智能控制理论及应用 复习.docx

智能控制理论及应用 复习.docx

《智能控制理论及应用 复习.docx》由会员分享，可在线阅读，更多相关《智能控制理论及应用 复习.docx（19页珍藏版）》请在冰豆网上搜索。

智能控制理论及应用复习

智能控制理论及应用

第1章绪论

■《智能控制》在自动化课程体系中的位置

《智能控制》是一门控制理论课程，研究如何运用人工智能的方法来构造控制系统和设计控制器。

与《自动控制原理》和《现代控制原理》一起构成了自动控制课程体系的理论基础。

■《智能控制》在控制理论中的位置

《智能控制》是目前控制理论的最高级形式，代表了控制理论的发展趋势，能有效地处理复杂的控制问题。

其相关技术可以推广应用于控制之外的领域：

金融、管理、土木、设计等等。

■经典控制和现代控制理论的统称为传统控制，智能控制是人工智能与控制理论交叉的产物，是传统控制理论发展的高级阶段。

智能控制是针对系统的复杂性、非线性和不确定性而提出来的。

■传统控制和智能控制的主要区别：

传统控制方法在处理复杂化和不确定性问题方面能力很低；

智能控制在处理复杂性、不确定性方面能力较高。

智能控制系统的核心任务是控制具有复杂性和不确定性的系统，而控制的最有效途径就是采用仿人智能控制决策。

传统控制是基于被控对象精确模型的控制方式；

智能控制的核心是基于知识进行智能决策，采用灵活机动的决策方式迫使控制朝着期望的目标逼近。

传统控制和智能控制的统一：

智能控制擅长解决非线性、时变等复杂的控制问题，而传统控制适于解决线性、时不变等相对简单的控制问题。

智能控制的许多解决方案是在传统控制方案基础上的改进，因此，智能控制是对传统控制的扩充和发展，传统控制是智能控制的一个组成部分。

■智能控制与传统控制的特点。

传统控制：

经典反馈控制和现代理论控制。

它们的主要特征是基于精确的系统数学模型的控制。

适于解决线性、时不变等相对简单的控制问题。

智能控制：

以上问题用智能的方法同样可以解决。

智能控制是对传统控制理论的发展，传统控制是智能控制的一个组成部分，在这个意义下，两者可以统一在智能控制的框架下。

■智能控制应用对象的特点

（1）不确定性的模型

模型未知或知之甚少；模型的结构和参数可能在很大范围内变化。

（2）高度的非线性

（3）复杂的任务要求

■自动控制的发展过程

■智能控制系统的结构一般有哪几部分组成，它们之间存在什么关系？

答：

智能控制系统的基本结构一般由三个部分组成：

人工智能（AI）：

是一个知识处理系统，具有记忆、学习、信息处理、形式语言、启发式推理等功能。

自动控制（AC）：

描述系统的动力学特性，是一种动态反馈。

运筹学（OR）：

是一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等。

■智能控制的基本特点

（1）分层递阶的组织结构；

（2）多模态控制；（3）自学习能力；（4）自适应能力；

（5）自组织能力；（6）优化能力

■智能控制的三元结构，它们之间关系的示意图。

把智能控制扩展为三元结构，即把人工智能、自动控制和运筹学交接如下表示：

IC=AI∩AC∩OR

OR一运筹学（Operationresearch）

IC一智能控制（intelligentcontrol）;

Al一人工智能（artificialintelligence）;

AC一自动控制（automaticColltrol）;

∩一表示交集.

