智能控制方法的应用及发展综述

智能控制方法应用及发展综述

1智能控制产生

1.1智能控制产生背景

早期自动控制基本上是处理简单对象控制问题，人们追求研制完全自动运行不用人参

加自治系统。伴随控制对象日益复杂，系统所处环境原因、控制性能要求都列入了控制系统

设计考虑范围，已经有自动控制方法与技术受到了某种程度挑战，尤其在学习控制研究与机

器人控制方面，矛盾日渐突出，迫切需要为自动控制学科注入新活力，智能控制正是在这么

背景下产生。

L2智能控制产生及发展

智能控制思想最早是由美国普渡大学傅京孙教授于60年代中期提出，他在1965年发

表论文中率先提出把人工智能启发式推理规则用于学习系统，这篇开创性论文为自动控制迈

向智能化揭开了崭新一页.接着，Mendel于1966年在空间飞行器学习控制中应用了人工智

能技术,并提出了“人工智能控制”新概念；同年，Leondes和Mendel首次使用了“智能

控制(IntelligentControl)”一词，并把记忆、目标分解等技术用于学习控制系统；这些

反应了智能控制思想早期萌芽，常被称为智能控制孕育期.

70年代关于智能控制研究是对60年代这一思想雏形深入深化，是智能控制诞生和形成

期.1971年，傅京孙发表了主要论文，提出了智能控制就是人工智能与自动控制交叉“二元

论”思想，列举三种智能挖制系统：人作为控制器、人机结合作为控制器、自主机器人；1974

年，英国Mamdani教授首次成功地将含糊逻辑用于蒸汽机控制，开创了含糊控制新方向；1977

年，Saridis专著出版，并于1979年发表了综述文章、，全方面地阐述了从反馈控制到最优

控制、随机控制及至自适应控制、自组织控制、学习控制，最终向智能控制发展过程，提出

了智能控制是人工智能、运筹学、自动控制相交叉“三元论”思想及分级递阶智能控制系统

框架.

80年代，智能控制研究进入了快速发展时期：1984年，Astrom发表了论文，这是第一

篇直接将人工智能教授系统技术引入到控制系统代表，明确地提出了建立教授控制新概念：

与此同时，Hopfield提出Hopfield网络及Rumelhart提出BP算法为70年代以来一直处于

低潮人工神经网络研究注入了新活力，继60年代Kilmer和McClloch提出KBM模型实现对

“阿波罗”登月车控制之后，人工神经网络再次被引入控制领域，并快速得到了广泛应用，

从而开辟了神经网络控制；1985年8月，IEEE在美国纽约召开了第一界智能控制学术讨论

会；1987年1月，在美国费城由IEEE控制系统学会与计算机学会联合召开了第•界智能控

制国际会议，这标志着智能控制作为一门新学科正式建立起来.

进入90年代，关于智能控制研究论文、著作、会议、期刊大量涌现，应用对象也愈加

广泛，从工业过程控制、机器人控制、航空航天器控制到故障诊疗、管理决议等都有包括，

并取得了很好效果.

