其它智能控制

1、第九章 其它智能控制教学内容本章拟对仿人控制、进化控制和免疫控制等智能控制方法给予简要介绍,以求更全面地反映国内外智能控制的最新发展。教学重点1. 仿人控制的控制原理、原型算法、属性和设计步骤 ;2. 进化控制的基本思想及移动机器人进化控制系统的体系结构和算法 ;3. 免疫控制定义、免疫算法设计和参数选择、免疫控制系统结构。教学难点1. 仿人控制器的原型算法和设计步骤 ;2. 遗传算法的基本原理和求解步骤 ;3. 进化控制系统的结构化设计 ;4. 遗免疫控制器的设计。教学方法以课堂讲授为主 ,结合前面所讲控制系统的实例 ,对学生进行启发式引导 ,重点帮助理解各 种新兴控制算法的基本原理 ,求解

2、步骤 ,可适当地布置遗传算法和免疫算法的编程实验,培养学生的动脑动手能力。教学要求重点掌握仿人控制、遗传算法、免疫算法的基本原理和设计步骤9.1 仿人控制教学内容 仿人控制综合了递阶控制、专家控制和基于模型控制的特点,实际上可以把它看作一种混合控制。本节首先介绍仿人控制的原理和原型算法,然后介绍仿人控制器的属性和设计步骤。教学重点 仿人控制器的原型算法和设计步骤。教学难点 怎样设计合适的仿人控制器。教学方法 课堂教授为主 ,以设问的方式引导学生理解仿人控制的基本概念。教学要求 了解仿人控制的相关概念。9.1.1 仿人控制原理与原型算法1. 仿人控制的基本原理仿人控制 (human-simula

3、ted control) 的思想是周其鉴于 1983 年正式提出的 , 基本思想就是在 模拟人的控制结构的基础上 ,进一步研究和模拟人的控制行为与功能,并把它用于控制系统 ,实现控制目标。2. 仿人控制的原型算法仿人控制器的原型算法如下式所示 :(9.1) 式中 u 为控制输出 ,Kp 为比例系数 ,k 为抑制系数 ,e 为误差 , 为误差变化率 ,em,i 为误差的第 i 次峰值。9.1.2 仿人控制器的属性与设计步骤1. 仿人控制器的智能属性(1) 仿人控制器原型是一种双影射关系 , 即一种变模态控制 ;(2) 在仿人控制原型算法中 , 确定误差变化趋势特征的集合反映在误差相平面上的全部特

4、 征,构成整个控制决策的依据 ,即特征模型 ;(3) 仿人控制器原型在维持模态时对误差极值的记忆和利用。2. 仿人控制器的设计步骤(1) 确定设计目标轨迹根据用户对控制性能指标 (如上升时间、 超调量、 稳态精度等 )的要求 ,确定理想的单位阶跃 响应过程 ,并把它变换到时相空间中去 ,构成理想的误差时相轨迹。(2) 建立特征模型根据目标轨迹在误差相平面 上的位置或者误差时间平面 上的位置 ,以及控制 器的不同级别 (执行级、参数校正级、任务适应级 ),确定特征基元集 ,划分出特征状态集 ,从而 构成不同级别的特征模型。(3) 设计控制规则与控制模态集 针对系统运行状态处于特征模型中某些特征状

5、态与瞬态指标(理想轨迹 )之间的差距 ,以及理想轨迹的运动趋势 ,模仿人的控制决策行为 ,设计控制或校正规则和模态 ,并设计出模态中 的具体参数。提问 怎样设计仿人控制器 ?可分为哪几步9.2 进化控制教学内容 首先介绍进化算法中遗传算法的基本原理、求解步骤,然后讲述进化控制的基本思想、进化控制系统的结构和形式化描述,最后介绍移动机器人进化控制系统的体系结构和算法。教学重点 遗传算法的基本原理和求解步骤 ; 进化控制的基本思想和进化控制器的形式化描述。教学难点 遗传算法如何解决实际问题 ,进化控制系统的结构描述和算法设计。教学方法 课堂讲授为主 ,以各种控制器的典型结构来介绍其相关的概念,培养

6、学生的形象思维能力。教学要求 掌握遗传算法的基本原理和设计步骤 ,熟悉进化控制系统的结构组成。9.2.1 遗传算法的基本原理遗传算法是模仿生物遗传学和自然选择机理,通过人工方式构造的一类优化搜索算法,是对生物进化过程进行的一种数学仿真 ,是进化计算的一种最重要形式。以霍兰德(Holland) 于1975 年提出的简单遗传算法作为讨论主要对象,加上适应的改进 ,来分析遗传算法的结构和机理。提问 一般来说 ,进化算法包含哪些主要的算法 ?1.编码与解码将问题结构变换为位串形式编码表示的过程叫编码 ;而相反将位串形式编码表示变换为原 问题结构的过程叫解码或译码。把位串形式编码表示叫染色体 ,有时也叫

