大学课件-智能控制基础(完整)

智能控制基础IntelligentControl授课时间教材参考文献网络资料考核方法授课时间：13-20周每周一、三上午3、4节13-20周每单周周五上午3、4节10:10-12:00am教材：《智能控制技术》，易继锴、侯媛彬编著，北京：北京工业大学出版社，1999，第1版。

参考文献：《智能控制》，刘金锟编著，北京：电子工业出版社，2009，第2版；《模糊控制·神经控制和智能控制论》，李士勇编著，哈尔滨：哈尔滨工业大学出版社，1998，第2版；《智能控制理论与技术》，孙增圻等编著，北京：清华大学出版社，南宁：广西科学技术出版社，1997，第1版。

网络资料：中国期刊网万方数据服务平台/

考核方式：包括试卷成绩及平时成绩两大部分：试卷成绩比例：70%

平时成绩：30%(考勤、课堂作业、提问)

考核方式：注：一次考勤不到平时成绩扣5分；迟到扣2分；替考勤者和被替者平时成绩记为0分；三次考勤不到者，平时成绩记0分；课堂作业视完成程序给分；提问视问题难度、回答情况加减一定的分数；踊跃回答问题且回答正确者有加分。纪律杜绝迟到早退不许讲话拒绝抄袭智能控制基础第一章智能控制概述第二章知识的表示第三章分级递阶控制第四章遗传算法第五章神经网络控制第六章模糊控制第七章专家控制第八章仿人控制第一章智能控制概述

1.1

智能控制的基本概念

1.2

智能控制的特性

1.3智能控制系统的类型

1.4智能控制的发展概况

1.1智能控制的基本概念

1.1.1

什么是智能控制

1.1.2

智能控制的研究对象IntelligentControliseverywhere

1.1.1什么是智能控制智能：能有效地获取、传递、处理、再生和利用信息，从而在任意给定的环境下成功地达到预定目的的能力。思考题：智能是什么？何种情况下需要智能？研究智能理论与技术的目的，是要设计制造出具有高度智能水平的人工系统(智能系统)，以便在那些必要的场合能够用人工系统替代人去执行各种任务。Curiosity蛟龙号智能控制：是应用人工智能的理论与技术和运筹学的优化方法，并将其同控制理论方法与技术相结合，在未知环境下，仿效人的智能，实现对系统的控制。IC=AI∩AC∩OR人工智能AI智能控制IC运筹学OR自动控制ACArtificialIntelligence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。OperationResearch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。AutomaticControl描述系统的动力学特性，是一种动态反馈。Intelligentcontrol智能控制是一类无需(或仅需尽可能少的)人的干预就能够独立地驱动智能机器实现其目标的自动控制。智能控制是智能机器自主地实现目标的过程。智能控制是研究与模拟人类智能活动信息传递与处理的规律。从工程控制角度看：智能信息∩智能反馈∩智能决策智能控制

1.1.2智能控制的研究对象

无精确数学模型不满足苛刻的线性化假设无法解决建模问题传统控制系统可靠性低实际系统的复杂性、非线性、时变性等假设与实际不吻合对复杂的和包含不确定性的控制过程为提高性能，使传统控制复杂化，并增加了设备投资传统控制：模型论=不精确模型+固定控制算法缺乏灵活性和应变能力难控制复杂系统智能控制：“控制论”=控制理论+人工智能改变控制策略去适应对象的复杂性和不确定性1.2智能控制的特性1.2.1智能控制系统的一般结构1.2.2

智能控制系统的主要功能1.2.3

智能控制系统的特征模型

1.2.1智能控制系统的一般结构广义对象感知信息处理规划/控制认知执行器各种传感器通常意义下的控制对象和所处的外部环境将传感器传递的分级的和不完全的信息加以处理，并在学习过程中不断加以辨识、整理和更新，以获得有用的信息包括：不完全任务描述、任务协调、混合知识表示。接受和储存知识、经验和数据，分析推理，做出行动的决策并送至规划和控制部分系统的核心，根据给定任务的要求、反馈信息及经验知识，进行自动搜索、推理决策、动作规划，最终产生具体的控制作用，经常规控制器和执行机构作用于控制对象

1.2.2智能控制系统的主要功能特征1.2.2智能控制系统的主要功能学习能力适应性容错性鲁棒性组织功能实时性人－机协作系统对一个未知环境提供的信息进行识别、记忆、学习，并利用积累的经验进一步改善自身性能的能力。在经历某种变化后，变化后的系统性能应优于变化前的系统性能。系统应具有适应受控对象动力特性变化、环境变化和运行条件变化的能力。可看成是不依赖模型的自适应估计。系统对各类故障应具有自诊断、屏蔽和自恢复的功能。系统性能应对环境干扰和不确定性因素不敏感。对于复杂任务和分散的传感信息具有自组织和协调功能，使系统具有主动性和灵活性。智能控制器可在任务要求范围内自行决策，主动采取行动。系统应具有相当的在线实时响应能力。系统具有友好的人-机界面。

1.2.3智能控制系统的特征模型

特征模型：是对系统动态特性的一种定性与定量相结合的描述。是针对问题求解和控制指标的不同要求，对系统动态信息空间的一种划分。

智能控制系统的特征模型上述特征表明，系统正处于受扰动的作用，以较大的速度偏离目标值的状态。其中参数为阈值。

智能控制系统的特征模型

特征记忆：是指智能控制器对一些特征信息的记忆。反映控制前期决策与控制的效果。如：误差出现的极值、误差极值之间的时间间隔、误差的过零速度等。

智能控制系统的特征模型特征记忆：有利于有效地利用控制的储存容量，消除冗余。可构成判断系统稳定性的特征模型，也可作为智能控制系统稳定性监控的依据。

智能控制系统的特征模型

控制决策模态：是当前特征状态和特征记忆量与输出信息之间的某种定量或定性的映射关系。如：：IF前提条件THEN结论或动作

1.3智能控制系统的类型1.3.1

按系统构成原理分类1.3.2

按系统结构分类1.3.3按系统实现功能分类

1.3.1按系统构成原理分类

分级递阶智能控制系统专家控制系统模糊控制系统神经网络控制系统基于规则的仿人智能控制系统集成智能控制系统组合智能控制系统

由组织级、协调级和执行级组成；遵循“精度递增，智能递减”；组织级起主导作用，应用人工智能；协调级起桥梁作用；执行级进行高精度控制分级递阶智能控制系统组织级协调级执行级精度智能分为专家控制器和专家控制系统；应用于故障诊断、过程控制等；工程控制论与专家系统的结合。专家控制系统

