1.3 智能控制方法

近年来，神经网络、模糊数学、计算智能、强化学习等各学科的发展给智能控制注入了巨大的活力，由此产生了各种智能控制方法，如图1.4所示。其中主要的有如下几种。

1. 分级递阶智能控制

分级递阶智能控制（Hierarchical Intelligent Control）是从系统工程出发，总结了人工智能与自适应控制、自学习控制和自组织控制的关系之后逐渐形成的，是智能控制最早的理论之一。

分级递阶智能控制有两种比较重要的理论。

（1）知识基/解析混合多层智能控制（Knowledge-based/Analytical Hybrid Multi-layer Intelligent Control）理论。该理论是由意大利学者A.维拉（A.Villa）提出的，可用于解决复杂离散事件系统的控制设计问题。

（2）美国学者萨里迪斯提出的分层递阶智能控制理论。按照这种理论设计的智能控制系统主要由3个控制级组成，按智能控制的高低分为组织级、协调级、执行级，如图1.5所示。并且这3个控制级遵循“伴随智能递降，精度递增”原则，利用熵函数来衡量每一个控制级的执行代价和效果，用熵进行最优决策。这一理论为现代工业、空间探测、核处理和医学领域应用自主控制系统提供了一种有效的方法。总之，分层递阶智能控制是为求解复杂系统寻优、决策和控制问题而提出来的，是研究多级自寻优控制、多级模糊控制、多级专家控制、多目标预测控制以及大型空间运动结构系统控制的有效方法。

2. 模糊控制

美国著名控制论专家扎德于1965年发表了模糊集合论，该理论奠定了模糊控制的理论基础。模糊集合论主要将模糊推理规则转换成控制决策，适用于难以建模的被控对象，但很难实现高精度。

模糊控制器的结构如图1.6所示，具有4个功能模块，分别是模糊化、规则库、模糊推理和清晰化。模糊化是将精确量变换为模糊量，而清晰化是将模糊量变换为精确量，规则库用于存储控制系统的模糊语言变量的推理规则和系统参数。

3. 神经网络控制

20世纪50年代末就已问世的人工神经元网络模仿生物神经系统，主要模仿人脑神经元的信息处理功能，如信息处理、判断、决策、联想、记忆、学习等，以实现仿人行为的智能控制。1980年以后为神经网络的发展期，如1982年霍普菲尔德教授提出了Hopfield神经网络，解决了回归网络的学习问题；1986年鲁梅尔哈特和麦克莱兰提出了BP网络，实现了有导师指导下的网络学习，为神经网络的应用开辟了广阔的发展前景。将神经网络引入控制领域就形成了神经网络控制。

4. 基于遗传算法的参数优化控制

遗传算法起源于对生物系统进行的计算机模拟研究，是模拟生物的遗传和长期进化过程发展起来的一种搜索和优化算法。遗传算法是20世纪60年代由美国密歇根大学的J.H.霍兰（J.H.Holland）教授首先提出的，其主要特点是对所要求解的问题无连续性、可微性要求，只需知道目标函数的信息，在寻优过程中，保持整个种群的进化，采用选择、交叉、变异等概率搜索技术，并以决策变量的编码作为运算对象。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

遗传算法可用于模糊控制规则的优化、神经网络参数及权值的学习，在智能控制领域有广泛的应用。

5. 基于知识工程的专家控制系统

将专家系统作为控制器（即专家控制器）应用于控制系统，使控制系统具有良好的动态和稳态性能、良好的鲁棒性和适应性。专家控制系统一般具有模糊专家智能的功能，采用专家系统技术与控制理论相结合的方法设计，其结构如图1.7所示。专家控制系统将专门领域中的问题求解思路、经验、方式与传统控制理论结合，表现出一种拟人的智能性。

6. 各种智能控制方法的交叉和结合

为了发挥各种不同智能控制方法的优点，弥补它们各自的缺点，各种互相结合、互相交叉渗透的智能控制方法不断被提出和研究，如模糊神经网络控制、模糊学习控制、模糊进化控制。

7. 各种智能控制方法与传统控制方法的交叉和集成

如果既能发挥智能控制方法的优点，也能发挥传统控制方法的优点，那么在工程实际中可获得很好的控制效果。这不仅是方法研究的交叉，而且是多学科研究的交叉和发展。这些交叉和集成的控制方法有模糊变结构控制、自适应模糊控制、自适应神经网络控制、神经网络变结构控制和模糊专家PID（Proportional-Integral-Derivative，比例-积分-微分）控制等。