控制科學(xué)與技術(shù)的發(fā)展及其思考

1、控制科學(xué)與技術(shù)的發(fā)展及其思考1 控制科學(xué)與技術(shù)的發(fā)展?fàn)顩r控制科學(xué)與技術(shù)在 20 世紀(jì)的人類科技進(jìn)步中起到了舉足輕重的作用，為 了解決當(dāng)今社會的許多挑戰(zhàn)性問題產(chǎn)生了積極的影響，提供了科學(xué)的思想方 法論；為許多產(chǎn)業(yè)領(lǐng)域?qū)崿F(xiàn)自動化奠定了理論基礎(chǔ)，提供了先進(jìn)的生產(chǎn)技術(shù) 和先進(jìn)的控制儀器及裝備。特別是數(shù)字計算機(jī)的廣泛使用，為控制科學(xué)與技 術(shù)開辟了更廣泛的應(yīng)用領(lǐng)域?；仡櫧倌陙淼墓こ碳夹g(shù)的發(fā)展，可以看到， 20 世紀(jì)的控制科學(xué)與技術(shù) 是在實踐的重大需求驅(qū)動下快速發(fā)展的，他經(jīng)歷了若干重要的發(fā)展時期，如 20 世紀(jì)初的 Lyapunov 穩(wěn)定理論和 PID 控制律概念； 20 年代的反饋放大 器；30 年代的

2、 Nyquist 與 Bode 圖； 40 年代維納的控制論； 50 年代貝爾曼 動態(tài)規(guī)劃理論和龐特里亞金極大值原理； 60 年代卡爾曼濾波器、系統(tǒng)狀態(tài)空 間法、系統(tǒng)能控性和能觀性； 70 年代的自校正控制和自適應(yīng)控制； 80 年代 針對系統(tǒng)不確定狀況的魯棒控制； 90 年代基于智能信息處理的智能控制理 論。中國控制學(xué)科界的許多學(xué)者為控制理論和技術(shù)的發(fā)展也做出重要的貢 獻(xiàn)。隨著計算機(jī)科學(xué)、網(wǎng)絡(luò)和智能信息處理技術(shù)的進(jìn)步，以及社會生產(chǎn)力發(fā) 展的強(qiáng)烈需求，在如何解決日益增加的復(fù)雜系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)、多傳感器信息 融合、生物、基因、量子計算、社會經(jīng)濟(jì)與生態(tài)等重大問題上，控制科學(xué)和 自動化領(lǐng)域的研究者們在

3、21 世紀(jì)初面臨著更重大的、更為迫切的挑戰(zhàn)。近 30 年來，控制科學(xué)在非線性系統(tǒng)控制、分布參數(shù)系統(tǒng)控制、系統(tǒng)辨 識、隨機(jī)與自適應(yīng)控制、魯棒控制、離散事件系統(tǒng)和混合系統(tǒng)、智能控制等 研究方向上取得了許多重要進(jìn)展。在 21 世紀(jì)初的十幾年，這些方向仍將是控 制科學(xué)發(fā)展的主要研究方向，它們之間的交叉與結(jié)合，將形成許多應(yīng)用性更 強(qiáng)的重要研究方向。非線性控制是控制理論中一個重要的研究分支，目前在該方向的一些研 究成果已應(yīng)用于機(jī)器人、直升飛機(jī)與電力系統(tǒng)控制等實際控制工程中?？梢?預(yù)見，非線性控制理論的進(jìn)一步發(fā)展，將對多機(jī)器人系統(tǒng)協(xié)調(diào)操作與大型網(wǎng) 絡(luò)穩(wěn)定安全為背景的非線性系統(tǒng)的控制工程等產(chǎn)生重大影響?；煦缦?/p>

4、統(tǒng)作為 非線性系統(tǒng)的重要組成部分，在混沌生成、混沌抑制、混沌同步化、混沌通 訊應(yīng)用以及混沌信息編碼等方面已經(jīng)取得一些突破性的進(jìn)展。這些研究成果 將對復(fù)雜系統(tǒng)的深入研究提供了有意義的借鑒。自 20 世紀(jì) 70 年代開始，國內(nèi)外學(xué)者開始重視分布參數(shù)系統(tǒng)的研究。分 布參數(shù)系統(tǒng)是無窮維系統(tǒng)，一般由偏微分方程、積分方程、泛函微分方程或 抽象空間中的微分方程所描述。我國學(xué)者在細(xì)長體彈性振動系統(tǒng)的建模和振 動控制、振動系統(tǒng)的譜分析、能控性和反饋鎮(zhèn)定、一般無窮維系統(tǒng)的極大值 原理、人口系統(tǒng)控制、人口預(yù)測和控制等方面都做出了重要貢獻(xiàn)。由于實際系統(tǒng)的復(fù)雜性，人們往往很難（或不可能）從基本的物理定律出 發(fā)直接推導(dǎo)出