实现基于自然语言描述规则的控制；可替代、改进非线性控制器；由知识库、模糊化、模糊推理和反模糊化组成。模糊控制系统基于仿生学研究人脑；由控制效果作为评价函数引导学习。能充分逼近任意非线性特性，分布式并行处理机制，自学习和自适应能力，数据融合能力，适合于多变量系统，可硬件实现。神经网络控制系统

不是研究被控对象，而是控制器本身；概括和总结人的控制经验和技巧；使控制器模仿控制专家的功能行为。仿人智能控制系统

将几种智能控制方法或机理融合在一起；模糊神经控制系统；基于遗传算法的模糊控制系统；模糊专家系统。集成智能控制系统将模糊系统转换为对应的神经网络，从而提高整个系统的学习能力和表达能力。针对模糊规则的不变性，基于遗传算法的优化搜索，使模糊推理规则能根据实际情况作出相应变化。模拟人类专家，运用不太完善的知识体系，给出尽可能准确的解答和提示。

将智能控制与常规控制模式组合起来；

PID模糊控制器；自组织模糊控制器基于神经网络的自适应控制系统。组合智能控制系统获取互补特性，以获得人类、人工智能和控制理论的紧密结合的智能控制系统。

直接智能控制系统间接智能控制系统分级递阶智能控制系统集散智能控制系统1.3.2按系统结构分类智能控制器对象reuy

直接智能控制系统y直接控制器对象reu智能控制器

间接智能控制系统

智能自适应控制系统智能自组织控制系统智能自学习控制系统智能自修复控制系统1.3.3按系统实现功能分类

智能自适应控制系统(间接)y变结构控制器对象reu智能推理与决策智能辨识与估计智能自适应控制系统传统的自适应控制根据对象IO，能在线辨识出对象不断变化的参数与结构通过智能推理与决策不断改变直接控制器的结构与参数，以达到满意的控制效果

智能自学习控制系统(间接)

智能自学习控制系统基本控制器未知对象reuy智能控制器学习模块智能辨识与估计20世纪60年代，傅京孙先生提出：学习是使系统做适应性的变化，从而在下次完成相同或类似任务时效果更好。自学习：可以是完全未知情况下，或变化比较巨大/显著自适应：有一定先验知识下的自学习

智能自组织控制系统

智能自组织控制系统(间接)y基本控制器未知对象reu自组织模块智能辨识与估计根据被控对象的要求、特性、环境信息，把已有的控制单元和连接工具组成一个满足性能要求的新控制器。

智能自修复控制系统在系统运行过程中，能够自动诊断并排除故障。

1.4智能控制的发展概况

经典控制论现代控制论智能控制论研究对象、研究重点、形成时间、理论基础、分析方法、核心装置、应用

经典控制论线性定常系统SISO20世纪20年代末诞生、40-50年代成形调节器传递函数法/频域反馈控制

现代控制论线性/具有一定非线性/分布参数系统MIMO20世纪50-60年代诞生、60-70年代成形状态空间法/时域最优/随机/自适应

智能控制论20世纪80年代成形智能算子/多级控制大系统理论/智能控制理论智能机器复杂非线性系统1991-至今发展期形成期萌芽期1970以前1970-19791980-1990萌芽期（1970以前）控制系统具有初步的智能和一定的适应性，比如模型参考自适应控制。1965年普渡大学的傅京孙（Fu,K.S.）教授把人工智能引入到控制技术中，提出将人工智能的启发式推理规则用于学习控制系统的思想和方法。1966年Mendel将人工智能用于飞船控制系统的设计并首先提出“人工智能控制”的概念。1967年Leondes和Mendel开始首先使用“智能控制”一词。形成期（1970-1979）1971年傅京孙从控制论的角度进一步总结了人工智能技术与自适应、自组织、自学习控制之间的关系，正式提出智能控制是人工智能技术与控制理论的交叉的“二元论”思想。1974年Mamdani教授把模糊理论用于控制领域，把扎德教授提出的IF～THEN～型模糊规则用于模糊推理，再把这种推理用于蒸汽机的自动控制。1977年Saridis全面地论述了从反馈控制到最优控制、随机控制以及自适应控制、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”思想以及分级递阶的智能控制系统框架。发展期（1980-1990）1982年Hopfield网络和BP算法提出为一直处于低潮的人工神经网络研究注入了新的活力，掀起了神经网络控制研究和应用的新高潮。1984年瑞典著名学者K.J.Astrom在他的论文“专家控制”中，将人工智能中的专家系统技术引入控制系统，形成了——专家控制系统（ECS）。1985年，在Saridis等人的倡议下，在美国纽约州的Troy召开了第一次智能控制学术讨论会，此后不久在IEEE的控制系统学术会议上成立了智能控制专业委员会，标志着智能控制作为一个新的学科分支正式被控制界所公认。1987年1月在美国费城由IEEE控制系统学会和计算机学会联合召开了第一次智能控制国际会议。此后，每年举行一次全球智能控制研讨会，形成了智能控制的研究热潮。新的发展阶段（1990-至今）1992年美国国家自然科学基金会和电力研究院联合发出“智能控制”研究项目倡议书。1993年美国IEEE控制系统学会智能控制专业委员会成立专家小组，专门探讨“智能控制”的含义。1993年中国自动化协会在北京召开了第一届全球华人智能控制与智能自动化大会。1995年在天津召开了首届中国智能自动化学术会议暨智能自动化专业委员会成立大会。思考题：智能控制与传统控制的联系？

核心在高层；对实际环境或过程决策和规划；需采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等；不再是单一数学模型，而是基于知识的非数学广义模型。参考文献：（1）李少远，席裕庚，陈增强，袁著祉。智能控制的新进展（I）。控制与决策，2000，15（1）：1～5（2）李少远，席裕庚，陈增强，袁著祉。智能控制的新进展（II）。控制与决策，2000，15（2）：136～140第二章

智能控制的知识工程基础

第二章智能控制的知识工程基础

2.1

引言

2.2

知识的基本概念

2.3

知识的表示

2.4

知识的获取

2.5知识的处理符号信息处理、启发式程序设计、知识表示、自动推理、机器学习和决策智能控制研究需采用的相关技术：对实际环境或过程进行组织，即决策和规划，实现广义问题求解。智能控制的核心任务：2.1引言