7、个体。GA 的算法过程简述如下。首先在解空间中取一群点, 作为遗传开始的第一代。每个点 ( 基因) 用一个二进制数字串表示 ,其优劣程度用一目标函数 适应度函数 (fitness function) 来衡 量。遗传算法最常用的编码方法包括二进制编码、浮点数编码方法、格雷码、符号编码方法、 多参数编码方法等。2.适应度函数适应度函数 (fitness function) 用于决定染色体的优劣程度 ,它体现了自然进化中的优胜劣汰 原则。对优化问题 ,适应度函数就是目标函数。适应度函数要有效反映每一个染色体与问题 的最优解染色体之间的差距。3. 遗传操作简单遗传算法的遗传操作主要有有三种:选择 (s

8、election) 、交叉 (crossover)、变异 (mutation) 。改进的遗传算法大量扩充了遗传操作,以达到更高的效率。选择操作也叫复制 (reproduction)操作。一般地说 ,选择将使适应度较大 (优良 )个体有较大的 存在机会 ,而适应度较小 (低劣 )的个体继续存在的机会也较小。 交叉操作的简单方式是将被选 择出的两个个体 P1和 P2 作为父母个体 ,将两者的部分码值进行交换。变异操作的简单方式 是改变数码串的某个位置上的数码。9.2.2 遗传算法的求解步骤1.简单遗传算法的求解步骤(1) 初始化群体 ;(2) 计算群体上每个个体的适应度值 ;(3) 按由个体适应度

9、值所决定的某个规则选择将进入下一代的个体 ;(4) 按概率 Pc 进行交叉操作 ;(5) 按概率 Pc 进行突变操作 ;(6) 若没有满足某种停止条件 ,则转第 (2) 步,否则进入下一步 ;(7) 输出群体中适应度值最优的染色体作为问题的满意解或最优解。2.一般遗传算法的主要步骤(1) 随机产生一个由确定步骤(2) 对该字符串群体迭代的执行下面的步和,直到满足停止标准 : 计算群体中每个个体字符串的适应值 ; 应用复制、交叉和变异等遗传算子产生下一代群体。(3) 把在后代中出现的最好的个体字符串指定为遗传算法的执行结果,这个结果可以表示问题的一个解。9.2.3 进化控制及其形式化描述1.进化

10、控制及基本思想进化控制是建立在进化计算和反馈控制相结合的基础上的,进化更着重于改变和影响生命特征的内在本质因素 ,通过反馈作用所提高的性能需要由进化作用加以巩固。2.进化控制系统的结构和形式化描述进化控制系统的结构如图 9.1 所示。图 9.1 进化控制系统的结构提问 形式化描述进化控制系统有什么好处 ?定义 9.1 一个进化控制系统可由六元组 ( , , , , , )来描述。其中 , 给定任 务, 适应度函数 , 进化操作算子 , 解空间表示 , 控制作用 , 广义被控制对 象输出 (或反馈信息 )。一个进化控制的问题可以表示为一个最优化问题的描述。定义 9.2 进化控制的优化问题一般可描

11、述为(9.2)式中, 为适应度函数 , 为解空间的个体 , 为解空间。 进化控制的最优控制器的求解 过程是该最优化问题的迭代计算过程。 即在开始时刻产生初始种群 进入相应的进化操作过程,直到第 代种群中 ,有个体使得 满足要求 , 即为所要求的,即9.2.4 移动机器人进化控制系统的体系结构和算法1.进化控制系统的体系结构图 9.2 是基本功能 / 行为集成的移动机器人进化控制系统的体系结构图。该系统由进化规划模块和基于行为的控制模块组成。图 9.2 规划、行为综合的进化控制体系结构2.进化规划器的结构与算法 系统实现包括逻辑设计与物理实现 ,逻辑设计中以进化规划器与各种反射行为的实现为核 心

12、。图 9.3 进化规划器结构在本系统中 ,进化规划器的结构如图 9.3 所示。离线进化算法模块根据先验知识对机器人运动路线做出离线规划,机器人再据规划路线移动,其运动姿态由运动规划模块保障。当遇到未知障碍时,启动反射式行为 ,使机器人避障。然后启动在线进化规划 ,计算新的路径 ,再由运动规划器保障实施 ,以保持路径跟踪的鲁棒性。讨论 进化控制系统的体系结构一般由哪些控制模块组成?各模块起的作用是什么 ?离线与在线进化计算的实现形式描述如下 :编码方式 :机器人移动路径由起始节点至目标节点的线段连接而成,一条路径描述如图 9.4所示。图 9.4 路径的基因表示其中 , 表示节点的坐标值 , 表示