5、系統(tǒng)的數(shù)學(xué)模型，這就需要利用可以測量的系統(tǒng)輸入和輸出數(shù) 據(jù)，來構(gòu)造系統(tǒng)內(nèi)結(jié)構(gòu)及參數(shù)的估計，并研究估計的可靠性和精度等問題， 這就是系統(tǒng)辨識的任務(wù)。 20 世紀(jì) 90 年代，線性系統(tǒng)辨識理論趨于成熟，而 非線性系統(tǒng)的辨識仍處于發(fā)展階段。近 10 年來，系統(tǒng)辨識領(lǐng)域有 3 個熱點(diǎn)研 究方向：基于魯棒控制的數(shù)學(xué)模型要求的魯棒辨識，基于特殊信號驅(qū)動下的 系統(tǒng)辨識和基于智能信息處理的非線性系統(tǒng)辨識。當(dāng)實際系統(tǒng)受到的外界干擾和系統(tǒng)模型誤差被看作為隨機(jī)噪聲時，我們 把這類系統(tǒng)稱為隨機(jī)系統(tǒng)。近年來，在非線性濾波、隨機(jī)極大值原理、隨機(jī) 最優(yōu)控制綜合等方面已有新的進(jìn)展。人們?yōu)榱藢で竽軌驅(qū)嶋H應(yīng)用并且性能良 好的控制

6、算法，由 “分離思想 ”和 “必然等價思想 ”發(fā)展了自適應(yīng)控制的理論和 方法。在科學(xué)研究和工程實踐中，自適應(yīng)算法已經(jīng)成為一種非常有效的重要 方法。一般地，系統(tǒng)的數(shù)學(xué)模型與實際系統(tǒng)存在著參數(shù)或結(jié)構(gòu)等方面的差異， 而我們設(shè)計的控制律大多都是基于系統(tǒng)的數(shù)學(xué)模型，為了保證實際系統(tǒng)對外 界干擾、系統(tǒng)的不確定性等有盡可能小的敏感性，導(dǎo)致了研究系統(tǒng)魯棒控制 問題。近年來，對非線性系統(tǒng)的魯棒適應(yīng)控制 16 的研究已成為一個熱點(diǎn)方 向。人工神經(jīng)網(wǎng)方法、滑動模（ sliding-mode ）方法及魯棒控制方法的結(jié)合 可以設(shè)計出對一大類連續(xù)時間非線性系統(tǒng)穩(wěn)定的自適應(yīng)控制律 17 。20 世紀(jì) 80年代出現(xiàn)的設(shè)計方法

7、和變結(jié)構(gòu)控制（滑摸控制）推動了魯棒控制理論 的發(fā)展?，F(xiàn)在，系統(tǒng) H范數(shù)已成為系統(tǒng)的重要性能指標(biāo)。如何有效利用過 程信息來降低系統(tǒng)的不確定性，是魯棒控制研究的重要內(nèi)容。由于許多控制 問題可歸結(jié)為線性矩陣不等式 （LMI ）的研究， 20 世紀(jì) 90 年代中期出現(xiàn)了關(guān) 于 LMI 的控制軟件工具。近幾年，非線性系統(tǒng)、時滯飽和系統(tǒng)、時滯故障系 統(tǒng)的魯棒綜合控制問題已經(jīng)成為新的熱點(diǎn)研究方向，而且已經(jīng)有不少應(yīng)用實例，例如，核反應(yīng)堆的溫度跟蹤魯棒控制、導(dǎo)彈系統(tǒng)的魯棒自適應(yīng)最優(yōu)跟蹤 設(shè)計、機(jī)器人操作的魯棒神經(jīng)控制。系統(tǒng)的狀態(tài)隨離散事件發(fā)生而瞬時改變，不能用通常的動態(tài)方程來描 述，一般稱這類系統(tǒng)為離散事件動態(tài)