2.2知识的基本概念2.2.1

什么是知识2.2.2

知识的分类人类智能活动是获取和运用知识计算机要有智能就必须有知识知识必须要存储到计算机

2.2.1什么是知识

知识是人们在长期生活、社会实践、科学研究和实验中积累起来的对客观世界的认识和总结，然后将实践中获得的信息关联在一起，也就构成了知识。

简言之，知识是把有关信息关联在一起所形成的信息结构。应用最多的关联形式是“IF-THEN”形式，它反映了信息间的某种因果关系。知识、规则、数据、信息之间的关系

智能活动：是人类获取知识并运用知识的过程。知识：是智能的基础。人类大量的要使计算机具有智能的话，就必须使计算机具有获取知识和运用知识的能力知识、规则、数据、信息之间的关系

规则：把关联起来的知识称为规则。事实或原子事实：把不与其他信息关联的信息称为事实或原子事实。

数据：描述客观事物的属性、数量、位置以及相互关系。是信息的载体和表示。它可以是数，也可以是字符串。信息：是数据在特定场合下的具体含义，或是数据的语义。知识、规则、数据、信息之间的关系同一个数据在不同的场合可能代表不同的信息同一个信息在不同的场合也可以用不同的数据表示

要使计算机具有智能，模拟人的智能活动，就必须使它有知识。而知识只有用适当的模式表示出来才能存储到计算机中去。

知识的基本属性有：真理性、相对性、相容性、不完全性、模糊性、可表达性、可存储性、可传递性和可处理性。

2.2.2知识的分类共性知识（常识性知识）个性知识（领域性知识）

按知识的使用范围分类按知识的功能分类按知识的确定性分类按知识结构及表现形式分类过程性知识事实性知识(描述性知识)控制性知识确定性知识不确定性知识逻辑型知识形象型知识数学、物理控制理论这是温控装置不精确真、假正处于升温过程开大蒸气阀人类经验树2.3知识的表示

知识必须以适当的形式表示出来才便于在计算机中存储、检索、使用和修改等。

知识的表示

知识表示是一种计算机可接受的对人类智能行为的描述。它是一种符号模型的约定，将人类知识通过一个符号模型映射到计算机中。

知识表示法（知识表示模式/技术）状态空间表示法一阶谓词逻辑表示法时序逻辑表示法产生式表示法语义网络表示法Petri网络表示法定性模型知识表示法可视知识模型表示法神经网络知识表示法不确定性（模糊）知识表示法…….框架表示法

2.3.1状态空间表示法

状态、操作和状态空间的概念状态空间图示法

状态、操作和状态空间的概念

状态：描述某些事物中各不同事物间的差异，而引入的一种最小变量的有序组合。状态、操作和状态空间的概念其中，是状态变量，用于表示事物的某一特征，也可称为特征量。如：脸像、指纹。

状态、操作和状态空间的概念操作：能够引起状态中某些分量发生变化，从而使一个状态转移为另一个状态。

状态、操作和状态空间的概念状态空间：描述全部可能状态及其相互关系的三重序元<S,F,G>。

S是事物可能的初始状态集合F是操作集合G是可能的目标状态集合

状态空间图示法

用右向图来表示状态空间。

状态空间图示法

把状态集合映射为结点集合。操作所引起的状态转移映射为标注该操作的有向边。问题求解通过操作从初始结点到目标结点寻找一条有效的途径。

2.3.2一阶谓词表示法

取值为真或假的句子称为命题。（1）12>5;（2）3是12的约数;（3）0.5是整数;（4）X>5.（5）今天上课点名吗？（6）把门关上（7）10000000是一个好大的数啊!疑问句、祈使句、感叹句、开语句都不是命题。在命题演算中，对下述论断无法判断其正确性。“苏格拉底三段论”：所有的人都是要死的，苏格拉底是人，所以苏格拉底是要死的。

2.3.2一阶谓词表示法在谓词演算中，命题可分为谓词和个体两部分。谓词：用于刻划个体的性质、状态或个体间的关系，用大写字母表示。个体：表示某个独立存在的事物或某个抽象的概念，用小写字母表示。谓词的一般形式是：其中P是谓词，有n个个体，称之为n元谓词。例如：（1）李明是学生；（2）张亮比陈华高；（3）陈华坐在张亮与李明之间。

一阶谓词中的基本概念基本要素：常量、变量、函数、谓词、联接词、量词用谓词逻辑表示状态和操作。

例：关于积木世界的问题。

基本要素常量：具体的特定的个体变量：抽象的、泛指的个体函数：由其他事物所确定的事物联接词：联接谓词的逻辑符号量词：分为全称量词和存在量词

一阶谓词中的联接词

：否定词（非）(非P)

：合取词（与）(P与Q)

：析取词（或）(P或Q)

：蕴含词（条件）(如果P，则Q)

：双蕴含词（等价）(P当且仅当Q)PQP

QP

Q

PP→QTTTTFTFTTFTTTFTFFFFFFFTT实质蕴含：P→Q=

P

Q如果拉登没死，则股市天天大涨蕴含怪论：P

→（Q→P

）

P

→（P→Q

）如果P为真，则由任何命题Q可推出P如果P为假，则P可以蕴含任何Q质疑：“任何命题蕴含真命题”证明“2+2=5蕴含雪是白的”直觉：有些命题彼此无关，不能相互蕴含，实质蕴含没有考虑这种情况挑战罗素：已知：假命题2+2=5

证明：罗素与某主教是一个人罗素证明：假设2+2=5，又∵2+2=4,∴4=5

两边减1得：3=4，2=3，1=2∴罗素与某主教是一个人断言得证

一阶谓词中的联接词由联接词构成的谓词称为复合谓词公式，联接词的优先级别是，，，，。

一阶谓词中的量词

：全称量词，表示所有个体中的全体。：存在量词，表示存在某一些。

x(P(x))表示对于所有个体，谓词P(x)成立。

x(P(x))表示存在某些个体，谓词P(x)成立。位于量词后面的单个谓词或复合谓词称为量词的辖域，辖域内与量词同名的变元称为约束变元，不受约束的称为自由变元。用谓词表示知识时，需要先定义谓词，指出每个谓词的含义，然后用联接词把有关的谓联接起来，形成一个谓词公式，表示一个完整的意义。

关于积木世界的问题BACACB初始状态目标状态

关于积木世界的问题定义谓词：ON(x,y):表示x在y上CLEAR(x):表示x顶上是空的ONTABLE(x):表示x在桌子上HOLDING(x):表示手里拿着xHANDEMPTY:表示手是空的大写字母表示谓词

