智能控制方法的应用及发展综述综述.docx
《智能控制方法的应用及发展综述综述.docx》由会员分享，可在线阅读，更多相关《智能控制方法的应用及发展综述综述.docx（9页珍藏版）》请在冰豆网上搜索。
智能控制方法的应用及发展综述综述
智能控制方法的应用及发展综述
1智能控制的产生
1.1智能控制产生的背景
早期的自动控制基本上是解决简单对象的控制问题，人们追求研制完全自动运行不用人参与的自治系统。
随着控制对象的日益复杂，系统所处的环境因素、控制性能要求都列入了控制系统设计的考虑范围，已有的自动控制方法与技术受到了某种程度的挑战，尤其在学习控制研究与机器人控制方面，矛盾日渐突出，迫切需要为自动控制学科注入新的活力，智能控制正是在这样的背景下产生。
1.2智能控制的产生及发展
智能控制思想最早是由美国普渡大学的傅京孙教授于60年代中期提出的，他在1965年发表的论文中率先提出把人工智能的启发式推理规则用于学习系统，这篇开创性论文为自动控制迈向智能化揭开了崭新的一页.接着，Mendel于1966年在空间飞行器的学习控制中应用了人工智能技术，并提出了“人工智能控制”的新概念；同年，Leondes和Mendel首次使用了“智能控制（IntelligentControl）”一词，并把记忆、目标分解等技术用于学习控制系统；这些反映了智能控制思想的早期萌芽，常被称为智能控制的孕育期.
70年代关于智能控制的研究是对60年代这一思想雏形的进一步深化，是智能控制的诞生和形成期.1971年，傅京孙发表了重要论文，提出了智能控制就是人工智能与自动控制的交叉的“二元论”思想，列举三种智能控制系统：
人作为控制器、人机结合作为控制器、自主机器人；1974年，英国的Mamdani教授首次成功地将模糊逻辑用于蒸汽机控制，开创了模糊控制的新方向；1977年，Saridis的专著出版，并于1979年发表了综述文章、，全面地论述了从反馈控制到最优控制、随机控制及至自适应控制、自组织控制、学习控制，最终向智能控制发展的过程，提出了智能控制是人工智能、运筹学、自动控制相交叉的“三元论”思想及分级递阶的智能控制系统框架.
80年代，智能控制的研究进入了迅速发展时期：
1984年，Astrom发表了论文，这是第一篇直接将人工智能的专家系统技术引入到控制系统的代表，明确地提出了建立专家控制的新概念；与此同时，Hopfield提出的Hopfield网络及Rumelhart提出的BP算法为70年代以来一直处于低潮的人工神经网络的研究注入了新的活力，继60年代Kilmer和McClloch提出KBM模型实现对“阿波罗”登月车的控制之后，人工神经网络再次被引入控制领域，并迅速得到了广泛的应用，从而开辟了神经网络控制；1985年8月，IEEE在美国纽约召开了第一界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第一界智能控制国际会议，这标志着智能控制作为一门新学科正式建立起来.
进入90年代，关于智能控制的研究论文、著作、会议、期刊大量涌现，应用对象也更加广泛，从工业过程控制、机器人控制、航空航天器控制到故障诊断、管理决策等均有涉及，并取得了较好的效果.