8、系統(tǒng)（ DEDS ）。對它的研究始于 20 世 紀(jì) 80 年代初。目前已發(fā)展了多種處理離散事件系統(tǒng)的方法和模型，例如有限 狀態(tài)馬爾科夫鏈、 Petri 網(wǎng)、排隊網(wǎng)絡(luò)、自動機(jī)理論、擾動分析法、極大代數(shù) 法等。其理論已經(jīng)應(yīng)用于柔性制造系統(tǒng)、計算機(jī)通信系統(tǒng)、交通系統(tǒng)等。離 散事件系統(tǒng)的研究雖然取得較大進(jìn)展，但還沒有一套完整的理論體系來評價 離散時間系統(tǒng)模型與實際對象的差異。離散事件動態(tài)系統(tǒng)自然延伸就是混合 動態(tài)系統(tǒng)。包含離散事件動態(tài)系統(tǒng)（ DEDS ）和連續(xù)變量動態(tài)系統(tǒng)（ CVDS ）、兩者 又相互耦合作用的系統(tǒng)稱為混合動態(tài)系統(tǒng) （ HDS ）。關(guān)于混合系統(tǒng)最早的文獻(xiàn) 出現(xiàn)在 1966 年。 197

9、9 年瑞典人 Cellier 首先引入混合系統(tǒng)結(jié)構(gòu)的概念，把 系統(tǒng)分為離散、連續(xù)和接口 3 個部分。 1989 年 Golli 針對計算機(jī)磁盤驅(qū)動器 模型引入混合系統(tǒng)的概念，把連續(xù)部分和接口部分結(jié)合起來進(jìn)行研究。雖然 混合系統(tǒng)的研究取得了一些成果，但仍處于發(fā)展階段，其理論和應(yīng)用研究仍 是未來幾年的研究熱點(diǎn)。最近，混合系統(tǒng)的離散監(jiān)督控制、離散時間混合系 統(tǒng)的最優(yōu)控制有了一些新的突破，并且混合控制理論已逐步應(yīng)用于電力系統(tǒng) 的電壓安全控制和機(jī)器人協(xié)調(diào)控制等領(lǐng)域?，F(xiàn)代工程技術(shù)、生態(tài)或社會環(huán)境等領(lǐng)域的研究對象往往是十分復(fù)雜的系 統(tǒng)，對這類系統(tǒng)難以用常規(guī)的數(shù)學(xué)方法來建立準(zhǔn)確的數(shù)學(xué)模型，需要用學(xué) 習(xí)、推理或

10、統(tǒng)計意義上的模型來描述實際系統(tǒng)，這就導(dǎo)致了智能控制的研 究。智能控制的主要目標(biāo)是使控制系統(tǒng)具有學(xué)習(xí)和適應(yīng)能力?，F(xiàn)在，智能控 制理論雖然取得了不少研究成果，但智能控制的理論體系還不夠成熟。最 近，基于模糊推理的系統(tǒng)建模、神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制、神經(jīng)網(wǎng)絡(luò)內(nèi) 模控制、神經(jīng)網(wǎng)絡(luò)非線性預(yù)測控制、混沌神經(jīng)網(wǎng)絡(luò)控制等方面已有不少重要 研究成果。智能控制理論有著廣泛的應(yīng)用，例如，基于神經(jīng)動態(tài)規(guī)劃的直升 機(jī)的鎮(zhèn)定控制和航天軌道操作器的基于知識的分層控制等。模糊推理、神經(jīng) 網(wǎng)絡(luò)和遺傳算法均具有模擬人類思維結(jié)構(gòu)的方式的特點(diǎn)，將三者結(jié)合是智能 控制研究的主要方向之一。2 傳統(tǒng)與現(xiàn)代控制理論的局限性傳統(tǒng)控制器都是基

11、于系統(tǒng)的數(shù)學(xué)模型建立的，因此，控制系統(tǒng)的性能好 壞很大程度上取決于模型的精確性，這正是傳統(tǒng)控制的本質(zhì)?，F(xiàn)代控制理論 可以解決多輸入、多輸出（ MIMO ）控制系統(tǒng)地分析和控制設(shè)計問題，但其分 析與綜合方法也都是在取得控制對象數(shù)學(xué)模型基礎(chǔ)上進(jìn)行的，而數(shù)學(xué)模型的 精確程度對控制系統(tǒng)性能的影響很大，往往由于某種原因，對象參數(shù)發(fā)生變 化使數(shù)學(xué)模型不能準(zhǔn)確地反映對象特性，從而無法達(dá)到期望的控制指標(biāo)，為 解決這個問題，自適應(yīng)控制、魯棒控制的研究便成為控制理論的研究熱點(diǎn)。20世紀(jì)80年代由加拿大學(xué)者Zames等人創(chuàng)始的H乂控制理論是魯棒控制理論的重要發(fā)展。但這些方法本質(zhì)上還是沒有擺脫基于數(shù)學(xué)模型的定量化思