关于积木世界的问题以上谓词中，x和y是个体，个体域为A，B和C。

关于积木世界的问题初始状态QS：CLEAR(C)CLEAR(B)ONTABLE(A)ONTABLE(B)ON(C，A)HANDEMPTYBAC

关于积木世界的问题目标状态Qg：ONTABLE(C)ON(B，C)ON(A，B)CLEAR(A)HANDEMPTYACB

关于积木世界的问题操作1：PICKUP(x):拿起xP.D:CLEAR(x),ONTABLE(x),HANDEMPTYA:HOLDING(x)

关于积木世界的问题操作2：PUTDOWN(x):放x在桌上P.D:HOLDING(x)A:CLEAR(x),ONTABLE(x),HANDEMPTY

关于积木世界的问题操作3：STACK(x,y):把x放在y上P.D:CLEAR(y),HOLDING(x)A:ON(x,y),CLEAR(x),HANDEMPTY

关于积木世界的问题操作4：UNSTACK(x,y):把x从y上拿开P.D:ON(x,y),CLEAR(x),HANDEMPTYA:CLEAR(y),HOLDING(x)

关于积木世界的问题操作序列：UNSTACK(C,A)PUTDOWN(C)PICKUP(B)STACK(B，C)PICKUP(A)STACK(A，B)BACACB例：设个体域是整数集合，请利用给出的谓词将下列命题符号化。

N(e)：e是自然数

P(e)：e是素数

Q(e)：e是偶数

E(e1,e2)：e1=e2

L(e1,e2)：e1

e2

D(e1,e2)：e1

e2

a)凡素数均为自然数。

x(P(x)

N(x))b)没有最大的素数。

x(P(x)

y(P(y)

L(y,x)))c)有些自然数不是素数。

x(N(x)

P(x))d)并非所有的素数都不是偶数。

x(P(x)

Q(x))

一阶谓词表示法

也称一阶谓词逻辑表示法，用一阶谓词逻辑表示人们在问题求解时的逻辑演绎推理过程。例：关于海豚的定理证明形式

关于海豚的定理证明形式已知：

①无论什么动物，能阅读即识字②海豚不识字③某些海豚有智能证明：某人或动物有智能却不能阅读

关于海豚的定理证明形式定义谓词：R(x):动物x能阅读L(x):动物x能识字D(x):x是海豚I(x):x有智能X是个体，域是每个人或动物

关于海豚的定理证明形式已知：F1:(

x)(R(x)→L(x))F2:(

x)(D(x)→L(x))F3:(x)(D(x)I(x))G:(

x)(I(x)R(x))(F1

F2F3)

→G是永真公式证明：将已知条件,求证结论的反化成子句集

①～R(x)∨L(x)

②～D(y)∨～L(y)

③D(a)

④I(a)

⑤～I(z)∨R(z)（结论的否定）

⑥～L(a)......2,3归结｛a/y｝

⑦～R(a)......1,6归结｛a/x｝

⑧R(a)......4,5归结｛a/z｝

⑨□......7,8归结

2.3.3时序逻辑表示法

将时间及其次序关系引入谓词表达式之中，利用谓词逻辑的概念和方法，便构成了时序逻辑知识模型。

例：Holds(u1,t1)Holds(u2,t2)After(t2,t1)After(t3,t2)Holds(y,t3)

2.3.4产生式表示法

又称为规则或产生式规则。通常用于表示具有因果关系的知识。基本形式为：

IFPTHENQ或P

Q

（前提条件）

（结论或动作）产生式系统反映领域知识一种类似于缓冲器的数据结构，存放问题求解过程中的各种当前信息。如初始状态、推理的中间结论、最终结论等匹配、冲突解决、操作

2.3.5语义网络知识表示法

语义网络（SematicNetwork)是通过概念及其语义关系来表达知识的一种网络图，由节点和连接节点的弧构成。其基础是一种三元组结构（节点1、弧、节点2）。

（下层概念）（上层概念）是一种（弧）（节点）（节点）狗狗猎

结构（节点1，弧，节点2）节点：表示各种事物、概念、情况、属性、动作、状态、地点等。弧：表示各种语义联系，指明所连接节点的某种关系。语义网络除可表达事实外，还可表达规则。一条产生式规则R：IFATHENB，可表示成一个语义网络规则如下：当多个三元组综合在一起表达时，就可得到一个语义网络。BAR语义网络可以描述事物间复杂的语义关系图书馆语义网络1）分类关系——事物间类属关系张杰是一个读者，师大附中是一个单位，图书馆是一种建筑2）聚集关系——下层概念是上层概念的一个方面或一个部分阅览室是图书馆的一部分3）推论关系——一个概念可由另一个概念推出校园像公园推出风景美丽4）时间、位置关系校园在芙蓉山脚下5）相近关系校园像公园6）属性关系阅览室能开放，阅览室有读者

2.3.6框架知识表示法人工智能专家、minsky在1975年提出框架理论基本观点：人脑中已存储有大量事物的典型情境，也就是人们对这些事物的一种认识，这些典型情境是以一个称作框架的基本知识结构存储在记忆中的。当人面临新的情境时，就从记忆中选择一个合适的框架，这个框架是以前记忆的一个知识空框，而其具体内容依新的情境而改变。通过对这个空框的细节加工、修改和补充，形成对新的事物情境的认识，而这种认识的新框架又可记忆于人脑中，以丰富人的知识。

举例：组装电脑，你需要了解硬件的细节，如：CPU的型号，价格，硬盘，大小，内存，大小显示器，型号，大小……

你的头脑中很快建立了关于计算机硬件组成的基本框架。框架的组成：一个框架由若干个“槽”的结构组成，每一个槽又可以根据实际情况拥有若干个侧面，每个侧面也可以再拥有若干个侧面。在一个框架系统中，一般含有多个框架，为了区别这些不同的框架，需要分别给它们赋予不同名字，称为框架名。同样，对于不同的槽和侧面也需要给予相应的槽名和侧面名。框架的一般形式

<框架名>槽名1：侧面名11：值111，值112

侧面名12：值121，值122

……

槽名2：侧面名21：值211，值212

侧面名22：值221，值222

……

槽名n：侧面名n1：值n11，值n12

侧面名n2：值n21，值n22框架表示知识实例：描述本科生情况的具体框架：

框架名：<本科生>

姓名：性别：年龄：院系：专业：课程：

2.3.6框架知识表示法框架网络把多个相互关联的框架连接起来组成框架网络。可以用语义网络的形式表示，每个节点代表一个框架。注：

究竟采用哪一种表示模式，没有统一的标准。在确定一个知识表示模式时，首先应考虑的是它能否充分地表示领域知识。

2.4知识的获取

人工智能或知识工程系统中，通过非自动方式或自动方式实现计算机从知识源获取知识的过程。知识源包括专家、书本、数据库和人的经验等。

知识的获取目的

通过计算机对人类专家的丰富知识高速度地加以收集、整理，并在此基础上建立各种高性能的知识系统，以帮助人类解决那些单独依靠人难以解决或解决起来太慢、效率太低的各种问题。2.4.1

