浅谈智能控制

自从1932年奈奎斯特发表反馈放大器的稳定性论文70年代是现代控制理论的形成和发展阶要基于根轨迹和频率法。经典控制理论的主要贡献在于PID控制器广泛成功地应用与常系数单输入单输出线性控制系统的发展。进入60年代以后，因为人类展。阿波罗宇宙飞船按最优轨线飞向月球的制导和登月舱软着陆等都是其应用的典型范例。现代控制（1）不确定性的模型。传统的控制理论都是建立在以微分方程或差分方程为工具的精确模型的（2）高度非线性。在传统的控制理论中，线性系统理论比较成熟，对于具有高度非线性的控制列多维模糊条件语句构造系统的模糊语言变量模型，应用CRI等各类模糊推理方法，可以（4）构造容易。用单片机等来构造模糊控制器，其结构与一般的数字控制系统无异，模糊控制与传统的控制系统结构相类似，模糊控制系统通常由模糊控制器、输入/输出接口、执图1模糊控制系统框图规则：“如果误差很大，且误差继续朝不利方向很快变化，应加大控制量；如果误差大小为中等程图2模糊控制器的结构框图些清晰值转化为模糊推理能处理的模糊集合的形式，模糊化接口就是实现这样的功能。模糊控制器的等级，如物体的大小可以分为大，中，小；运动的速度小”三个词汇来描述模糊控制器的输入，输出变量的状态。再加上正负两个方向并考虑变量的零状五个。通常对于误差的变化方向的问题，往往会将“零分为“正零”相反的，形状较缓，则控制特性平缓，系统稳定性较好。因此，在选择模糊变量的模糊集的隶属函数雨量预测、物价上涨预测经济宏观调控、中长期市场预测等。模糊控制理论、专家系统理论等将大大（3）专有模糊集成控制芯片的开发和应用。将模糊控制理论与微电子学、计算机学等结合起模糊逻辑控制解决了人类智能行为语言的描述和推理问题，尤其是一些不确定性语言的描述和推1943年，美国数学家Pitts和McCmloch提出了神经网络的第一个数学模型，这是人类最早对），神经元网络系统的研究主要有三个方面的内容，即神经元模型、神经网络结构、神经网络学习方出三大类：前向网络、反馈网络和自组织网络。目前已被广泛应用的神经网络结构种类大致可以由图图3神经网络结构分类示意图人工神经网络由神经元模型(如图4)构成，神经元模型是生物神经元的抽象和模拟,0图4神经元模型这种由许多神经元组成的信息处理网络具有并行分布和结构。每个神经元具有单一输出，并且能够与其他神经元连接；存在许多(多重)输出连接方法，每种连接方法对应一个权取fiCWjXj-羽，即y二fjCWjXj-弓)。目前，常用的激活函数主要有以下四种:(a)阈值函数(b)线性函数(c)Sigmoid函数图5激活函数模型（1）Hebb学习规则：根据生理学中条件反射机理，如果两个神经元同时兴奋，则它们（2）学习规则：学习规则利用已知样本对神经元之间的连接权和阈值进行学习和f（Y-yJf（）（1）前馈网络。前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级例子有多层感知器（MLP）、学习矢量量化（LVQ）网络、小脑模型连接控制（CMAC）网络和数图6前馈网络图7反馈网络（2）反馈网络。在反馈网络中，多个神经元互连以组织一个互连神经（3）相互结合型网络。与前面两种结构模型不同，相互结合型网络属于网状结构。这层次型网络和网状结构网络的特点，通过层内神经元的相互结合，可以实现同一层内的神经元的横向f()计算隐层各神经元的输出。隐层各神经元的输出jn用隐层输出bj的连接权值Vjt以及隐层与输出层之间的阈值ttpj壬),。t_t=j上面公式中的:、'■是学习系数。调整连工神经网络以其独特的结构和处理信息的方法，在自动控制、图像处理、模式识别、传感器信号处理、机器人控制、信号处理、焊接、地理、数据挖掘、电力系统、军事、交通、矿业、农业和气象等智能控制或智能方法研究的最终目标是制造出具有人脑功能的机器，如学智能学派；二是基于“连接主义”的神经网络理论派。这些方法的核心就是利用优化技术来解决实际优化技术。遗传算法是当今随机优化理论中相当活跃的一个分支。出的一种基于种群搜索的优化算法。其思想是随机产生初始种群，通过选择(Reproduction)、交叉(Crossover)和变异(Mutat遗传算法根据达尔文自然选择学说中的“适者生存，优胜劣汰”的规律，模拟达尔文的遗传选操作运算(交叉运算、变异运算、选择运算)、适应度函数设计、参数的控制与约束条件的处理来实现。各个部分进行良好的处理才能使整个算法性能最佳，寻求出最优解编码是遗传算法要解决的首要问题。编码就是把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法。为了克服二进制代码之间的汉明距离很大的问题，采用大符号集编交叉运算是按较大概率从种群中选择两个个体，按某种方式相互交换两个个体的某个或某些部选择运算对个体进行优胜劣汰，根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小，可以使得到群体适应度函数设计，适应度函数用于转换目标函数值参数的控制与约束条件的处理，控制参数选择的是否合理直接影响算法的收敛速度和搜索效（2）确定适应度函数。适应度函数是指导遗传算法工作的主要信息来源，它的定义是遗传算（4）确定算法停止运行的条件。算法终止条件的选择从以下两个方面考虑：是否到了算