2智能控制概念及应用

2.1智能控制定义

智能控制至今为止并没有一个公认、统一定义。我们为了探究智能控制概念司技

术，开发智能控制新性能和性能和方法，比较不一样研究者和不一样国家结果，就要

求对智能控制有一些共同了解下面提出是被广泛接收关于智能控制定义。

所谓智能控制，即设计一个控制器（或系统），使之具备学习、抽象、推理、决议等功

效，并能依照环境（包含被控对象或被控过程）信息改变作出适应性反应，从而实现由人来

完成任务。智能控制在无人干预情况下能自主地驱动智能机器实现控制目标自动控制

技术。一个系统假如具备感知环境、不停取得信息以减小不确定性和计划、产生以及

执行控制行为能力，即称为智能控制系统.智能控制技术是在向人脑学习过程中不停

发展起来，人脑是一个超级智能控制系统，具备实时推理、决议、学习和记忆等功效，

能适应各种更杂控制环境。

2.2智能控制应用场所

智能控制是自动控制最新发展阶段，主要用于处理传统控制技术与方法难以处理

控制问题。主要应用场所有：

（1）具备高度非线性、时变性、不确定性和不完全性等特征，通常无法取得精

准数学模型复杂系统控制问题；

（2）需要对环境和任务改变具备快速应变能力并需要利用知识进行控制复杂系

统控制问题；

（3）采取传统控制方法时，必须遵照一些苛刻线性化假设，不然难以达成预期

控制目标复杂系统控制问题：

（4）采取传统控制方法时，控制成本高、可靠性差或控制效果不理想复杂系统

控制问题。

2.3智能控制理论基础和方法及其应用

智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础，扩展了相关理

论和技术，其应用较多有教授系统、含糊逻辑、神经网络、遗传算法等控制方法，以及自适

应科学研究技术、自组织技术、（自）学习技术等组织形式.智能控制研究内容之一就是把智

能控制相关技术结合或综合交叉结台组成格调和功效各异智能控制系统和智能控制器。

首先，智能控制应用研究目标和主攻方向不够明确。作为应用研究和应用基础研究，智

能控制在于寻求有别于传统控制、新实用控制技术。离开了实际而纸上谈兵，那就不是真正

应用研究。

其次，智能控制要面向复杂系统。对于•些比较简单系统，引入智能控制并不值得，如

同用大炮打蚊子•样。假如简单智能控制系统复杂性、故障率和成本高于同类应用传统控制

系统，那么智

能控制优越性就会令人质疑。

最终，研制新型智能控制硬件和软件。在智能控制研究中，软件方面存在问题更大。比如,

大多数基于神经网络控制系统，还停留在“仿真”水平上，未能真正处埋实现问题更谈不I:

