分层递阶自组织控制概述

1、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”、

2、“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1。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

3、控制即分级递阶智能控制(hierarchicallyintelligentcontrol),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

4、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-OrganizingControlofStochasticSystems)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

5、、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嫡作为整个智能控制系统性能的度量，并对每一级定义了嫡的计算方法，证明了在执行级的最优控制等价于使某种嫡最小的控制方法。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

6、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

7、1 所示2: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

8、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H0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

9、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。这三层的级联关系冏见图 2: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

10、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递阶智能控制的嫡准则在 Saridis 的递阶智能控制系统中，对各级采用嫡作为测度。组织级用嫡衡量所需知识；协调级用嫡测量协调的不确定性；执行机用嫡表示系统的执行代价。每一级的嫡相加成为总嫡，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烯 I最小。对于不确定性问题，通常采用嫡（Entro

11、py）函数作为性能度量，嫡越大，表明不确定性越大，以嫡最小去确定最优控制策略。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，可以用嫡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 CPlft 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

12、：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(MachineIntelligence,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

13、(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)最大嫡原则一致P(K)=e=-KxP(K)dx=1 二=lne.dx在这种概率密度函数 P(K)的选择下，知识 K 的嫡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=T=功率知识流满足下列关系MI：(DB)一(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

14、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。MI 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)=lnP(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，因此各种函数的嫡便可起到测量的作用。上式两端取期望值，可得嫡方程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 的嫡(不确定性)

15、，就要减小机器智能 MI 的嫡，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 的嫡，便可增大机器智能 MI 的嫡，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：

16、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，以使整个系统的总嫡最小。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

17、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。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

18、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、PS 旁传感器所提供的环境信

19、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 医口实现，云台 CC拨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 l/4typeSuperHADCC 拨像机有 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 CC 映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4o智智能能级级协协谓谓级级执执行行图 3 分层递阶控制的自主机器人结构化设计图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