12、想。傳統(tǒng)控制，包括經(jīng)典反饋控制、現(xiàn)代控制理論等，在應(yīng)用中遇到不少難 題。機(jī)理建模所不可避免的模型誤差將導(dǎo)致估計器工作效果時好時壞，難以 設(shè)計可靠、穩(wěn)定的控制系統(tǒng)。2.1傳統(tǒng)控制理論面臨的問題? 1 ）控制對象的復(fù)雜性傳統(tǒng)控制理論的思想是建立在精確數(shù)學(xué)模型基礎(chǔ)上的，然而對實際應(yīng)用 中的非線性、時變性、不確定性和不完全性的系統(tǒng)，一般無法獲得精確的數(shù) 學(xué)模型。對含有對象復(fù)雜性和不確定性的控制過程，很難用傳統(tǒng)數(shù)學(xué)建模方 法來解決建模問題。2）控制方法和手段單一性在研究一個實際的控制對象時，為了得到理論上性能良好的控制器，經(jīng) 常提出一些比較苛刻的假設(shè)，然而這些假設(shè)在應(yīng)用中往往與實際情況不相吻 合。根據(jù)現(xiàn)

13、有的理論和技術(shù)描述復(fù)雜的控制過程會出現(xiàn)片面性、單一性，建 立的模型有可能與實際過程相差甚遠(yuǎn)。傳統(tǒng)的控制對象往往局限于單一的、有確定的物理規(guī)律的系統(tǒng)。對于復(fù) 合型系統(tǒng)，傳統(tǒng)的控制方法就顯得力不從心。3）無法滿足控制性能的高要求通常，控制系統(tǒng)需要具有所期望的控制精度、穩(wěn)定性及動態(tài)性能。為了 提高系統(tǒng)性能，傳統(tǒng)控制系統(tǒng)可能變得相當(dāng)復(fù)雜，從而使得系統(tǒng)的可靠性與 其它系統(tǒng)性能成為不可調(diào)和的矛盾?？刂葡到y(tǒng)能夠處理數(shù)值的、符號的、定性的、定量的、確定的和模糊信 息等各類信息，即要求控制系統(tǒng)具有多層次的信息處理結(jié)構(gòu)。傳統(tǒng)的控制方 法是很難做到這一點(diǎn)的。2.2現(xiàn)代控制理論面臨的問題1 ）控制對象與控制對象所處的

14、環(huán)境的變化隨著計算機(jī)網(wǎng)絡(luò)技術(shù)普及與發(fā)展，基于網(wǎng)絡(luò)的遠(yuǎn)程控制受到人們的關(guān) 注。在網(wǎng)絡(luò)環(huán)境下存在延時、數(shù)據(jù)的丟失、數(shù)據(jù)時序或序的變化及數(shù)據(jù)的非 等間隔采樣，使得網(wǎng)絡(luò)環(huán)境的空地變得十分復(fù)雜和困難。同時，網(wǎng)絡(luò)自身的 安全與控制也是一個十分重要和非常棘手的問題。不同性質(zhì)、不同控制對象組合而成的混雜系統(tǒng)還缺乏理論支持和相應(yīng)的 技術(shù)手段。多任務(wù)、多機(jī)器人的協(xié)調(diào)控制問題。2）理論問題由于復(fù)雜系統(tǒng)的建模、穩(wěn)定性與系統(tǒng)設(shè)計缺乏理論支撐和指導(dǎo)，有必要 綜合應(yīng)用其他學(xué)科，如數(shù)學(xué)、信息科學(xué)、系統(tǒng)科學(xué)與認(rèn)知科學(xué)的最新進(jìn)展來 建立一個解決復(fù)雜性問題的完整理論。3）控制要求具有多種信息或傳感信息的綜合能力；具有自學(xué)習(xí)和自適應(yīng)

15、能力，能夠 自主調(diào)整控制機(jī)構(gòu)；高可靠性；控制系統(tǒng)本身應(yīng)該具有良好的控制特性；在 出現(xiàn)故障和意外時，能及早進(jìn)行自我故障診斷及排除。現(xiàn)代控制系統(tǒng)應(yīng)該具有良好的容錯性和魯棒性。在一些情況下需要構(gòu)造一個合理的人機(jī)協(xié)作的控制系統(tǒng)?；谏鲜鰡栴}，控制科學(xué)界多年來一直在探索著新的方法，尋求更加符 合實際的 “發(fā)展軌跡 ”。近十年來，人工智能學(xué)科新的進(jìn)展給人們帶來了希 望。由于得益于計算機(jī)科學(xué)技術(shù)和智能信息處理的高速發(fā)展，智能控制逐漸 形成一門學(xué)科，并在實際應(yīng)用中顯示出強(qiáng)大的生命力。與此同時，許多控制 學(xué)科領(lǐng)域的工作者也開始認(rèn)識到，在許多系統(tǒng)中，復(fù)雜性不只是表現(xiàn)在高維 性上，更多的則是表現(xiàn)在系統(tǒng)信息的模糊性、