2智能控制概念及应用
2.1智能控制的定义
智能控制至今为止并没有一个公认的、统一的定义。
我们为了探究智能控制的概念和技术，开发智能控制新的性能和性能和方法，比较不同研究者和不同国家的成果，就要求对智能控制有某些共同的理解下面提出的是被广泛接受的关于智能控制的定义。
所谓智能控制，即设计一个控制器（或系统），使之具有学习、抽象、推理、决策等功能，并能根据环境（包括被控对象或被控过程）信息的变化作出适应性反应，从而实现由人来完成的任务。
智能控制在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
一个系统如果具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力,即称为智能控制系统.智能控制技术是在向人脑学习的过程中不断发展起来的,人脑是一个超级智能控制系统,具有实时推理、决策、学习和记忆等功能,能适应各种复杂的控制环境。
2.2智能控制的应用场合
智能控制是自动控制的最新发展阶段，主要用于解决传统控制技术与方法难以解决的控制问题。
主要应用场合有：
（1）具有高度非线性、时变性、不确定性和不完全性等特征，一般无法获得精确数学模型的复杂系统的控制问题；
（2）需要对环境和任务的变化具有快速应变能力并需要运用知识进行控制的复杂系统的控制问题；
（3）采用传统控制方法时，必须遵循一些苛刻的线性化假设，否则难以达到预期控制目标的复杂系统的控制问题；
（4）采用传统控制方法时，控制成本高、可靠性差或控制效果不理想的复杂系统的控制问题。
2.3智能控制的理论基础和方法及其应用
智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础，扩展了相关的理论和技术，其应用较多的有专家系统、模糊逻辑、神经网络、遗传算法等控制方法，以及自适应科学研究技术、自组织技术、（自）学习技术等组织形式．智能控制的研究内容之一就是把智能控制的相关技术结合或综合交叉结台构成风格和功能各异的智能控制系统和智能控制器。
专家系统是利用专家知识对专门的或困难的问题进行描述.用专家系统所构成的专家控制,无论是专家控制系统还是专家控制器,其相对工程费用较高,而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题.尽管专家系统在解决复杂的高级推理中获得较为成功的应用,但是专家控制的实际应用相对还是比较少。
模糊逻辑用模糊语言描述系统,既可以描述应用系统的定量模型也可以描述其定性模型.模糊逻辑可适用于任意复杂的对象控制.但在实际应用中模糊逻辑实现简单的应用控制比较容易.简单控制是指单输入单输出系统（SISO）或多输入单输出系统（MISO）的控制.因为随着输入输出变量的增加,模糊逻辑的推理将变得非常复杂。
神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法.它能表示出丰富的特性：
并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等.这些特性是人们长期追求和期望的系统特性.它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力.神经网络可以和模糊逻辑一样适用于任意复杂对象的控制,但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制.在模糊逻辑表示的SIMO系统和MIMO系统中,其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术：
模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用.
2.4智能控制应用的研究
主要是智能控制在工业过程控制、计算机集成制造系统、机器人、航天航空等领域的应用研究。
3能控制研究所面临的问题与发展前景
3.1智能控制研究所面临的问题
首先，智能控制的应用研究目标和主攻方向不够明确。
作为应用研究和应用基础研究，智能控制在于寻求有别于传统控制的、新的实用控制技术。
离开了实际而纸上谈兵，那就不是真正的应用研究。
其次，智能控制要面向复杂系统。
对于一些比较简单的系统，引入智能控制并不值得，犹如用大炮打蚊子一样。
如果简单的智能控制系统的复杂性、故障率和成本高于同类应用传统控制系统，那么智
能控制的优越性就会令人质疑。
最后，研制新型智能控制硬件和软件。
在智能控制研究中，软件方面存在的问题更大。
例如，大多数基于神经网络的控制系统，还停留在“仿真”水平上，未能真正解决实现问题更谈不上实际应用。
提高系统的运行速度、实现实时控制、提高对环境的感觉和解释能力、改善信息识别和处理能力、设计模块化的传感器接口等方面要做的事情还很多。
3.2智能控制的发展前景
随着智能控制应用方法的日益成熟，智能控制的研究领域必将进一步扩大。
有高级机器人、过程智能控制和智能故障诊断等，及下列领新的应用领域：
交通控制（如高速列车、汽车运输、飞机飞行控制等），用于CAD、C』～M、CIMS和CIPS的自动加工控制，医疗过程控制、商业、农业、文化教育和娱乐等。
当代最高意义上的智能自动化要算机器人学的进步和应用。
机器人从爬行到直立行走，现在已能用手使用工具，能看、听、用多种语言说话，并能可靠的去干最脏最累最危险的活。
据统计，目前世界上有将近100万个机器人在各生产线上工作，美国和日本在核反应堆中使用机器人，印度科学家在2002年8月27日也宣称，他们已经建造成一种6条腿的机器人用于核电站工作。
据估计到2010年，智能机器人可能进入家庭，许多家政劳动将由机器人来代替。
智能型机器人进入社会服务业，可以当出租车司机、医院护士、家庭保姆和银行出纳等。
因此，智能机器人将逐渐代替人类的复杂劳动，解放人类的身体，提高未来休闲时代的生活质量。
按照我国规划，到2010年，70％以上的家庭具备互联网接入条件，大中城市中60％的住宅实现智能化。
到时候，新兴的语音识别技术，会在智能家居中运用“生物特征智能识别技术”，对我们脸部、