非自动知识获取2.4.2自动知识获取

2.4.1非自动知识获取

非自动知识获取是指知识是通过知识工程师和知识编辑器传授给知识库的。知识编辑器是一类程序设计系统，包括语法检查、一致性检查、自动薄记、知识抽取等功能。知识库领域专家知识编辑器知识工程师非自动知识获取2.4.2自动知识获取

全自动知识获取是让计算机直接从环境中获取全部信息。包括机器感知（主要是计算机视觉和听觉）、机器识别和机器学习等。环境机器感知机器学习机器识别知识库全自动知识获取模型

机器感知

机器感知接受外部环境的信息（语言、文字、图像等），经过感知系统的初步处理后，可以得到一些简单的事实性知识。

机器识别系统

信息的分类知识信息的特征信息的结构知识

机器学习系统（提供更高层次知识）

根据环境信息形成概念归纳推理文法推断假设猜想科学发现

学习系统的基本模型

学习是系统积累经验以改善其性能的过程，是知识的获取与改进，是事物规律的发现过程。也就是，学习是一个有特定目的的知识获取过程。

学习系统的基本模型学习系统内在行为：获取知识、积累经验、发现规律学习系统外部表现：改进性能、适应环境、实现系统的自我完善

学习系统的基本模型

学习系统是指，一个系统能够从某个过程或环境的未知特征中学到有关信息，并且能把学到的信息用于未来的估计、分类、决策或控制，以便改进系统的性能。

学习系统的基本模型环境学习环节工作环节知识库系统的外界信息源。有关环境的信息数据存在数据库中，它处于在线学习时是可变的，属于短期记忆范畴。代表知识信息（学习成果），用于存储或记忆系统通过学习所获得的各种知识。分长期和中期记忆两部分。学习系统的核心。是对环境信息进行搜索、控制和逻辑思维。通过比较、抽象、概括、综合、推理等，以产生、修改与补充知识。是智能系统的知识产生器。用于处理系统面临的现实问题，如组合调度。从工作环节到学习环节必须有反馈信息，以便学习环节决定是否进行再学习。

学习系统的分类

机械式学习系统类比学习系统示例学习系统发现式学习系统指导学习系统

机械式学习系统（RoteLearning)又称记忆学习。是一种最简单、最基本的学习方法，无推理过程，是从特殊到特殊的学习过程。通过从知识库中检索相应的知识，直接求解问题。

机械式学习系统输入：输出：存储联想对：

类比学习系统(AnalogyLearning)在两个相似域之间进行类比。源域S：目标域T：

类比学习系统(AnalogyLearning)当出现{s′,t′}，已经发现s′具有特性P，则可类比地归纳出t′具有特性Q。

示例学习系统

（LearningfromExamples)是从许多示例中得出事物的特性或一般规律的一种学习方法。是从特殊到一般的学习过程。

示例学习系统

（LearningfromExamples)示例的质量要求它能准确地反映实际问题的情况，因为它是学习的基础，只有正确的示例才有可能得出正确的知识。

发现式学习系统

（DiscoveringLearning)又称猜想-验证式学习。首先对历史经验进行分析总结，提出猜想，然后有意识地设计实验以验证猜想。包括归纳与演绎、综合与分析、联想与设计。在示例学习中，示例经环境严格挑选，没有干扰信息。发现式学习由环境提供的是未经挑选的，信息是一种随机多干扰信息。由学习环节对信息提纯，以发现新概念。

应用谓词，将下述推理符号化。每个学生或者聪明或者勤奋；所有勤奋的人都将有所作为；但并非所有学生都将有所作为。所以，一定有些学生是聪明的。

[解]令：个体域Ｉ是人的集合。

S(e):e是学生；A(e):e聪明；

B(e):e勤奋；C(e):e将有所作为。符号化为：

x(S(x)(A(x)B(x)))，x(B(x)C(x))，

x(S(x)C(x))，x(S(x)A(x))

2.5知识的处理运用知识的过程称为推理过程。推理是指依据一定的规则从已有的事实推出结论的过程。其中的规则称为控制策略。

知识的处理智能系统是以知识为基础的系统，它根据已有的知识和事实去求解当前的问题。也叫基于知识的推理。推理由程序实现，称为推理机。

知识的处理推理是按某种策略从一个或几个已知判断推出另一个判断的思维过程。

知识的处理推理所依据的判断叫前提，包括知识库中的领域知识及问题的初始证据。由前提推出的新判断叫结论。推理存在一个置信度转移的过程。2.5.1

推理的方式与分类2.5.2推理控制策略2.5.3

状态空间的搜索策略

2.5.1推理的方式与分类

演绎推理归纳推理非单调推理

演绎推理（DeductionReasoning)前提与结论之间有蕴含关系的推理，或前提与结论之间有必然联系的推理。即结论蕴含在已知的判断之中，是一种由一般到个别的推理。

演绎推理（DeductionReasoning)

或例：已知：每个学术会的成员都是工人并且是专家，有些成员是青年人。求证：有的成员是青年专家。证明：定义谓词：

F(x):x是学术会成员G(x):x是专家H(x):

x是工人R(x):x是青年人归纳推理（InductiveReasoning)指由个别事物或现象推出该类事物或现象一般性知识的过程。常用方法有枚举法、类比法、统计法等。

非单调推理（Non-monotousReasoning)在信息或知识不完全的情况下，假设某些命题成立并进行推理。在推理过程中，如果发现原假设不正确，就撤销原假设以及由此得出的结论，重新按新情况进行推理。非单调推理（Non-monotousReasoning)新事实或新知识的加入，不但没有扩充可推出的命题，反面必须删除一些原先推出的命题。常用的非单调推理为默认推理。默认推理：

α(x):mβ1(x),…mβm(x)w(x)

α(x):前提条件，β(x)缺省条件,w(x)是结论，m表示相容。当前提与缺省条件相容或不矛盾时，结论可信。例：已知x是一只鸟，正常情况下推断或相信x能飞，用默认逻辑表述：鸟(x):m会飞(x)会飞(x)

