【正文】 我希望經(jīng)過相關(guān)學者的進一步研究，將來智能控制能 夠得到廣泛應用， 給人類的生活帶來新的變革。 比如， 2020 年將一個四層遞階控制系統(tǒng)用于紅旗車自主的自動駕駛，它主要是以任務層分解為基礎，提出了四層模塊化汽車自 主 駕駛控制系統(tǒng)結(jié)構(gòu)，四個層次依次是：任務規(guī)劃 、行為決策、行為規(guī)劃和操作控制。而多級描述則是考慮各自系統(tǒng)的關(guān)聯(lián)，將決策問題進行橫向分解（ n 級）。 （三） 執(zhí)行級 ： 執(zhí)行由協(xié)調(diào)級發(fā)出的指令。 其中，應用最為廣泛的是由薩里迪斯提出的基于 3 個控制層次和 IPDI 原理的三層 遞階智能控 制系統(tǒng)。 根據(jù)所查到的文獻資料表明，學習控制理論研究的成果不僅零散，而且在研究中還存在著這樣或那樣的不足，主要表現(xiàn)在以下幾個方面：學習控制不收斂，導致目標跟蹤精度太差，學習控制算法不是全局而只是局部收斂，很大程度上依賴于初始輸入信號 ， 而這在實際工程應用中是很難把握的 。 如圖 3 所示為 迭代學習控制原理框 圖 迭代學習控制是一種學習控制策略，它通過迭代應用先前試驗得到的信息（而不是系統(tǒng)參數(shù)模型），以獲得能夠產(chǎn)生期望輸出軌跡的控制輸入，改善控制質(zhì)量。 2. 基本方法 學習控制具有四個主要功能： 搜索、識別、記憶和推理。 論，從發(fā)展學習控制的角度首先提出智能控制的概念。 3． 個人總 結(jié) 從 開始的對人工神經(jīng)網(wǎng)絡的初步了解到最后模型的建立，我 對人工神經(jīng)網(wǎng)絡的認識不斷加深。 它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使網(wǎng)絡的誤差平方和最小。 （ 1） Hebb學習方法 Hebb 規(guī)則是最早的神經(jīng)網(wǎng)絡學習規(guī)則之一，是一種聯(lián)想式學習方法，由Donald Hebb 在 1949 年作為大腦的一種神經(jīng)元突觸調(diào)整的可能機制而提出，從那以后 Hebb 規(guī)則就一直用于人工神經(jīng)網(wǎng)絡的訓練。 1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡得到了國際重視，許多國家都展開研究，形成神經(jīng)網(wǎng)絡發(fā)展的另一個高潮。神經(jīng)網(wǎng)絡的發(fā)展大致經(jīng)歷了三個發(fā)展階段： 19461969為初期，在此期間的主要工作包括 Hebb(1949)《 The Organization of Behavior》一書中提出的 Hebb學習規(guī)則，他的基本思想是：大腦在器官接受不同的任務刺激時，大腦的突觸在不斷的進行變化，這些不停的變化導致了大腦的自組織形成細胞集合，循環(huán)的神經(jīng)沖動會自我強化。 3． 個人總結(jié) 對模糊控制的學習，從中我了解了 模糊數(shù)學的基本思想，作為一種 研究和處理模糊性現(xiàn)象的一種數(shù)學理論和方法 ，它以不確定的物理事物為研究對象，更加接近工程實用， 相比于其他幾種控制方法，現(xiàn)階段在工程上模糊控制得到了更好的應用 ,模糊控制作為智能控制領(lǐng)域最具有實際意義的一 種方法，已經(jīng)在工業(yè)控制領(lǐng)域，家用電器自動化領(lǐng)域和其他很多行業(yè)中解決了傳統(tǒng)控制方法無法或者難以解決的問題 ，取得了令人矚目的成果。模糊控制對數(shù)學模型的依賴性弱，不需要建立過程的精確數(shù)學模型。 (4) 邏輯判斷 ： 模仿人類下判斷時的模糊概念，運用模糊邏輯和模糊推論法進行推論，而得到模糊控制訊號。在傳統(tǒng)的控制領(lǐng)域里，控制系統(tǒng)動態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關(guān)鍵，系統(tǒng)動態(tài)的信息越詳細，則越能達到精確控制的目的。但是一些學者發(fā)現(xiàn)人類在處理復雜對象的過程，并不是首先建立被控對象的數(shù)學模型，然后根據(jù)這一模型去精確地計算出系統(tǒng)所需要的控制量，而是完全在模糊概念的基礎上利用模糊的量完成對系統(tǒng)的合理控制。 Petri網(wǎng)作為一種高效的建模和分析工具，近年來得到了快速的發(fā)展，但是 Petri網(wǎng)作為一種純理論工具，并不能適合所有領(lǐng)域的應用需求。 知識庫是專家系統(tǒng)的核心組成部分，用于存取和管理問題求解所需的專家知識和經(jīng)驗。 圖 3 直接專家控制系統(tǒng) 專 家系統(tǒng)間接地對控制信號起作用，或者說，當 基于知識的控制器僅僅間接影響控制系統(tǒng)時（譬如監(jiān)督控制系統(tǒng)，調(diào)節(jié) 關(guān)鍵結(jié)構(gòu)參數(shù)；又如為了避免控制回路的突發(fā)效應切斷參數(shù)估計過程等），我們把這種專家控制稱為間接專家控制系統(tǒng)，或監(jiān)控專家控制。 