角膜、指纹等特征进行技术识别，方便我们的生活。
远程医疗和健康监护等自动化技术，也将问津寻常人家的日常生活。
在手术过程中的麻醉深度智能控制系统，已证明其控制质量超过了人工控制。
交通事故死亡率成为人类和平时期非正常死亡概率的第一因素，引入智能交通系统，可以大大缓解这一状况。
智能交通系统是信息自动化处理的系统，包括收集最基本的道路信息，建立多种交通模型，需求最优的交通诱导，给出行者提供充分的信息。
智能交通系统在美国的一些城市已经实施，它可以减小10％的废弃材料，20％的交通延迟，30％
的停车次数。
有关资料表明：
2010年智能交通将会在世界性大城市普及，2020年，智能交通将成为生活中的一部分。
我国科技部已经正式确定上海、广州、深圳、青岛、重庆等9个城市为首批全国智能交通系统应用和示范工程试点城市。
全世界约有6万种语言，智能化电脑同步翻译机的出现，将真正实现人类语言达到沟通无障碍的“全球通”状。
目前我国科学家已经成功试制出中国和韩国间的同声翻译，以及中日间掌上电脑的同步翻译。
预计十多年后，会有大量的语音翻译产品问世，30年后将出现没有领域限制的翻译系统，全球将基本实现无语言障碍交流。
决策系统、专家控制系统、学习控制系统、模糊控制系统、神经网络控制、智能规划和故障诊断等智能控制的一些研究成果，也已被应用于各类工业（电力、化工、冶金、造纸等）生产过程控制系统和智能化生产（制造）系统，如：
飞行器制造，汽车自动驾驶系统等。
智能技术广泛应用于社会，有利于提高人民的生活质量，提高劳动生产率，提高全社会的文化素质，创造更高的就业率。
目前，在世界范围内，智能控制和智能自动化科学与技术正在成为自动化领域中最兴旺和发展最
迅速的一个分支学科，并被许多发达国家确认为面向21世纪和提高国家竞争力的核心技术。
4以遗传算法为例讲述智能控制系统
4.1遗传算法的发展及应用
从20世纪60年代起，美国、德国等国家的一些科学家就开始研究用模仿生物和人类进化的方法求解复杂优化问题，从而形成了模拟进化优化方法（OptimizationMethodbySimulatedEvolution），其代表性方法有遗传算法（GA：
GeneticAlgorithms）、进化规划（EP：
EvolutionaryProgramming）、进化策略（ES：
EvolutionaryStrategies）。
常规的数学优化技术基于梯度寻优技术，计算速度快，但要求优化问题具有可微性，且通常只能求得局部最优解；而模拟进化方法无可微性要求，适用于任意的优化问题，尤其适用于求解组合优化问题以及目标函数不可微或约束条件复杂的非线性优化问题。
由于它们采用随机优化技术，所以会以较大的概率求得全局最优解。
其计算费用较高的问题也因计算机软硬件技术的飞速发展而不再成为制约因素。
4.2遗传算法的基本原理
遗传算法是基于自然选择和基因遗传学原理的搜索方法，它将“优胜劣汰、适者生存”的生物进化原理引入到由待优化参数形成的编码串种群中，按照一定的适应度函数及一系列遗传操作对各个个体进行筛选，使适应度值较高的个体被保留下来，从而组成新的种群，新种群中包含了上一代的大量信息，并且引入了新的优于上一代的个体。
如此周而复始，种群中各个体的适应度不断提高，直至满足一定的收敛条件。
最后，以种群中适应度值最高的个体作为待优化参数的最优解。
遗传算法也用到了随机搜索技术，但它通过对参数空间的随机编码并用适应度函数作为工具来引导搜索过程向着更有效的方向发展，因而它不同于常规的随机法。
4.2.1遗传算法的具体实现
1.编码方式的选取
利用遗传算法求解实际问题时，问题的解是用字符串来表示的，遗传算子也是直接对字符串进行操作的。
因此，如何用适当的字符串编码来表示问题的解成为了遗传算法应用过程中的首要问题。
目前所使用的字符串编码方式主要有：
二进制、浮点数和符号等。
（1）采用二进制形式编码，个体的位数多，描述得比较细致，从而加大了搜索范围，但交叉运算的计算量较大；由于大量的具体问题本身都是十进制的，并且还需对实际参数进行编码和译码，从而增加了额外的计算时间。
（2）采用浮点数编码，交叉运算的计算量较小，但变异过程难于进行。
（3）符号编码方式通常在一些专门的应用场合使用。
2.初始种群的产生
初始种群对应着问题的初始解，通常有两种方式产生：
①完全随机方式产生（字符串每一位均随机产生）；②随机数发生器方式产生（整个字符串用随机数发生器一次产生）。
另外，如果对于寻优问题有某些先验知识，则可先将这些先验知识转变为必须满足的一组约束，然后再在满足这些约束的解中随机地选取个体以组成初始种群。
另外，如果对于寻优问题有某些先验知识，则可先将这些先验知识转变为必须满足的一组约束，然后再在满足这些约束的解中随机地选取个体以组成初始种群。
3.适应度函数的确定
适应度函数是遗传算法与实际优化问题之间的接口。
在遗传算法中要求适应度函数值是非负的，且任何情况下都希望其值越大越好；而实际优化问题的目标函数并不一定满足这个条件，有的是正的，有的可能为负，甚至可能是复数值。
因此，对于任意优化问题，首先应把其数学形式表示为遗传算法适于求解的形式，同时要保证二者在数学优化层面上是等价的。
这个过程称为适应度转换。
适应度转换首先要保证适应度值是非负的，其次要求目标函数的优化方向应与适应度值增大的方向一致。
设实际优化问题的目标函数为J（x），遗传算法的适应度函数为f（x），则有：
①可以将适应度函数表示为实际优化问题目标函数的线性形式，即有
其中，a，b是系数，可根据具体问题的特征及所期望适应度的分散程度来确定。
②对于最小化问题，一般采用如下转换形式：
其中，cmax既可以是到目前为止所有进化代中目标函数J（x）的最大值（此时cmax将随着进化而有所变化），也可以根据经验人为设定。
③对于最大化问题，一般采用如下转换形式：
其中，cmin既可以是当前代中目标函数J（x）的最小值，也可以根据经验人为设定
4.复制（选择）（ReproductionorSelection）
复制是基于适者生存理论而提出的，是指种群中每一个体按照适应度函数进入到匹配池中的过程。