实际应用。提升系统运行速度、实现实时控制、提升对仄境感觉和解释能力、改进信息识别

和处理能力、设计模块化传感器接口等方面要做事情还很多。

3.2智能控制发展前景

伴随智能控制应用方法日益成熟，智能控制研究领域必将深入扩大。有高级机器人、过

程智能控制和智能故障诊疗等，及以下领新应用领域：交通控制（如高速列车、汽车运输、

飞机飞行控制等）,用于CAD、CJ〜M、CIMS和CIPS自动加工控制，医疗过程控制、商业、

农业、文化教育和娱乐等，

当代最高意义上智能自动化要算机器人学进步和应用。机器人从爬行到直立行走，现在

已能用手使用工具，能看、听、用多个语言说话，并能可靠去干最脏最累最危险活。据统计,

现在世界上有快要100万个机器人在各生产线上工作，美国和日本在核反应堆中使用机器

人，印度科学家在8月27日也宣称，他们已经建造成一个6条腿机器人用于核电站工作。

据估量到，智能机器人可能进入家庭，许多家政劳动将由机器人来代替。智能型机器人进入

社会服务业，能够当出租车司机、医院护士、家庭保姆和银行出纳等。所以，智能机器人将

逐步代替人类复杂劳动，解放人类身体，提升未来休闲时代生活质量。

按照我国规划，至上70%以上家庭具备互联网接入条件，大中城市中60%住宅实现智

能化。到时候，新兴语音识别技术，会在智能家居中利用“生物特征智能识别技术”，对我

们脸部、

角膜、指纹等特征进行技术识别，方便我们生活。远程医疗和健康监护等自动化技术，也将

问津寻常人家日常生活。在手术过程中麻醉深度智能控制系统，己证实其控制质量超出了人

工控制。交通事故死亡率成为人类和平时期非正常死亡概率第一原因，引入智能交通系统，

能够大大缓解这•情况。智能交通系统是信息自动化处埋系统，包含搜集最基本道路信息，

建立多个交通模型，需求最优交通诱导，给出行者提供充分信息。智能交通系统在美国一些

城市已经实施，它能够减小10%废弃材料，20%交通延迟，30%

停车次数。关于资料表明：智能交通将会在世界性大城市普及，，智能交通将成为生活中一

部分。我国科技部已经正式确定上海、广州、深圳、青岛、重庆等9个城市.为首批全国智能

交通系统应用和示范工程试点城市。

全世界约有6万种语言，智能化电脑同时翻译机出现，将真正实现人类语言达成沟通无

障碍“全球通”状。现在我国科学家已经成功试制出中国和韩国间同声翻译，以及中日间学

上电脑同时翻译。预计十多年后，会有大量语君•翻译产品问世，30年后将出现没有领域限

制翻译系统，全球将基本实现无语言障碍交流。决议系统、教授控制系统、学习控制系统、

含糊控制系统、神经网络控制、智能规划和故障诊疗等智能控制一些研究结果，也已被应用

于各类工业（电力、化工、冶金、造纸等）生产过程控制系统和智能化生产（制造）系统，如：

飞行器制造，汽车自动驾驶系统等。智能技术广泛应用于社会，有利于提升人民生活质量,

提升劳动生产率，提升全社会文化素质，创造更高就业率。现在，在世界范围内，智能控制

和智能自动化科学与技术正在成为自动化领域中最兴旺和发展最

快速一个分支学科，并被许多发达国家确认为面向二十一世纪和提升国家竞争力关键技术。

4以遗传算法为例讲述智能控制系统

4.1遗传算法发展及应用

从20世纪60年代起，美国、德国等国家一些科学家就开始研究用模仿生物和人

类进化方法求解复杂优化问题，从而形成了模拟进化优化方法(OptimizationMethod

bySimulatedEvolution),其代表性方法有遗传算法(GA：GeneticAlgorithms)、

进化规划(EF：EvolutionaryTrogramming)、进化策略(ES：Evolutionary

Strategies)。

常规数学优化技术基于梯度寻优技术，计算速度快，但要求优化问题具备可微性，

且通常只能求得局部最优解；而模拟进化方法无可微性要求，适适用于任意优化问题，

尤其适适用于求解组合优化问题以及目标函数不可微或约束条件复杂非线性优化问

题。因为它们采取随机优化技术，所以会以较大概率求得全局最优解。其计算费用较

高问题也因计算机软硬件技术飞速发展而不再成为制约原因。

4.2遗传算法基本原理

遗传算法是基于自然选择和基因遗传学原理搜索方法，它将“优胜劣汰、适者生

存”生•物进化原理引入到由待优化参数形成编码串种群中，按照一定适应度函数及一

系列遗传操作对各个个体进行筛选，使适应度值较高个体被保留下来，从而组成新种

群，新种群中包含了上一代大量信息，而且引入了新优于上一代个体。如此周而复始，

种群中各个体适应度不停提升，直至满足一定收敛条件。最终，以种群中适应度值最

高个体作为待优化参数最优解。

遗传算法也用到了随机搜索技术，但它经过对参数空间随机编码并用适应度函数作为工

具来引导搜索过程向着更有效方向发展，因而它不一样于常规随机法。

4.2.1遗传算法详细实现

1.编码方式选取

利用遗传算法求解实际问题时，问题解是用字符串来表示，遗传算子也是直接对

字符串进行操作。所以，怎样用适当字符串编码来表示问题解成为了遗传算法应用过

程中首要问题。

现在所使用字符串编码方式主要有：二进制、浮点数和符号等。

（1）采取二进制形式编码，个体位数多，描述得比较细致，从而加大了搜索范围，

但交叉运算计算量较大；因为大量详细问题本身都是十进制，而且还需对实际参数进

行编码和译码，从而增加了额外计算时间。（2）采取浮点数编码，交叉运算计算量

较小，但变异过程难于进行。（3）符号编码方式通常在一些专门应用场所使用,

2.初始种群产生

初始种群对应着问题初始解，通常有两种方式产生：①完全随机方式产生（字符

串每一位均随机产生）；②随机数发生器方式产生（整个字符串用随机数发生器一次

产生）。另外，假如对于寻优问题有一些先验知识，则可先将这些先验知识转变为必

须满足一组约束，然后再在满足这些约束解中随机地选取个体以组成初始种群。

另外，假如对于寻优问题有一些先验知识，则可先将这些先验知识转变为必须满足一组

约束，然后再在满足这些约束解中随机地选取个体以组成初始种群。

3.适应度函数确实定

适应度函数是遗传算法与实际优化问题之间接口。在遗传算法中要求适应度函数值是非

负，且任何情况卜.都希望其值越大越好：而实际优化问题目标函数并不一定满足这个条件,

有是正，有可能为负，甚至可能是复数值。所以，对于任意优化问题，首先应把其数学形式

表示为遗传算法适于求解形式，同时要确保二者在数学优化层面上是等价。这个过程称为适

应度转换。

适应度转换首先要确保适应度值是非负，其次要求目标函数优化方向应与适应度值增大方向

一致。设实际优化问题目标函数为J(x),遗传算法适应度函数为f(x),则有:

①能够将适应度函数表示为实际优化问题目标函数线性形式，即有

/(X)=4xJ(x)+b

其中，a,b是系数，可依照详细问题特征及所期望适应度分散程度来确定。

②对于最小化问题，通常采取以下转换形式:

J(X)<

其中，cmax既能够是到现在为止全部进化代中目标函数J(x)最大值(此时cmax将伴随进

化而有所改变)，也能够依照经验人为设定。

③对于最大化问题，通常采取以下转换形式:

/(幻一」/(幻―>°

/(%)=

0

其中，cmin既能够是当前代中目标函数J(x)最小值，也能够依照经验人为设定

4.复制(选择)(ReproductionorSelection)