■智能控制系统的主要类型，以及各自的特点

1）、分级递阶控制系统

主要有三个控制级组成，按智能控制的高低分为组织级、协调级、执行级，并且这三级遵循“伴随智能递降精度递增”原则。

2）、专家控制系统

专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验。

它具有启发性、透明性、灵活性、符号操作、不一确定性推理等特点。

3）、神经控制系统

神经网络具有某些智能和仿人控制功能。

学习算法是神经网络的主要特征。

4）、模糊控制系统

在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。

5）、学习控制系统

学习控制正是模拟人类自身各种优良的控制调节机制的一种尝试。

所谓学习是一种过程，它通过重复输入信号，并从外部校正该系统，从而使系统对特定输入具有特定响应。

6）、集成或者（复合）混合控制系统

几种方法和机制往往结合在一起，用于一个实际的智能控制系统或装置，从而建立起混合或集成的智能控制系统。

■与常规控制方法相比，模糊控制有以下特点：

①模糊控制完全是在操作人员控制经验基础上实现对系统的控制，无需建立数学模型，是解决不确定性系统的一种有效途径。

②模糊控制具有较强的鲁棒性，被控对象参数的变化对模糊控制的影响不明显，可用于非线性、时变、时滞系统的控制。

③由离线计算得到控制查询表，提高了控制系统的实时性。

④控制的机理符合人们对过程控制作用的直观描述和思维逻辑，为智能控制应用打下了基础。

■人工神经网络具有几个突出的特点：

①可以充分逼近任意复杂的非线性关系；

②所有定量或定性的信息都分布贮存于网络内的各神经元的连接上，故有很强的鲁棒性和容错性；

③采用并行分布处理方法，使得快速进行大量运算成为可能；

④可学习和自适应不知道或不确定的系统。

■分层递阶智能控制具有两个明显的特点：

①对控制来讲，自上而下控制精度愈来愈高；②对识别来讲，自下而上信息回馈愈来愈粗略。

分层递阶智能控制（图）

模糊控制器的一般结构

（a）PID控制（b）模型参考自适应控制（c）前馈反馈控制

神经网络控制的3种典型结构

第2章模糊控制的数学基础

■模糊集合的定义

给定论域E中的一个模糊集

，是指任意元素x∈E，都不同程度地属于这个集合，元素属于这个集合的程度可以用隶属函数

∈[0，1]来表示。

■模糊集合的表示法

1）Zadeh表示法；2）序偶表示法；3）隶属函数描述法；

■模糊集合的运算

模糊集合与普通集合一样也有交、并、补的运算。

例、设论域U={a,b,c,d,e}上有两个模糊集分别为：

求

、

和

。

解：

■水平截集的定义

在论域U中，给定一个模糊集合A，由对于A的隶属度大于某一水平值λ（阈值）的元素组成的集合，叫做该模糊集合的λ水平截集。

例子：

已知

，求A0.1、A0.2、A0.7

解：

；

；

■模糊关系的运算

例、已知

和

求

、

和

解：

■模糊关系的合成

设R是论域U×V上的模糊关系，S是论域V×W上的模糊关系，则R和S可以合成为论域U×W上的一个新的模糊关系C，记做

■模糊变换

R是X×Y上的模糊关系；设A和B分别为X和Y上的模糊集：

且满足

，则称B是A的象，A是B的原象，R是X到Y上的一个模糊变换。

例子：

已知论域X={x1,x2,x3}和Y={y1,y2}，A是论域X上的模糊集：

R是X到Y上的一个模糊变换，

试通过模糊变换R求A的象B

解：

■语言规则中蕴涵的模糊关系

定义一个语言变量需要定义以下4个方面的内容：

•定义变量名称；

•定义变量的论域；

•定义变量的语言值（每个语言值是定义在变量论域上的一个模糊集合）

•定义每个模糊集合的隶属函数。

•

■模糊条件语句

1.简单条件语句

“如果……那么……”或“如果……那么……，否则……”

2.多重条件语句

如果u是A1，则v是B1；

否则，如果u是A2，则v是B2；

……

否则，如果u是An，则v是Bn。

3.多维条件语句

如果u1是A1，且u2是A2，…，且um是Am，则v是B

例子、已知语言规则为“如果e是A，并且ec是B，那么u是C。

”其中

、

和

试求该语句所蕴涵的模糊关系R。

解：

第一步，先求R1＝A×B：

第二步，将二元关系矩阵R1排成列向量形式R1T，先将中的第一行元素写成列向量形式，再将中的第二行元素也写成列向量并放在前者的下面，如果是多行的，再依次写下去。

于是R1可表示为：

第三步，R可计算如下：

第3章模糊控制的设计方法

■模糊控制器的基本工作原理

将测量得到的被控对象的状态经过模糊化接口转换为用人类自然语言描述的模糊量，而后根据人类的语言控制规则，经过模糊推理得到输出控制量的模糊取值，控制量的模糊取值再经过清晰化接口转换为执行机构能够接收的精确量。