根据常规，鸟t会飞，如果得知鸟t受伤或是只鸵鸟，则推断是不可信的。得出一个新的理论：理论＝规则＋事实鸟(x):m会飞(x)会飞(x)，鸵鸟(x)→~会飞(x);

导致原有逻辑结论发生改变。

2.5.2推理控制策略

正向推理（数据驱动推理）

反向推理（目标驱动推理）

正反向混合推理解决知识的选择与应用的顺序问题

正向推理正向推理是事实驱动。过程是从问题所有可能的初始证据（事实）开始，正向使用规则，通过匹配每条知识的前提，识别出所有可用的知识而形成一个可用知识集（冲突集），然后以某种冲突求解方式在冲突集中选取一条知识。这条知识的使用又会得出新的事实。新的事实和原有事实又引起知识库中新的知识匹配，从而继续问题的求解，直至达到某一状态。若问题的结论已包含在所产生的事实中，则说明问题有解，否则无解或已给出所有解。例：已知：初始事实是有毛发、会吃肉、有斑点，现在要求专家系统判断这是什么动物？IF该动物用乳汁哺育幼子=trueTHEN哺乳动物=trueIF该动物有毛发=trueTHEN哺乳动物=trueIF该动物会吃肉=trueTHEN食肉动物=trueIF哺乳动物=trueAND该动物是反刍动物=trueTHEN蹄类动物=trueIF哺乳动物=trueAND食肉动物=trueAND有暗斑点=trueTHEN该动物是金钱豹=true…………

根据上面事实，匹配成功了三条规则：规则2被激活，增加新事实：哺乳动物规则3被激活，增加新事实：食肉动物规则５被激活，增加新事实：金钱豹得出结论：该动物是金钱豹

反向推理反向推理是目标驱动。过程是首先从提出目标假设开始，然后从知识库中找出其结论部分能与假设相匹配的所有知识，得到一个可用的知识集。若可用知识集为空集，则推理失败。若可用知识集非空，则从可用知识集中选取一条验证前提部分。若验证成功，就从目标或假设集中找出该知识的结论，且由该知识计算出可信度放入上下文。若该知识中的某一前提被用户或上下文否定，则该知识的结论部分不能被这条知识所验证，可以返回到可用知识集中重新选择一条可用知识。当所有知识都不能验证成功时，该结论应从假设目标中删除，直到上下文中含有原提出的目标或假设。这说明问题有解，当所有目标都测试过，而上下文中找不到原提出的目标或假设时，则说明该问题无解。证据节点：不能作为其他规则结论的假设。

正反向混合推理

先根据数据库中的原始数据，通过正向推理帮助系统提出假设，再运用反向推理，进一步寻求支持假设的证据，如此反复，直到得出结论或不再有新的事实加到数据库为止。是压缩空间，提高搜索效率的有效途径。

2.5.3状态空间的搜索策略对于结构不良或非结构化的问题，不存在成熟的求解算法可供利用，只能一步步地摸索前进。这种不断搜寻前进方向求解问题的过程称为搜索

状态空间的搜索策略状态空间隐式图的基本搜索：盲目搜索（宽度/深度优先搜索策略）启发式搜索

状态空间隐式图搜索在不断的搜索过程中，产生新的状态空间，逐步地生成问题的状态空间图，即采用隐式存储。这种状态空间的生成过程就称为隐式图搜索。

状态空间隐式图搜索首先把问题的初始状态作为当前状态，选择适用的算符对其进行操作，生成一组子状态（子节点），然后检查目标状态是否在其中出现，若出现，则搜索成功，找到了问题的解，若不出现，则按某种搜索策略从已生成的状态中再选一个状态作为当前状态，重复上述过程，直到目标状态出现或者不再有可供操作的状态及算符为止。基本思想：

状态空间隐式图搜索过程OPEN：存放等待扩展的结点的表

CLOSED：存放已扩展的结点的表

(标注部分已生成的状态空间，可得到解径)

状态空间隐式图搜索过程

初始状态结点S0放入OPEN表中；从OPEN表中取出第一个结点N放到CLOSED表中；

状态空间隐式图搜索过程

(3)若N可扩展，则扩展结点N产生其所有子结点Ni，将Ni放入OPEN表中，并按控制性知识对OPEN表中所有结点排序，把最有希望在解径上的结点放在第一位置上；

状态空间隐式图搜索过程(4)测试刚生成的结点Ni中是否有目标结点Sg，若Sg已生成，则搜索成功；(5)若Sg尚未生成，则返回到(2)，搜索进入循环过程，直到OPEN表为空，搜索失败。

状态空间隐式图搜索过程扩展节点N即是对操作集合F中的每个操作的前提部分与结点N的状态描述进行匹配，并执行所有被N满足的操作fi，定义获得的由新状态描述所对应的结点分别为N的子结点。例：用状态空间搜索法求解走迷宫问题。设用Si表示各个格子的状态，把入口、出口、每一个格子都作为节点。设向上、向下、向左、向右的算符分别为U、D、L、R，应用状态空间搜索，得到搜索图。从入口到出口有很多条通道，每条通道都是问题的一个解，其中最短的路径长度是5，由5个算符组成：

S0S4S5S8S9Sg

盲目搜索只是按预定的控制策略进行搜索，没有考虑到问题的特性，具有盲目性，效率较低，一般只适于求解比较简单的问题。

宽度优先搜索（广度优先搜索）从初始节点S0开始，逐层地对节点进行扩展，并考察它是否为目标节点，在对第n层的节点没有全部扩展并考察完以前，不对第n+1层的节点进行扩展。

宽度优先搜索（广度优先搜索）节点顺序：S0，S1，S2，S3，…每次新生成的结点从尾部放入表，而已有结点从头部取出，即先进先出，后进后出。例：用宽度优先搜索策略求解重排九宫问题。在3*3的方格棋盘上放置1、2、3、4、5、6、7、8共8个棋子，初始状态为s0，目标状态为sg。

规则：（1）在移动时，只允许把位于空格上、下、左、右的邻近棋子移入空格（2）棋子移入空格的次序是由空格左边开始，沿顺时针方向移动，即每一层都按空格左移、上移、右移、下移的顺序进行（3）不允许斜方向移动，不允许返回

解的路径是：1（s0

）381626（sg

）

深度优先搜索从初始节点S0开始，在其子节点中选择一个节点进行考察，若不是目标节点，则在该节点的子节点中选择一个节点进行考察，一直如此向下搜索。

深度优先搜索（有界深度）OPEN表中，后生成的节点优先扩展，即后进先出。为了克服陷入无穷分支死循环的问题，提出了有界深度优先搜索方法。例：用深度优先搜索策略求解重排九宫问题。在3*3的方格棋盘上放置1、2、3、4、5、6、7、8共8个棋子，初始状态为s0，目标状态为sg。