16、不確定性、偶然性和不完全性 上。能否用人工智能的人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯推理、啟發(fā)式知識、專家系 統(tǒng)等理論去解決難以建立精確數(shù)學(xué)模型的控制問題一直是我們十多年來追求 的目標(biāo)。3 智能信息處理技術(shù)和控制科學(xué)的交融與結(jié)合隨著許多復(fù)雜的社會經(jīng)濟(jì)與生態(tài)問題和全球網(wǎng)絡(luò)信息安全問題的出現(xiàn)及 對許多復(fù)雜系統(tǒng) “涌現(xiàn) ”機(jī)理的研究，許多科學(xué)家對傳統(tǒng)的控制理論與非線性 分析、隨機(jī)系統(tǒng)、統(tǒng)計學(xué)習(xí)、人工智能、認(rèn)知科學(xué)等學(xué)科的結(jié)合產(chǎn)生了極大 興趣，特別是將人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳計算、專家系統(tǒng)、混沌和其 它常規(guī)信號信息處理相結(jié)合，在新的層次上實現(xiàn)控制的自適應(yīng)和反饋。20 世紀(jì) 70 年代，傅京孫教授提出把人工智能的

17、直覺推理方法用于機(jī)器 人控制和學(xué)習(xí)控制系統(tǒng)，并將智能控制概括為自動控制和人工智能的結(jié)合。 傅京孫、 Glorioso 和 Sardi 等人從控制理論的角度總結(jié)了人工智能技術(shù)與自 適應(yīng)、自學(xué)習(xí)和自組織控制的關(guān)系，正式提出了建立智能控制理論的構(gòu)想。 1967 年， Leondes 和 Mendel 首次正式使用 “智能控制 ”一詞。 1985 年 8 月 在美國紐約 IEEE 召開的智能控制專題討論會，標(biāo)志著智能控制作為一個新的 學(xué)科分支正式被控制界公認(rèn)。智能控制不同于經(jīng)典控制理論和現(xiàn)代控制理論 的處理方法，它研究的主要目標(biāo)不僅僅是被控對象，同時也包含控制器本 身?？刂破鞑辉偈菃我坏臄?shù)學(xué)模型，而是

18、數(shù)學(xué)解析和知識系統(tǒng)相結(jié)合的廣義 模型，是多種知識混合的控制系統(tǒng)。經(jīng)驗主義和理性主義的模型與解釋在很大程度上影響著人類的認(rèn)知過 程。人的經(jīng)驗是在多次的 “反饋 ”過程中逐步積累。因此，對于智能和控制的 關(guān)系，應(yīng)該合理地發(fā)揮經(jīng)驗的作用，從進(jìn)化的角度把智能活動看成動態(tài)發(fā)展 的過程，即實現(xiàn)控制系統(tǒng)的 “反饋 ”應(yīng)是動態(tài)、分層、綜合的過程。智能信息 處理技術(shù)為 “反饋”提供了更 “聰明”的實現(xiàn)形式。長期以來，人們在信息處理中的認(rèn)知模型和基于感知的智能化信息處理 研究領(lǐng)域作了不少工作，取得了很大進(jìn)展，但其水平距人們所期望的還相差 甚遠(yuǎn)。這主要是由于所使用的方法與人腦的認(rèn)知信息處理過程有這種大差 別，如頻譜

19、分析方法、句法分析和傳統(tǒng)的人工智能方法等不具有開放性、動 態(tài)性和靈活性等智能信息處理方法所應(yīng)有的特征，因而它們只在特殊的應(yīng)用 領(lǐng)域內(nèi)取得有限的成功。事實上，人類的許多科學(xué)成就都來自對自然界中相應(yīng)事物的觀察和深入 研究，例如人類由鳥類的飛行得到啟發(fā)從而發(fā)明了飛機(jī)。同樣，對信息的加 工處理和智能控制系統(tǒng)的設(shè)計，自然界也給我們提供了一個非常完美的范例 人腦。因而智能信息處理系統(tǒng)的研究與發(fā)展需要借助于對大腦認(rèn)知功能 深入全面的研究。人對外部世界的認(rèn)知過程，本質(zhì)上是一個多傳感信息的融 合過程。人腦通過對多通道信息的相互監(jiān)督( self-supervision )完成學(xué)習(xí)， 從而獲得對外部事物的知識；通過