■模糊控制器的基本结构一般由哪四部分组成？

并画出模糊控制器的基本结构图。

答：

（1）模糊化接口：

模糊化接口就是通过在控制器的输入、输出论域上定义语言变量，来将精确的输入、输出值转换为模糊的语言值。

（2）规则库：

由数据库和语言（模糊）控制规则库组成。

数据库为语言控制规则的论域离散化和隶属函数提供必要的定义。

语言控制规则标记控制目标和领域专家的控制策略。

（3）模糊推理：

是模糊控制系统的核心。

根据模糊输入和模糊控制规则，获得模糊输出。

（4）清晰化接口：

由模糊推理得到的模糊输出值，只有其转化为精确控制量，才能施加于对象。

实行这种转化的方法叫做清晰化/去模糊化/模糊判决。

■模糊化接口的设计步骤

1）语言变量的确定

2）语言变量论域的设计

3）定义各语言变量的语言值

4）定义各语言值的隶属函数

■隶属函数的类型

1.正态分布型（高斯基函数）2.三角型3.梯型

■隶属函数基本图形分为三大类

1.左大右小的偏小型下降函数（Z函数）（偏小形）；

2.左小右大的偏大型上升函数（S函数）（偏大形）

3.对称型凸函数（P函数）

■规则库

1）规则库的描述

规则库由若干条控制规则组成，这些控制规则根据人类控制专家的经验总结得出，按照IF…is…AND…is…THEN…is…的形式表达。

2）规则库的产生

根据专家经验或过程控制知识生成控制规则。

根据过程的模糊模型生成控制规则。

根据学习算法获取控制规则。

■模糊推理

■清晰化接口/解模糊化常用方法

1.最大隶属度法；2.取中位数法；3.重心法

■模糊控制器（FuzzyController）特点:

模糊控制是一种基于规则的控制。

由工业过程的定性认识出发，容易建立语言控制规则。

控制效果优于常规控制器.

具有一定的智能水平.