启发式搜索

启发式搜索是在搜索中加入了与问题有关的启发性信息，引导搜索向最有希望的方向前进，加速问题的求解过程。

启发式搜索在搜索过程中找到一种方法用于排列待扩展的结点的顺序，即利用与问题求解有关的特性信息以估计结点的重要性，选择最有希望的结点加以扩展，可大大提高搜索效率。

启发式搜索所谓的启发性信息是指既可以指导搜索过程，又与具体问题求解有关的控制信息，它可以是一个评价结点重要性的函数。

启发式搜索控制信息用估值函数f(n)表示

f(n)=g(n)+h(n)g(n)是从初始结点到n（s0→n）的实际代价(可计算出）；h(n)是启发式函数，由经验估计。

启发式搜索(1)分支界限策略：令h(n)=0,f(n)=g(n)

局部择优策略：令g(n)=0,f(n)=h(n)

最佳优先策略：

f(n)=g(n)+h(n)例：分析重排九宫问题。定义启发式函数：

f1=数字错放位置的个数

f1=0表示达到目标28316475初始状态S012384765目标状态Sg2831647528314765283164752831647523184765283164752831476528314765F1(s1)=3F1(s2)=5F1(s4)=3F1(s5)=4F1(s6)=3F1(s7)=4s0

搜索到第三层时，

f1(s5)=f1(s7)=4f1(s4)=f1(s6)=3,

出现均势，为打破均势，还需要一个新的启发式函数，定义新的启发式函数：

f2=所有数字当前位置取最短路径走到正确位置的步数之和各状态的启发式函数值：数码12345678f2(s4)=1+1+0+0+0+0+0+1=3f2(s6)=2+1+0+0+0+0+0+2=5

其中，每个函数中加法的每一项表示对应数码的步数。28316475s012384765sg可见，原来有f1(s4)=f1(s6)=3，现在，f2(s4)<f2(s6)

所以下一步搜索从s4出发，产生其后继节点。

搜索策略总结（Conclusion)各搜索策略都用到了状态空间图各种搜索方法的不一样，体现在各种搜索策略中结点在表中的排列顺序不同可以各种搜索策略相结合第三章分级递阶控制第三章分级递阶智能控制

3.1

递阶控制的一般原理

3.2

分级递阶智能控制

3.3示例及小结第三章分级递阶智能控制

3.1递阶控制的一般原理

3.1.1大系统递阶结构的描述

3.1.2递阶控制的一般原理3.1.1大系统递阶结构的描述递阶控制系统是指系统各个子系统的控制作用是由按照一定优先级和从属关系安排的决策单元实现的。同级的各决策单元可以同时平行工作并对下级施加作用，它们又要受到上级的干预，子系统可以通过上级互相交换信息。自组织自适应最优化直接控制被控对象多层控制结构按决策的复杂性分级DrSn-1S2SnS1D12

Dm2D11D21Dn-11Dn1生产过程决策单元多级多目标结构多级多目标结构当系统由若干个可分的相互关联的子系统组成时，可将所有决策单元按一定支配关系递阶排列，同一级各单元要受上一级的干预，同时又对下一级决策单元施加影响。同一级决策单元如有相互冲突的决策目标，由上一级决策单元加以协调。多级多目标结构多层：对一个复杂系统的决策问题纵向分解，按任务复杂程度分成若干个子决策层。多级：考虑子系统关联而将决策问题进行横向分解。3.1.2递阶控制的一般原理基本原理是把一个总体问题P分解成有限数量的子问题Pi。总体问题P的目标应使复杂系统的总体准则取得极值。各子系统没有关联时：

[P1，P2,,Pn]的解

P的解各子系统产生冲突时，引入协调参数

：

[P1(

),P2(

),,Pn(

)]

的解

P的解递阶控制中的协调问题协调就是要选择，从某个初值0经过迭代达到终值*，从而使递阶控制达到最优。

协调的两个原则关联预测协调原则协调器要预测各子系统的关联输入输出变量，下层的各决策单元根据预测的关联变量求解各自的决策问题，然后把达到的性能指标送给协调器，协调器再修正关联预测值，下层的决策单元再根据新的预测的关联变量求解各自的决策问题，直到总体目标达到最优为止。称为直接干预模式，可在线应用

协调的两个原则关联平衡协调原则又称目标协调法，下层的各决策层单元在求解各自的优化问题时，把关联变量当作独立变量来处理，即不考虑关联约束条件，而依靠协调器的干预信号来平衡、修正各决策单元的优化指标，以保证最后关联约束得以满足，这时目标函数中修正的值应趋于0

3.2分级递阶智能控制3.2.1

分级递阶智能控制系统的结构3.2.2分级递阶智能控制原理3.2.1分级递阶智能控制系统的结构1977年，G.N.Saridis提出:

将计算机的高层决策、系统理论中的先进数学建模和综合方法以及处理不精确和不完全信息的语言学方法结合在一起，形成一种适合工程需要的统一方法。3.2.1分级递阶智能控制系统的结构组织级协调级执行级被控过程最高智能级。推理、规划、决策、长期记忆信息的交换、学习组织级与执行级之间的接口。根据组织级提供的指令信息进行任务协调由多个硬件控制器组成。要求高精度，理论方法为传统控制理论第二级第三级知识基组织级协调器1协调器n控制器1控制器n过程n过程1组织级协调级执行级被控过程第一级………………3.2.2分级递阶智能控制原理

受控对象具有很多层次；控制有多个层次，且各层间实现“精度递增伴随智能递减”的原则。摘自r.it.htm组织级（任务规划）

找到子任务（或动作）组合发送到协调级学习功能Boltzmann机实现组织级功能

基元事件集合E={e1,…,en}输入节点、输出节点、隐节点网络状态向量X=(x1,…,xn)Boltzmann机实现组织级功能对于给定的输入，当BM网络到达稳定状态时，抽取相应的输出节点的状态，便可获得最优的执行特定任务的基元事件的有序组合。标准的BM网络应用能量函数为代价函数，通过使其极小来找到最小状态。能量表示与知识的不确定性程度相对应。Boltzmann机实现组织级功能Boltzmann机学习与训练学习样本：输入的任务要求（输入节点状态）输出的基元事件组合（输出节点状态）输入输出对概率（反映能量）Boltzmann机实现组织级功能学习好BM网络后，首先将要求的任务转换成一定的基元组合，作为BM网络的输入约束向量，然后对BM网进行搜索，找出能量函数的最小点，此时的输出节点状态即为要求的子任务。Boltzmann机实现组织级功能搜索的结果求得了一组最大可能完成任务的子任务组合。从熵（Entropy)的观点出发，此时的信息熵最小，即不确定性程度最小。分派器D协调器C1协调器Cn…协调级协调级