20、對多傳感信息的融合，實現(xiàn)對目標(biāo)的識別 與解釋；并可以根據(jù)已有知識對各傳感器實行控制。這種前饋和反饋過程的 完美結(jié)合，使人腦具有極高的智能水平，即使在噪聲環(huán)境下或傳感信息不可 靠時，人腦也能有效地完成其智能活動。這為構(gòu)造智能系統(tǒng)提供了完美的典 范。自從人工智能形成一個學(xué)科以來，科學(xué)家們遵循著一條明確的指導(dǎo)思 想，即研究和總結(jié)人類思維的普遍規(guī)律，并用計算機(jī)模擬它的功能實現(xiàn)。 正如飛機(jī)并不是簡單模擬鳥而發(fā)明的，因此智能信息處理系統(tǒng)的研究也不應(yīng) 該機(jī)械照搬人腦認(rèn)知模式。3.1 智能控制系統(tǒng)的基本功能特點(diǎn)1 )容錯性。對復(fù)雜系統(tǒng) (如非線性、快時變、復(fù)雜多變量和環(huán)境擾動等) 能進(jìn)行有效的全局控制，并具有

21、較強(qiáng)的容錯能力。2 ) 多模態(tài)性。定性決策和定量控制相結(jié)合的多模態(tài)組合控制。3 ) 全局性。從系統(tǒng)的功能和整體優(yōu)化的角度來分析和綜合系統(tǒng)。4) 混合模型和混合計算。對象是以知識表示的非數(shù)學(xué)廣義模型和以數(shù)學(xué) 模型表示的混合控制過程，人的智能在控制中起著協(xié)調(diào)作用，系統(tǒng)在信息處 理上既有數(shù)學(xué)運(yùn)算，又有邏輯和知識推理。5) 學(xué)習(xí)和聯(lián)想記憶能力。對一個過程或未知環(huán)境所提供的信息，系統(tǒng)具 有進(jìn)行識別記憶、學(xué)習(xí)，并利用積累的經(jīng)驗進(jìn)一步改善系統(tǒng)的性能和能力。6) 動態(tài)自適應(yīng)性。對外界環(huán)境變化及不確定性的出現(xiàn)，系統(tǒng)具有修正或 重構(gòu)自身結(jié)構(gòu)和參數(shù)的能力。7) 組織協(xié)調(diào)能力。對于復(fù)雜任務(wù)和分散的傳感信息，系統(tǒng)具有自

22、組織和 協(xié)調(diào)能力，體現(xiàn)出系統(tǒng)的主動性和靈活性。3.2 智能控制的主要研究分支1 ) 模糊邏輯控制傳統(tǒng)的控制問題一般是基于系統(tǒng)的數(shù)學(xué)模型來設(shè)計控制器，而大多數(shù)工 業(yè)被控對象是具有時變、非線性等特性的復(fù)雜系統(tǒng)，對這樣的系統(tǒng)進(jìn)行控 制，不能僅僅建立在平衡點(diǎn)附近的局部線性模型，需要加入一些與工業(yè)狀況 有關(guān)的人的控制經(jīng)驗。這種經(jīng)驗通常是定性的或定量的，模糊推理控制正是 這種控制經(jīng)驗的表示方法，這種方法的優(yōu)點(diǎn)是不需要被控過程的數(shù)學(xué)模型， 因而可省去傳統(tǒng)控制方法的建模過程，但卻過多地依賴控制經(jīng)驗。此外，由 于沒有被控對象的模型，在投入運(yùn)行之前就很難進(jìn)行穩(wěn)定性、魯棒性等系統(tǒng) 分析。近年來，一些研究者們在模糊控