模糊控制系统的鲁棒性强。

■模糊控制器设计的主要步骤

1、选定模糊控制器的输入输出变量,一般取e、ec和u。

2、确定各变量的模糊语言取值及相应的隶属函数，即进行模糊化。

模糊语言值通常选取3、5或7个，例如取为{负，零，正}等。

然后对所选取的模糊集定义其隶属函数

3、建立模糊控制规则或控制算法。

确定模糊推理和解模糊化方法。

第4章神经网络基本理论

■生物神经元模型

生物神经元主要由细胞体、树突和轴突组成

■人工神经元模型

常用的激发函数

阈值型函数；饱和型函数；双曲函数；S型函数；高斯函数

■神经网络的构成、分类、学习算法

■在一个神经网络中，常常根据处理单元的不同处理功能，将处理单元分成输入单元、输出单元和隐层单元三类。

■BP算法的程序实现

1）初始化；2）输入训练样本、计算各层输出；3）计算网络输出误差；

4）计算各层误差信号；5）调整各层权值；6）检查是否对所有样本完成一次轮训；7）检查网络总误差是否达到精度要求。

■标准BP算法的改进

标准的BP算法在应用中暴露出不少内在的缺陷：

⑴易形成局部极小而得不到全局最优；

⑵训练次数多使得学习效率低，收敛速度慢；

⑶隐节点的选取缺乏理论指导；

⑷训练时学习新样本有遗忘旧样本的趋势。

■改进算法的方法：

1）增加动量项

2）自适应调节学习率

3）引入陡度因子

例子：

试画出三层BP网络结构图，并阐述BP网络算法的基本思想，最后论述对BP网络算法的改进。

答：

学习的基本思想是：

误差反传算法调整网络的权值，使网络的实际输出尽可能接近期望的输出。

改进1：

增加动量项：

提出的原因：

标准BP算法只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。

基本思想：

从前一次权值调整量中取出一部分迭加到本次权值调整量中。

其作用是动量项反映了以前积累的调整经验，对于t时刻的调整起阻尼作用。

当误差曲面出现骤然起伏时，可减小振荡趋势，提高训练速度。

改进2：

自适应调节学习率：

提出的原因：

标准BP算法中，学习率η也称为步长，确定一个从始至终都合适的最佳学习率很难。

平坦区域内，η太小会使训练次数增加；在误差变化剧烈的区域，η太大会因调整量过大而跨过较窄的“坑凹”处，使训练出现振荡，反而使迭代次数增加。

基本思想：

自适应改变学习率，使其根据环境变化增大或减小。

改进3：

引入陡度因子：

提出的原因：

误差曲面上存在着平坦区域。

权值调整进入平坦区的原因是神经元输出进入了转移函数的饱和区。

基本思想：

如果在调整进入平坦区后，设法压缩神经元的净输入，使其输出退出转移函数的不饱和区，就可以改变误差函数的形状，从而使调整脱离平坦区。

第5章神经网络在控制中的应用

■神经网络在控制中的应用主要有：

神经网络辨识技术和神经网络控制技术

■神经网络系统辨识实质：

上是选择一个适当的神经网络模型来逼近实际系统的数学模型。

神经网络系统辨识的原理

多层前向BP网络的系统辨识；递归神经网络系统辨识

■神经网络在控制中主要起以下作用：

（1）基于精确模型的各种控制结构中充当对象的模型；

（2）在反馈控制系统中直接充当控制器的作用；

（3）在传统控制系统中起优化计算作用；

（4）在与其它智能控制方法和优化算法相融合中,为其提供对象模型、优化参数、推理模型及故障诊断等。

■神经网络在控制

a.神经网络直接反馈控制系统

b.神经网络逆控制

c.神经网络内模控制

内模控制是一种基于模型逆的控制方法，其设计思路是将对象模型与实际对象相并联，控制器逼近模型的动态逆。

一般有两种方法：

1）两个神经网络分别逼近模型和模型的逆；

2）采用神经网络逼近模型，然后用非线性优化方法数值计算内模控制量。

d.神经网络自适应控制

（1）神经网络模型参考直接自适应控制

（2）神经网络模型参考间接自适应控制

（3）神经网络间接自校正控制

自校正调节器的目的是在控制系统参数变化的情况下，自动调整控制器参数，消除扰动的影响，以保证系统的性能指标。

在这种控制方式中，神经网络（NN）用作过程参数或某些非线性函数的在线估计器。

假设被控对象的模型为

yk+1＝f（yk）+g（yk）·uk

则用神经网络对非线性函数f（yk）和g（yk）进行辨识，假设其在线计算估计值fd（yk）和gd（yk），则调节器的自适应控制律为

uk=（yd-fd（yk）/gd（yk）

此时系统的传递函数为1

第8章遗传算法及应用

■遗传算法是以达尔文的自然选择学说为基础发展起来的。

自然选择学说包括以下三个方面：

（1）遗传：

这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状。

生物有了这个特征，物种才能稳定存在。

（2）变异：

亲代和子代之间以及子代的不同个体之间的差异，称为变异。

变异是随机发生的，变异的选择和积累是生命多样性的根源。

（3）生存斗争和适者生存：

具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种。

■基本思想：

基于模仿生物界遗传学的遗传过程，把问题的参数用基因来表示，把问题的解用染色体来表示代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。

这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代，后代随机化地继承父代的最好特征，并也在生存环境的控制支配下继续这一过程。

群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优解。

■基本遗传算法的组成

（1）编码（产生初始种群）

SGA采用随机方法生成若干个个体的集合，该集合称为初始种群。

初始种群中个体的数量称为种群规模。

（2）适应度函数

遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。

（3）遗传算子（选择、交叉、变异）

遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：

适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小。

（4）运行参数

M：

种群规模

T：

遗传运算的终止进化代数

Pc：

交叉概率

Pm：

变异概率

■遗传算法基本步骤：

把问题的解表示成“染色体”，在算法中就是以二进制编码的串，给出一群“染色体”，也就是假设的可行解

把这些可行解置于问题的“环境”中，按适者生存的原则，选取较适应环境的“染色体”进行复制，并通过交叉、变异过程产生更适应环境的新一代“染色体”群

经过这样的一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解

■遗传算法具体步骤

1选择编码策略，把参数集合（可行解集合）转换染色体结构空间；

2定义适应函数，便于计算适应值；

3确定遗传策略，包括选择群体大小，选择、交叉、变异方法以及确定交叉概率、变异概率等遗传参数；

4随机产生初始化群体；

5计算群体中的个体或染色体解码后的适应值；

6按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体；

7判断群体性能是否满足某一指标，或者已完成预定的迭代次数，不满足则返回第五步，或者修改遗传策略再返回第六步．

■算法框图：