分派器(Dispatcher)

协调器(Coordinator)

每个协调器与分派器之间均存在双向联系，而协调器间没有直接联系。分派器

通信功能数据通信功能任务处理功能学习能力协调器

与一定的装置相联系是具有特定领域知识的专家将控制序列翻译为实时操作序列反馈信息至分派器

数据处理器

任务处理器

学习处理器来自上层的命令至上层的反馈任务执行的反馈信息至下层的控制命令控制流数据流数据处理器提供被执行任务的信息和当前系统的状态。任务描述状态描述数据描述任务处理器为下层单元提供控制命令的准确描述。采用分层决策的步骤：任务调度任务翻译任务的准确描述学习处理器用来改善任务处理器的性能及减小决策和信息的不确定性。协调级实际上是一个离散事件动态系统，主要运用运筹学的方法研究。

执行级（运行控制级）

直接控制局部过程并完成子任务高精度执行局部任务，不要求有智能常规的优化控制最优控制对应熵最小3.3示例（1）机器人的三级递阶智能控制系统。是一个基于视觉的机械手的递阶智能控制系统。知识组织级传感器协调器视觉协调器上臂控制手部控制关节4~6各种传感器组织级协调器硬件控制第一级第二级第三级机械臂协调器高级输入命令关节1~3夹手电视摄像机过程过程（2）无人作战飞机自主控制分级递阶控制执行级实现它将来自协调级的各控制指令转化为各执行机构动作，并控制各执行机构完成相应动作，是整个自主控制系统的最底层。它一般由多个硬件控制器组成，直接产生控制信号，通过执行机构作用于无人作战飞机；同时，执行级也把控制器的运行状态等有关信息一并传递给协调级，给高层提供相关决策依据。协调级实现组织级实现

小结

是智能控制的一种典型结构精度递增伴随智能递减的原则寻求一正确的决策和控制序列，使整个系统的总熵最小是基于信息论的智能控制系统第四章遗传算法第四章遗传算法4.1什么是遗传算法4.2

遗传算法的理论基础4.3示例及研究动态4.1概述4.1.1

遗传算法的生物遗传学基础4.1.2遗传算法的基本操作4.1.3

遗传算法的特点

4.1.1遗传算法的生物遗传学基础遗传算法是JohnH.Holland根据生物进化的模型提出的一种优化算法。它的主要因素是：遗传、变异、选择。遗传是指子代总是和亲代相似。是生物进化的基础。变异是指子代和亲代有某些不相似的现象，是生物个体之间相互区别的基础。选择是指具有精选的能力，它决定生物进化的方向。遗传算法正是吸取了“适者生存，优胜劣汰”的进化原理，从而能够在复杂空间中进行鲁棒搜索。Gen=1初始化种群编码计算适应值是否满足终止条件否是交叉选择Gen=Gen+1开始变异结束遗传算法流程图4.1.2遗传算法的基本操作

复制（ReproductionOperator）

交叉（CrossoverOperator）

变异（MutationOperator）

复制从一个旧种群（OldPopulation）中选择生命力强的个体位串（字符串）（IndividualString）产生新种群的过程。目标函数f是期望的最大效益或好处的某种量度。它决定位串被复制或淘汰的决定因素。往往高适应度的位串更有可能在下一代中产生一个或多个子孙。编号位串（x）适应度f(x)=x2占总数的百分比（％）1234011011100001000100111695766436114.449.25.530.9总和1170100.0编号位串（x）期望的复制数实际得到的复制数1234011011100001000100110.581.970.221.231201

交叉在遗传算法中起着核心的作用。是个体之间的重新组合以产生新个体。交叉前：串1：a1a2a3a4a5串2：b1b2b3b4b5交叉后：新串1：a1a2b3b4b5新串2：b1b2a3a4a5

变异某个字符串某一位的值偶然的（概率很小的）随机的改变。是一种防止过度成熟而丢失重要概念的保险策略。在遗传算法中的作用是第二位的，但却必不可少。4.1.3遗传算法的特点

是对参数的编码进行操作，而非对参数本身；是从许多点开始并行操作，而非局限于一点，可防止收敛于局部最优；通过目标函数来计算适应度，从而对问题依赖小；寻优规则是由概率决定的，而非确定性的；是在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索；

对寻优的函数基本无限制；具有并行计算的特点，因而可通过大规模并行计算来提高计算速度；更适合大规模复杂问题的优化；计算简单，功能强。4.2遗传算法的理论基础模式（Schemata）：是一个描述种群中在位串的某些确定位置上具有相似性的位串子集的相似性模板（SimilarityTemplate)。

模式定理令染色体长为5位时，模式*1*01表示与11101，11001，01101，01001相匹配的模式。把模式中最初的常数和最后的常数之间的距离叫模式H的定义长度，记为

(H)，如（*1*01）=3；把模式中常数的个数称为阶，用O（H）表示，如O（*1*01

）=3；令世代t群体中，包含模式H的个数用m(H,t)表示；包含H的个体平均适应度用f(H)表示，群体中所有个体的平均适应度用表示，L表示染色体的长度，Pc为交叉概率，Pm为变异概率，则模式定理揭示了短的（（H）），低阶（O（H）），优于平均（f(H)/)，即有效模式，在子代中以指数级增长（即优胜）。4.3示例及小结示例：基于遗传算法的系统辨识设离散系统的数学模型为：其中待辨识参数为适应度函数

参考文献：吉根林.遗传算法研究综述.计算机应用与软件，2005，1：69－73研究动态第五章神经网络控制

第五章神经网络控制

5.1神经网络概述

5.2人工神经网络的基本概念

5.3前馈网络

5.4反馈网络

5.5神经网络控制

5.6

NN与GA的系统思维特性

5.1概述

人工神经网络是由许多处理单元，即神经元，按照一定的拓扑结构相互连接而成的一种具有并行计算能力的网络系统。人脑共有1010－1012个神经元

人工神经网络试图通过模拟人脑神经网络处理信息的方式，从另一角度，来获得具有人脑那样的信息处理能力。常称之为神经网络(NeuralNetwork,NN)。每个神经元有