23、制模式中引入模糊模型的概念，出現(xiàn) 了模糊模型。模糊模型易于表達(dá)結(jié)構(gòu)性知識，成為模糊控制系統(tǒng)研究的關(guān)鍵問題。最近，模糊控制理論成功地應(yīng)用于飛行器的優(yōu)化跟蹤設(shè)計和產(chǎn)品加工 過程。2 ) 模糊預(yù)測控制預(yù)測控制是為適應(yīng)復(fù)雜工業(yè)過程控制而提出的算法，它突破了傳統(tǒng)控制 對模型的束縛，具有易于建模、魯棒性好的特點(diǎn)，對于解決大滯后對象控制 問題是一條有效的途徑。模糊建模是非線性系統(tǒng)建模的一個重要工具，也是 復(fù)雜工業(yè)過程控制中廣泛使用的方法。把預(yù)測控制和模糊推理相結(jié)合是很有 吸引力的研究方向之一。3 ) 神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)控制是研究和利用人腦的某些結(jié)構(gòu)機(jī)理以及人的知識和經(jīng)驗對 系統(tǒng)的控制。一般地，神經(jīng)網(wǎng)絡(luò)控制

24、系統(tǒng)的智能性、魯棒性均較好，它能處 理高維、非線性、強(qiáng)耦合和不定性的復(fù)雜工業(yè)生產(chǎn)過程的控制問題。顯示了 神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制方面具有很大潛力。 雖然神經(jīng)網(wǎng)絡(luò)在利用系統(tǒng)定量數(shù)據(jù)方面有較強(qiáng)的學(xué)習(xí)能力。但它將系統(tǒng)控制 問題看成 “黑箱 ”的映射問題，缺乏明確的物理意義，不易把控制經(jīng)驗的定性 知識融入控制過程中。近來，在神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制、人工神經(jīng)網(wǎng)絡(luò)閥函數(shù) 的數(shù)字設(shè)計、新的混合神經(jīng)網(wǎng)絡(luò)模型等方面都有一些重要進(jìn)展，如應(yīng)用于機(jī) 器人操作過程神經(jīng)控制、核反應(yīng)堆的載重操作過程的神經(jīng)控制。近年來，神 經(jīng)網(wǎng)絡(luò)、模糊推理、各種特殊信號的有機(jī)結(jié)合，還導(dǎo)致了一些新的綜合神經(jīng) 網(wǎng)絡(luò)的出現(xiàn)。例

25、如，小波神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和混沌神經(jīng)網(wǎng)絡(luò)的出現(xiàn)， 為智能控制領(lǐng)域開辟了新的研究方向。4 ) 基于知識的分層控制設(shè)計對于復(fù)雜控制對象，單一地采用傳統(tǒng)控制不能獲得理想的系統(tǒng)性能，這 時需要智能的控制策略。分層控制恰好體現(xiàn)了這一思想，底層采用傳統(tǒng)的控 制方法，高層采用智能策略協(xié)調(diào)底層工作，這就是基于知識的分層控制設(shè) 計。這種控制設(shè)計理論已經(jīng)應(yīng)用到機(jī)器人、航天飛行器等領(lǐng)域。3.3 模糊推理和神經(jīng)網(wǎng)絡(luò)在控制中應(yīng)用的區(qū)別1) 模糊控制是基于規(guī)則的推理，神經(jīng)網(wǎng)絡(luò)則需要大量的數(shù)據(jù)學(xué)習(xí)樣本。 在有足夠的系統(tǒng)控制知識情況下，基于模糊規(guī)則控制較好；如果系統(tǒng)有足夠 的各態(tài)遍歷的學(xué)習(xí)樣本，應(yīng)用神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)可得到

26、滿意的控制器。2) 模糊映射在系統(tǒng)中是集合到集合的規(guī)則映射，神經(jīng)網(wǎng)絡(luò)則是點(diǎn)到點(diǎn)的 映射。模糊邏輯容易表達(dá)人們的控制經(jīng)驗等定性知識，而神經(jīng)網(wǎng)絡(luò)在利用系 統(tǒng)定量數(shù)據(jù)方面有較強(qiáng)的學(xué)習(xí)能力。3) 神經(jīng)網(wǎng)絡(luò)控制將系統(tǒng)控制問題看成 “黑箱”的映射問題，缺乏明確的物 理意義，因而控制經(jīng)驗的定性知識不易融入控制中。模糊控制一般把對被控 對象看作是 “灰箱 ”。4 控制理論的完善與控制技術(shù)的發(fā)展自從美國科學(xué)家維納于 20 世紀(jì) 40 年代創(chuàng)立控制論以來，控制科學(xué)已經(jīng) 經(jīng)歷了經(jīng)典控制理論和現(xiàn)代控制理論兩個階段，并進(jìn)入智能控制理論這一重 要發(fā)展階段，盡管還不夠成熟。在處理復(fù)雜系統(tǒng)控制問題時，傳統(tǒng)控制方法對于復(fù)雜性、