13、节点是否可行的状态。3. 运动规划算法运动规划器的目的在于给出具体的规划路径之后,如何求得合适的速度控制量和驾驶角度控制 ,保持路径跟踪的鲁棒性。系统中采用如下控制模型 :其中 为应施加的速度和角度速度值 , 为当前的速度与角速度 , , 分别为当前姿 态与参考姿态偏差 , , , 为正常数。9.3 免疫控制 教学内容 首先介绍免疫算法的原理和设计方法 ,然后讨论几种典型的免疫控制。教学重点 免疫算法定义、设计方法、参数选择 ,免疫控制的一般结构。教学难点 免疫算法的设计方法和参数选择 ,免疫控制系统的设计。教学方法 课堂教授为主 ,从免疫算法的基本原理出发启发学生的思维,有条件的化可安排有关

14、实验 ,加深学生的了解。教学要求 重点掌握免疫算法的原理和求解的步骤。9.3.1 免疫算法的提出和定义1.免疫算法的提出人工免疫系统是由免疫学理论和观察到的免疫功能、原理和模型启发而产生的适应性系 统。免疫算法的关键在于系统对受侵害部分的屏蔽、 保护和学习控制。 设计免疫算法可从两 种思路来考虑 : 一是用人工免疫系统的结构模拟自然免疫系统的结构;另一是着重考察两系统在相似的外界有害病毒侵入下 ,其输出是否相同或类似 ,侧重对免疫算法的数据分析 ,而不 是流程上的直接模拟。2.免疫算法的有关定义定义 9.3 免疫算法 是模仿生物免疫学和基因进化机理 ,通过人工方式构造的一类优化搜索算 法,是对

15、生物免疫过程的一种数学仿真 ,是免疫计算的一种最重要形式。定义 9.4 人工免疫系统 是由免疫学理论和观察到的免疫功能、 原理和模型启发而产生的适应 性系统。可通过免疫算法进行人工免疫系统的计算和控制。定义 9.5 免疫系统在受到外界病菌的感染后 ,能够通过自身的免疫机制恢复健康以保持正常 工作的一种特性或属性称为 免疫系统的鲁棒性 。定义 9.6 抗原 (antigen) 指所有可能错误的基因 ,即非最佳个体的基因 ;疫苗 (vaccine) 是根据进 化环境或待解问题的先验知识 ,得到的对最佳个体基因的估计 ;抗体 (antibody) 是指根据疫苗 修正某个个体的基因所得到的新个体。9.

16、3.2 免疫算法的设计方法和参数选择1.免疫算法的主要设计方法(1) 白箱模拟法按照白箱模拟法的思路 ,借用生物免疫机制的一些概念 ,从形式上进行一定的模拟 ,以实现 对系统人工免疫的目的。(2) 黑箱模拟法黑箱模拟法间接地从输入输出的特征来考察人工系统对自然系统的模拟。免疫算法常采 用遗传算法或进化算法对外界攻击或病毒进行学习,产生出与外界攻击或者病毒相克的抗体。所以 ,免疫算法一般采用了遗传学习机制。讨论 白箱模拟法和黑箱模拟法各自的工作原理是什么?设计免疫算法时该怎么选择哪种设计方法 ?2.免疫算法的参数不同免疫算法的分析和比较主要从以下两个方面进行研究 :(1) 自然免疫系统的免疫学理

17、论和方法 ;(2) 计算机算法的分析量度。 免疫算法的种类(1) 反向选择算法(2) 免疫遗传算法(3) 克隆选择算法(4) 基于疫苗的免疫算法(5) 基于免疫网络的免疫算法 免疫算法的参数(1) 变异率(2) 选择阈值(3) 抗体生命周期(4) 误差(5) 解群体的规模9.3.3 免疫控制的系统结构免疫控制器一般由三层构成 ,即底层、中间层和顶层 ,如图 9.5 所示。图 9.5 免疫控制器的一般结构控制器底层包括执行模块和监控模块,用于执行控制程序和监控执行结果及系统异常。中间层包括控制模块和计算模块。计算模块用于信号综合、免疫计算和其它智能计算,而控制模块则向执行模块发出控制指令。顶层为

18、智能模块,是控制器的决策层 ,提供免疫算法类型、系统任务和相关智能技术 ,用于模拟人类的决策行为。提问 怎样设计免疫控制系统9.4 小 结本章讨论了几种其它智能控制 ,包括近年来提出的新的智能控制。本章第一节介绍了仿人控制 ,它是在模拟人的控制结构的基础上,进一步研究模拟人的控制行为与功能 ,并把它用于控制系统 ,实现控制目标。仿人控制系统兼顾定性综合和定量分析,是一种混合控制。也可以说 ,仿人控制是一种专家控制、递阶控制和模型控制的混合控制。进化控制建立在进化计算 （尤其是遗传算法 ） 和反馈机制的基础上的。在介绍了遗传算法的 基本原理和求解方法之后 ,着重讨论了进化控制的基本思想 ,提出了进化控制系统的结构和形 式化描述。然后以移动机器人进化控制系统为例,进一步探究系统的体系结构和进化控制器的结构及运动规划算法。对进化控制的探讨是作者的一种尝试,提出的控制思想和方法 ,需要进一步研究、修正和发展。本章还讨论了免疫控制 ,它是建立在