复制是基丁适者生存理论而提出，是指种群中每一个体按照适应度函数进入到匹配池中过

程。适应度值高于种群平均适应度个体在卜.一代中将有更多机会繁殖一个或多个后代，而低

于平均适应度个体则有可能被淘汰掉。更制目标在于确保那些适应度高优良个体在进化中生

存卜.去，复制不会产生新个体。惯用选择方法有：赌轮法、两两竞数法、排序法

5.交叉(Crossover)

交叉是指对从匹配池中随机选出两个个体按一定交叉概率pc部分地交换一些基因过

程。通常分两步实现：第一步是将新复:制产生匹配池中个体随机两两配对；第二步是进行交

叉繁殖，产生一对新个体。交叉目标是为了产生新基因组合，生成新个体，防止每代种群中

个体重复。

6.变异(.Mutation)

通常变异操作只作用于采取二进制编码某单个个体，它以•定变异概率pm对个体一些

位进行取反操作。如同自然界极少发生基因突变一样，变异概率pm通常都取得比较小。变

异目标是为了增加种群个体多样性，预防丢失•些有用遗传模式。

7.常规数学优化方法有数学上比较严格收敛判据，而遗传算法收敛判据通常是启发式。

因为遗传算法没有利用梯度信息，所以要从数学上结构比较严格收敛判据相当困难。惯用收

敛判据有：①依照计算时间和所采取计算机性能确定收敛判据：通常采取指定最大迭代次数

方法；②从解质量方面确定判据：假如连续几代(或几十代)种群中最优解没有改变，则认

为算法收敛；或种群中最优个体适应度与平均适应度之差和平均适应度比值小于某一给定值

时，也能够认为算法已经收敛。

图1遗传算法流程图

4.2.2遗传算法特点

遗传算法还具备以下几方面特点：

(1)遗传算法从问题解串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化

算法极大区分。传统优化算法是从单个初始值迭代求最优解：轻易误入局部最优解遗传算

法从串集开始搜索，覆盖面大，利于全局择优。

(2)遗传算法同时处理群体中多个个体，即对搜索空间中多个解进行评定，降低了陷入

局部最优解风险，同时算法本身易于实现并行化。

(3)遗传算法基本上不用搜索空间知识或其它辅助信息，而仅用适应度函数值来评定个

体，在此基础上进行遗传操作。适应度函数不但不受连续可微约束，而且其定义域能够任意

设定。这•特点使得遗传算法应用范围大大扩展。

(4)遗传算法不是采取确定性规则，而是采取概率变迁规则来指导他搜索方向。

(5)具备自组织、自适应和自学习性。遗传算法利用进化过程取得信息自行组织搜索时，

适应度大个体具备较高生存概率，并取得更适应环境基因结构。

4.3遗传算法应用现实状况

进入90年代，遗传算法迎来了兴盛发展时期，不论是理论研究还是应用研究都成了

十分热门课题。尤其是遗传算法应用研究显得格外活跃，不但它应用领域扩大，而且利用遗

传算法进行优化和规则学习能力也显著提升，同时产业应用方面研究也在探索之中。另外一

些新理论和方法在应用研究中亦得到了快速发展，这些无疑均给遗传算法增添了新活力。遗

传算法应用研究已从早期组合优化求解扩展到J.许多更新、史J2程化应用方面:

伴随应用领域扩展，遗传算法研究出现了几个引人注目标新动向：一是基于遗传算法机

器学习，这一新研究课题把遗传算法从一向离散搜索空间优化搜索算法扩展到具备独特规则

生成功效崭新机器学习算法。这一新学习机制对于处理人工智能中知识获取和知识优化精炼

瓶颈难题带来了希望。二是遗传算法正日益和神经网络、含糊推理以及混沌理论等其它智能

计算方法相互渗透和结合，这对开拓二十一世纪中新智能计算技术将具备主要意义。三是并

行处理遗传算法研究十分活跃。这一研究不但对遗传算法本身发展，而且对于新一代智能计

算机体系结构研究都是十分主要。四是遗传算法和另一个称为人工生命崭新研究领域正不停

渗透。所谓人工生命即是用计算机模拟自然界丰富多彩生命现象，其中生物自适应、进化和

免疫等现象是人工生命主要研究对象，而遗传算法在这方面将会发挥一定作用，五是遗传算

法和进化规划(EvolutionProgramming,EP)以及进化策略(EvolutionStrategy,ES)等

进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来，同遗传算法一样，

它们也是模拟自然界生物进化机制智能计算方法，即同遗传算法具备相同之处，也有各自特

点。现在，这三者之间比较研究和彼此结合