适应度值高于种群平均适应度的个体在下一代中将有更多的机会繁殖一个或多个后代，而低于平均适应度的个体则有可能被淘汰掉。
复制的目的在于保证那些适应度高的优良个体在进化中生存下去，复制不会产生新的个体。
常用的选择方法有：
赌轮法、两两竞数法、排序法
5.交叉（Crossover）
交叉是指对从匹配池中随机选出的两个个体按一定的交叉概率pc部分地交换某些基因的过程。
一般分两步实现：
第一步是将新复制产生的匹配池中的个体随机两两配对；第二步是进行交叉繁殖，产生一对新的个体。
交叉的目的是为了产生新的基因组合，生成新的个体，避免每代种群中个体的重复。
6.变异（Mutation）
一般的变异操作只作用于采用二进制编码的某单个个体，它以一定的变异概率pm对个体的某些位进行取反操作。
如同自然界很少发生基因突变一样，变异概率pm一般都取得比较小。
变异的目的是为了增加种群个体的多样性，防止丢失一些有用的遗传模式。
7.常规的数学优化方法有数学上比较严格的收敛判据，而遗传算法的收敛判据通常是启发式的。
由于遗传算法没有利用梯度信息，因此要从数学上构造比较严格的收敛判据相当困难。
常用的收敛判据有：
①根据计算时间和所采用计算机的性能确定收敛判据：
一般采用指定最大迭代次数的方法；②从解的质量方面确定判据：
如果连续几代（或几十代）种群中的最优解没有变化，则认为算法收敛；或种群中最优个体的适应度与平均适应度之差和平均适应度的比值小于某一给定值时，也可以认为算法已经收敛。
图1遗传算法流程图
4.2.2遗传算法的特点
遗传算法还具有以下几方面的特点：
（1）遗传算法从问题解的串集开始搜索，而不是从单个解开始。
这是遗传算法与传统优化算法的极大区别。
传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。
遗传算法从串集开始搜索，覆盖面大，利于全局择优。
（2）遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。
（3）遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。
适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。
这一特点使得遗传算法的应用范围大大扩展。
（4）遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。
（5）具有自组织、自适应和自学习性。
遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。
4.3遗传算法的应用现状
进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。
此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。
遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：
一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。
这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。
二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。
三是并行处理的遗传算法的研究十分活跃。
这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。
四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。
所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用，五是遗传算法和进化规划（EvolutionProgramming,EP）以及进化策略（EvolutionStrategy,ES）等进化计算理论日益结合。
EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。
目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacencybasedcrossover），这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了TSP问题中，通过实验对其进行了验证。
D.H.Ackley等提出了随机迭代遗传爬山法（StochasticIteratedGeneticHill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。
实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。
H.Bersini和G.Seront将遗传算法与单一方法（simplexmethod）结合起来，形成了一种叫单一操作的多亲交叉算子（simplexcrossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。
同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。
国内也有不少的专家和学者对遗传算法的交叉算子进行改进。
2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法（Building-blockCodedParallelGA，BCPGA）。
该方法以粗粒度并行遗传算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
2005年，江雷等针对并行遗传算法求解TSP问题，探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍，向全局最优解方向进化。
升级会员 