專家控制系統(tǒng)的工作原理 專家控制系統(tǒng)有知識基系統(tǒng)、數(shù)值算法庫和人－機接口三個并發(fā)運行的子過程。 推理機是專家系統(tǒng)的 “思維 ”機構(gòu)，實際上是求解問題的計算機軟件系統(tǒng)?，F(xiàn)在，專家系統(tǒng)已成為人工智能領(lǐng)域中最活躍、最受重視的領(lǐng)域。一般的專家控制系統(tǒng)由三部分組成，一是控制機制，它決定控制過程 的策略，即控制哪一個規(guī)則被激活以及什么時候被激活等?；谶@種認識，人們將各種學科大膽地應用 于控制中引出了許多新理論和新方法。 智能控制作為 當今多學科交叉的前沿領(lǐng)域之一 ， 是應用人工智能的理論與技術(shù)和運籌學的優(yōu)化方法，并將其同控制理論方法與技術(shù)相結(jié)合，在未知環(huán)境下，仿效人的智能，實現(xiàn)對系統(tǒng)的控制。 縱觀智能控制產(chǎn)生、發(fā)展的歷史背景與現(xiàn)狀，其研究中心始終是解決傳統(tǒng)控制理論、方法 (包括古典控制、現(xiàn)代控制、自適應控制、魯棒控制、大系統(tǒng)方法等 )所難以解決的不確定性問題 。 一 專家控制 1． 概述 專家控制 （ Expert Control） 是智能控制的一個重要分支，又稱專家智能控制。為了提高控制性能，傳統(tǒng)控制系統(tǒng)可能變得很復雜，不僅增加設備投資，而且會降低系統(tǒng)的可靠性。知識庫和推理機是專家系統(tǒng)中兩個主要的組成要素。綜合數(shù)據(jù)庫的內(nèi)容是在不斷變化的?？刂扑惴ǜ鶕?jù)來自知識基系統(tǒng)的配置命令和測量信號計算 控制信號，例如 PID 算法、極點配置算法、最小方差算法、離散濾波器算法等，每次運行一種知識基系統(tǒng)定時信箱解釋信箱入口信箱應答信箱出口信箱定時操作人 機接口數(shù)值算法庫A / DD / A受控過程用戶 控制算法。 作為一個六人小團隊，我們在課堂上所做的報告在內(nèi)容上各有分工，我 主要是對 知識庫中知識表示方法 在課堂上作了自己的報告。為了證明如何使用問題歸約法求解問題我們引入一個例子 —— “梵塔難題”。模糊控制從其誕生 至今也不過 30 年的時間， 1974 年馬達尼 (Maindani)教授在他的博士論文中首次論述了如何將模糊邏輯應用于過程控制，從而開創(chuàng)了模糊控制的先河。自我完善模糊控制階段指具有參數(shù)自調(diào)整、自組織和自學習功能的模糊控制器，這樣使模糊控制系統(tǒng)的性能得到了很大的提高。其中 e、 ec、 u 統(tǒng)稱為模糊變量。類似于 PID控制器，二維模糊控制器一般也稱 PD或 PI型模糊控 制器，三維模糊控制器稱為 PID型模糊控制器。但是，一方面由于模糊現(xiàn)象本身存在著差異，而另一方面，由于每個人在專家知識、實踐經(jīng)驗、判斷能力等方面各有所長，即使對于同一模 糊概念的認定和理解，也會具有差別性，因此，隸屬函數(shù)的確定又是帶有一定的主觀性，僅多少差異。它有如下特點：能充分逼近任意非線性特性；分布式并 行處理機制；自學習和自適應能力；數(shù)據(jù)融合能力；適合于多變量系統(tǒng)；多變量處理；以及可硬件實現(xiàn)。 19811984年 Kohonen提出自組織映射網(wǎng)絡模型。 圖 1 神經(jīng)元結(jié)構(gòu) 從圖中可見，它是一個多輸入、單輸出的非線性元件，其輸入 /輸出關(guān)系可描述為 1()niiiI w xy f I??? ???????? 其中 ( 0,1,..., )ix i n? 是從其它細胞傳來的輸入信號， ? 為閾值，權(quán)系數(shù) iw 表示連接的強度，說明突觸的負載。 下面簡單介紹一下 BP網(wǎng)絡。若輸出層得不到期望輸出 ， 則轉(zhuǎn)向反向傳播 ， 在反向傳播階段 ， 誤差信號沿誤差函數(shù)負梯度方 向不斷地修正各層的權(quán)值和閾值 ， 使得誤差信號最終達到輸出精度要求 ， 從而實現(xiàn)輸入和輸出的非線性映射。神經(jīng)網(wǎng)絡的應用已經(jīng)涉及各個領(lǐng)域，并且在智能控制、模式識別、信號處理、連續(xù)語音識別、圖像處理、生物醫(yī)學工程等方面均取得了實質(zhì)性的進展。當受控對象的運 動具有可重復性時，即受控制系統(tǒng)每次進行同樣的工作時，就可把學習控制用于該對象。迭代學習控制最早是在工業(yè)機器人的快速跟蹤控制的研究中提出的，這種控制方法適合 于某種具有重復運動性質(zhì)的被控對象，利用系統(tǒng)先前的控制經(jīng)驗和輸出誤差來修正當前的控制作用，使系統(tǒng)輸出盡可能收斂于期望值。如圖 4 所示為基于模式識別的學習控制。 從