摘要:本文介绍了智能控制的产生背景以及智能控制的概念和特点,分析了几种典型的智能控制技术,并提出了一些对智能控制的发展前景的展望。
关键词:智能控制 专家控制 模糊控制 神经网络控制 遗传算法
1.引言
智能控制是自动控制发展的高级阶段,是人工智能、控制论、信息论、系统论、仿生学、进化计算和计算机等多种学科的高度综合与集成,是一门新兴的边缘交叉学科。智能控制是当今国内、外自动化学科中的一个十分活跃和具有挑战性的领域,代表着当今科学和技术发展的最新方向之一。它不仅包含了自动控制、人工智能、系统理论和计算机科学的内容,而且还从生物学等学科汲取丰富的营养,正在成为自动化领域中最兴旺和发展最迅速的一个分支学科。
2.智能控制产生的背景
从控制理论学科发展的历程来看,该学科的发展经历了三个主要阶段。
第一阶段为20世纪40—60年代的“经典控制理论”时期,经典控制理论以反馈理论为基础,是一种单回路线性控制理论。主要采用传递函数、频率特性、根轨迹为基础的频率分析方法。主要研究单输入一单输出、线性定长系统的分析和设计。
第二阶段为20世纪60—70年代的“现代控制理论”时期,现代控制理论主要研究具有高性能、高精度的多变量参数系统的最优控制问题。采用的方法包括状态空间法、Bellman动态规划方法,Kalman滤波理论和Pontryagin极大值原理等。现代控制理论可以解决多输入多输出问题,系统可以是线性定长的,也可以是非线性时变的。
第三阶段为20世纪70年代至今的“大系统理论”和“智能控制理论”时期。由于现代控制理论过多地依赖对象的数学模型,其控制算法较为理想化,设计方法非常数字化,因此在面对难以用数学模型描述或者具有时变、非线性、不确定特性的复杂系统时,现代控制系统也显得无能为力。为了提高控制系统的品质和寻优能力,控制领域的研究人员开始考虑把人工智能技术用于控制系统。近年来,控制领域的研究人员把传统的控制理论与模糊逻辑、神经网络、遗传算法等智能技术相结合,充分利用人的经验知识对复杂系统进行控制,逐渐形成了智能控制这一新兴学科。
3.智能控制的基本概念和特点
传统的控制方法建立在被控对象的精确数学模型之上,智能控制是针对系统的复杂性、非线性、不确定性等提出来的。IEEE控制系统协会把智能控制归纳为:智能控制系统必须具有模拟人类学习和自适应的能力。一个智能控制系统一般应具有以下一些特点。
1)能对复杂系统(如非线性、多变量、时变、环境扰动等)进行有效的全局控制,并具有较强的容错能力;
2)具有以只是表示的非数学广义模型和以数学模型表示的混合控制过程,能根据被控对象的动态过程进行辨识,采用开闭环控制和定性与定量相结合的多模态控制方式;
3)能对获取的信息进行实时处理并给出控制决策,通过不断优化参数和寻找控制器的最佳结构形式,以获得整体最优控制性能。
4)具有自学习、自适应、自组织能力,能从系统的功能和整体优化的角度来分析和综合系统,以实现预期的控制目标。
4.智能控制理论的基本内容
4.1 专家控制(EC-Expert Control)
由人工智能领域发展起来的专家控制是一种基于知识的智能计算机程序的技术。专家控制的实质是基于控制对象和控制规律的各种知识,并且要以智能的方式利用这些知识,以求得控制系统尽可能的优化和实用化。专家系统一般由知识库、推理机、解释机制和知识获取系统等组成。知识库用于存储某一领域专家的经验性知识、原理性知识、可行操作与规则等。可通过知识获取系统对原有知识进行修改和扩充。推理机根据系统信息并利用知识库中知识按一定的推理策略来解决当前的问题。解释机制对找到的知识进行解释,为用户提供了一个人机界面。专家控制的特点为:
1)具有领域专家级的专业知识,能进行符号处理和启发式推理。
2)具有获取知识能力,具有灵活性、透明性和交互性。
4.2模糊控制(FC-Fuzzy Control)
