionwithDecreasingIntelligent）“精度随智能降低而提高”。

由组织级、协调级、执行级三级组成。

如下图所示。

智能递增精度递增图2.4分级递阶智能控制系统结构示意图三个控制层级的功能和结构如下：

三个控制层级的功能和结构如下：

1.组织级（组织级（Organizationlevel）组织级是递阶智能控制系统的最高级，是智能系统的“大脑”，能模仿人的行为功能，具有相应的学习能力和高级决策能力，需要高级的信息处理。

组织监视并指导协调级的所有行为，具有最高的智能程度。

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下层传达，以实现预定控制目标。

（2）协调级（CoordinationLevel）次高级，任务：

协调各控制器的控制作用与各子任务的执行。

进一步分为两层：

控制管理分层和控制监督分层。

管理分层：

根据下层的信息决定如何完成组织级下达的任务，以产生施加于下一层的控制指令。

监督分层：

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和性能优化。

由多个协调控制器组成。

是组织级和执行级之间的接口，运算精度较低，但有较高的决策能力与学习能力。

（3）执行级（ExecutiveLevel）是最低一级，由多个硬件控制器组成。

任务：

完成具体的控制任务，通常是执行一个确定的动作，直接产生控制信号，通过执行机构作用于被控对象；同时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。

智能程度最低，控制精度最高递阶智能控制系统三个基本控制级的级联交互结构图递阶智能控制系统三个基本控制级的级联交互结构图图2.5递阶智能控制系统的级联结构执行级至协调级的在线反馈信号协调级至组织级的在线反馈信号递阶智能控制系统作为一个整体，把用户指令转为一个物理序列，系统的输出是一组施加于被控过程的具体指令。

系统的操作是由用户指令及与环境交互作用的传感器的输入信息决定的。

传感器分为外部传感器和内部传感器，分别提供工作环境（外部）和每个子系统（内部）的监控信息。

2.1.3递阶智能控制的熵准则递阶智能控制的熵准则对于图2.4所示的多级递阶智能控制，从最低级执行级次高级协调级最高级组织级，智能要求逐步提高，而精度则递减。

此类结构有如下特点：

1）越是处于高层的控制器，对系统影响也越大。

2）越是处于高层，就有越多的不确定性是问题的描述难以量化可见，智能主要体现在高层,因次在高层应该采用基于知识的组织级。

对于不确定性问题，通常采用熵（Entropy）函数作为性能度量，以熵最小去确定最优控制策略。

香农提出的信息负熵对于离散的随机过程x,熵H（x）的定义为。

式中P（x）为x的概率密度函数，E为期望值。

（2.1）对于连续的随机过程x,熵H（x）的定义为。

（2.2）从熵的表达式可知，熵是随机变量自信息的数学期望。

熵越大，期望值越大。

熵越大表明不确定性越大。

选择对数度量信息的方便之处是两个信息相加的总信息量等于每个信息单独存在时各自信息量之和。

在萨里迪斯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；协调级用上测量协调的不确定性；执行机用上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。

2.1.4分级递阶智能控制的基本原理分级递阶智能控制的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功能，都可看作是知识的处理与管理。

另一方面，控制系统的问题可用熵作为控制度量来重新阐述，以便综合高层中与机器有关的各种硬件活动。

因此，在机器人控制的例子中，视觉协调、运动控制、路径规划和力觉传感等可集成为适当的函数。

因此，可把知识流看作这种系统的关键变量。

一台知识机器内的知识流分别代表下列几个方面作用：

1）数据处理与管理；2）由CPU执行的规划与决策；3）通过外围设备获取外界信息和数据；4）定义软件的形式语言。

为了介绍IPDI，首先介绍一下相关概念。

定义2.1机器知识机器知识（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。

定义2.2机器知识流量机器知识流量（RateofMachineKnowledge,R）通过智能机器的知识流，即机器知识的流率。

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划的集合，即分析和组织数据，并把数据变换为知识。

定义2.3机器智能机器智能（MachineIntelligence，MI）定义2.4机器不精确性机器不精确性（MachineImprecision）执行智能机器任务的不确定性。

定义2.5机器精确性机器精确性（MachinePrecision）机器不精确性的补。

由于概率论是处理不确定性的经典理论，所以可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、数据库之间的概率关系如下：

MI和DB的联合概率产生知识流的概率为由概率论的基本理论可推出两端取对数该公式表示出了知识流、机器智能与知识数据库之间的简单概率关系。

若MI和DB无关，则由上式可看出，期望R不变，若增大DB的熵，就要减小MI的熵。

反之，若减小DB的熵，就要增大MI的熵。

这就是IPDI原则。

对该公式两端取数学期望，可得熵方程综上所述，分级递阶智能控制原理为分级递阶智能控制原理为：

系统按照自上而下精度渐增、智能渐减的原则建立递阶结构，而智能控制的设计任务是寻求正确的决策和控制序列，以使整个控制系统的总熵最小。

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。

组织级智能高，但精度低；协调级具有一定的智能；执行级有很高的控制精度，但智能低。

2.2分级智能控制的结构与理论分级智能控制的结构与理论组织级的结构图见图组织级的结构图见图2.6。

其主要功能有以下几种：

。

其主要功能有以下几种：

2.2.1组织级的结构与理论组织级的结构与理论1）推理：

）推理：

把不同的基本动作与所接收的指令通过推把不同的基本动作与所接收的指令通过推理联系起来，并在概率上评估每个动作。

理联系起来，并在概率上评估每个动作。

2）规划：

对动作进行排序，并用熵函数计算活动的）规划：

对动作进行排序，并用熵函数计算活动的不确定性。

不确定性。

3）决策：

选择最大可能的决策。

）决策：

选择最大可能的决策。

4）反馈：

）反馈：

从较低层选取反馈信息通过学习算法更新从较低层选取反馈信息通过学习算法更新概率。

概率。

5）存储变换：

更新长效记忆存储器中的内容。

）存储变换：

更新长效记忆存储器中的内容。

图图2.6组织级的结构框图组织级的结构框图组织级通过人机接口和用户进行交互，执行最高决策的控组织级通过人机接口和用户进行交互，执行最高决策的控制功能，主要对知识进行处理。

组织级的功能建立在人工制功能，主要对知识进行处理。

组织级的功能建立在人工智能的知识表示、智能的知识表示、推理、规划、决策、学习（反馈）和记推理、规划、决策、学习（反馈）和记忆操作的基础上，其任务是典型的人工智能中的问题求解，忆操作的基础上，其任务是典型的人工智能中的问题求解，可以用模糊自动机或可以用模糊自动机或BoltzamannBoltzamann机神经网络机神经网络（BM（BM网络网络）等实等实现组织级的相关功能。

图现组织级的相关功能。

图2.62.6可视为一个可视为一个BotlzmannBotlzmann机结构。

机结构。

BoltzmannBoltzmann机能从几个代表不同基元事件的节点（神经元）机能从几个代表不同基元事件的节点（神经元）搜索出最优内连关系，以产生某个定义最优任务的信息串。

搜索出最优内连关系，以产生某个定义最优任务的信息串。

学习时必须给出一组样本学习时必须给出一组样本协调级由一定数目的具有固定结构的协调器组成，协调级由一定数目的具有