27、不確定性、突變性所帶來的問題總有些力不從心。為了適應(yīng)不同技術(shù)領(lǐng)域和社會發(fā)展對控制科學(xué)提出的新要求，我們必須發(fā)展新的控制模式。國內(nèi)外控制科學(xué)界都在探索新的控制理論，以解決各類復(fù)雜系統(tǒng)的控制問題。近年來，越來越多的學(xué)者已意識到在傳統(tǒng)控制中加入邏輯、推理和啟發(fā)式知識的重要性，把傳統(tǒng)控制理論與模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能技術(shù)相結(jié)合，充分利用人的控制知識對復(fù)雜系統(tǒng)進(jìn)行智能化控制，逐 漸形成了智能控制理論的較完整的體系?？刂瓶茖W(xué)所面臨的挑戰(zhàn)問題。1) 高度自主的復(fù)雜工程系統(tǒng)的設(shè)計與控制。我們面臨的復(fù)雜系統(tǒng)是一個 由多個子系統(tǒng)構(gòu)成，每個子系統(tǒng)本身都可能是一個復(fù)雜的、具有高度自主性 的系統(tǒng)，需要有效

28、地協(xié)調(diào)這些子系統(tǒng)的行為。所設(shè)計的工程系統(tǒng)不僅有很高 的復(fù)雜度，而且同時還要能在人監(jiān)督最少的情況下運(yùn)行良好，表現(xiàn)出高度自 主的行為。2) 智能控制與基于人類行為的智能化信息處理。智能控制方法是對傳統(tǒng) 控制方法的擴(kuò)展和提高，也是設(shè)定和完成控制目標(biāo)時實現(xiàn)高自主度所必需 的，在不確定條件下的規(guī)劃、大量數(shù)據(jù)的處理中，進(jìn)行有效的復(fù)雜過程控 制。3) 復(fù)雜工業(yè)系統(tǒng)的故障快速處理、系統(tǒng)重構(gòu)與修復(fù)，復(fù)雜環(huán)境中仿人機(jī) 器人的設(shè)計和制造，社會系統(tǒng)中的重大事變 (戰(zhàn)爭、自然災(zāi)害、金融危機(jī)) 的 應(yīng)急指揮和組織系統(tǒng)都存在著如何適應(yīng)外部世界不確定性的動態(tài)變化問題。 人類的行為特征充分反映了對外界環(huán)境的反應(yīng)能力。研究基于人

29、類行為特征的信息處理原理和方法，即研究系統(tǒng)在不確定性動態(tài)環(huán)境中的反應(yīng)能力和對 外界事務(wù)充分感知的能力。4) 學(xué)習(xí)控制系統(tǒng)。學(xué)習(xí)是自動化系統(tǒng)一直追求的目標(biāo)。它是指系統(tǒng)能夠 根據(jù)環(huán)境或目標(biāo)改變其行為。學(xué)習(xí)控制系統(tǒng)應(yīng)能夠在控制過程發(fā)生變化時修 改控制規(guī)律。5) 綜合智能處理方法。目前，人們在自適應(yīng)、監(jiān)督與迭代式設(shè)計等方面 做了大量的研究和開發(fā)工作。由于將人工智能技術(shù)引入到控制領(lǐng)域中，可用 來處理其它一些學(xué)習(xí)特征，如估計、聚類、重構(gòu)、推理、創(chuàng)造、刪除等功 能，特別是需要綜合人工智能中的多種技術(shù)來實現(xiàn)上述系統(tǒng)功能。6) 復(fù)雜系統(tǒng)的理論體系的形成。復(fù)雜系統(tǒng)的主要特征歸納為：系統(tǒng)動力 學(xué)模型的不確定性、測量信息的粗糙性和不完整性、動態(tài)行為或擾動的隨機(jī) 性、離散層次和連續(xù)層次的混雜性、系統(tǒng)動力學(xué)的高度非線性、狀態(tài)變量的 高維性和分布性、子系統(tǒng)及層次多樣性和個子系統(tǒng)間的強(qiáng)耦合性、部分子系 統(tǒng)的無法建模性等。復(fù)雜系統(tǒng)控制在規(guī)模上、復(fù)雜性及靈活性上將大大突破 傳統(tǒng)的自動控制在概念和方法上的局限性。它要求控制系統(tǒng)對被控對象的動 力學(xué)模型要有 “學(xué)習(xí) ”和“識別”能力，對環(huán)境和擾動的變化要有 “適應(yīng)”和“魯棒 ” 能力。一般地，提高系統(tǒng)的智能度