模糊控制是以模糊集合论、模糊逻辑推理和模糊语言变量为基础的一种计算机数字控制。对于无法建立数学模型或难以建立数学模型的场合,可以用模糊控制技术来解决。模糊控制就是在被控对象模糊模型的基础上,利用模糊控制器,采用推理的手段进行系统控制的一种方法。模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。模糊控制器由模糊化、规则库、模糊推理和清晰化四个功能模块组成。模糊化模块实现对系统变量论域的模糊划分和对清晰输入值的模糊化处理。规则库用于存储系统的基于语言变量的控制规则和系统参数。模糊推理是一种从输入空间到输出空间的非线性映射关系,控制规则形式为If{控制输入A}then{控制输出B},即如果已知控制输入A,则通过模糊推理得出控制输出B。清晰化模块将推出的模糊推理推出的控制输出转化为清晰的输出值。模糊控制的特点为:
1)提供了一种实现基于自然语言描述规则的控制规律的新机制。
2)提供了一种非线性控制器,这种控制器一般用于控制含有不确定性和难以用传统非线性理论处理的场合。
4.3 神经网络控制(NNC-Neural Networks Control)
神经网络控制是在控制系统中采用神经网络这一工具,对难以通过常规方法进行描述的复杂非线性对象进行建模,或充当控制器,或信息处理,或模式识别,或故障诊断等,或以上几种功能的组合,这种神经网络控制系统的控制方式即为神经网络控制。神经网络控制采用仿生学的观点对智能系统中的高级信息处理问题进行研究,神经网络控制的特点为:
1)能充分逼近任意非线性特性。
2)分布式并行处理机制。
3)自学习和自适应能力。
4)数据融合能力。
5)适合于多变量系统,可进行多变量处理。
4.4 遗传算法(GA-Genetic Algorithm)
遗传算法是一种基于生物进化模拟的启发式智能算法,它的基本策略是:将待优化函数的自变量编码成类似基因的离散数值码,然后通过类似基因进化的交叉、变异、繁殖等操作获得待优化函数的最优或近似最优解。在智能控制中,遗传算法广泛应用于各类优化问题,遗传算法可以用于复杂的非线性系统的辨识,多变量系统控制规则的优化,智能控制参数的优化等常规控制方法难以奏效的问题。遗传算法具有可扩展性,可以同专家系统、模糊控制和神经网络结合,为智能控制的研究注入新的活力。如可用遗传算法对模糊控制的控制规则和隶属度函数进行优化,对神经网络的权值进行优化等。遗传算法的特点为:
1)以决策变量的编码作为运算对象。
2)直接以目标函数值作为搜索信息。
3)同时进行解空间的多点搜索。
4)使用自适应的概率搜索技术。
5.结束语
智能控制已广泛应用于工业、农业、军事等众多领域,已经解决了大量的传统控制无法解决的实际控制应用问题,呈现出强大的生命力和发展前景。它将随着专家系统、模糊控制、神经网络等控制技术的发展而不断发展。
参考文献:
[1]师黎,陈铁军,李晓媛等,智能控制理论及应用[M].北京:清华大学出版社.2009.
[2]黄志高,徐成金,谭斌.智能控制理论综述[J].土木机床,2004 (3):30-32.
[3]宋胜利.智能控制技术概论[M].北京:国防工业出版社,2008.
[4]王永骥,涂健,神经元网络控制[M].北京:机械工业出版社,1998.
[5] Rubaai A,Kotaru R,Kankam M D.A continually online - trained neural network controller for brushless DC motor drives [J].lndustry Applications,IEEE Transactions ,2000 ,36(2):475 - 483.
[6]张国忠.智能控制系统及应用[M].北京:中国电力出版社,2007.
[7]李文,欧青立,沈宏远等.智能控制及其应用综述[J].重庆邮电大学学报(自然科学版),2006(6):376-381.