摘要：20世纪20年代，在建立了以频域法为主的经典控制理论的基础上，智能控制技术逐步发展。随着信息技术的进步，

　　许多新方法和新技术进入工程化、产品化阶段。这对自动控制理论技术提出了新的挑战，促进了智能理论在控制技术中的应

　　用。在智能控制技术比较的基础上，较详细地阐述了智能控制技术主要方式的特点及优化算法，并举例说明。智能控制技术

　　20世纪20年代，在建立了以频域法为主的经典控制理论的基础上，智能控制技术逐步发展。控制技术首先

　　在工业生产中得到了广泛的应用。在空间技术发展的推动下，50年代出现了以状态空间法为主的现代控制理论，

　　拓展了控制领域。60年代以来，随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动

　　控制技术提出了新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的

　　控制问题。常见的有智能机器人系统、计算机集成制造系统(CIMS)、复杂的工业过程控制系统、航天航空控制

　　系统、社会经济管理系统、交通运输系统、通信网络系统、环保与能源系统等；显然。这些复杂系统具有以下

　　特点：①控制对象存在严重的不确定性，控制模型未知或模型的结构和参数在很大的范围内变化；②控制对象

　　智能控制与传统控制相比，在理论方法、应用领域、性能指标等方面存在明显的不同，主要表现在：

　　①在应用领域方面，传统控制着重解决不太复杂的过程控制和大系统的控制问题；而智能控制主要解决高

　　②在理论方法上，传统控制理论通常采用定量方法进行处理，而智能控制系统大多采用符号加工的方法；

　　传统控制通常捕获精确知识，而智能控制通常是学习积累非精确知识；传统控制通常是用数学模型来描述系统，

　　③在性能指标方面，传统控制有严格的性能指标，智能控制没有统一的性能指标，而主要关注其目的和行

　　常见的智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等，以

　　模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础，以先验知识和专家经验作为控制规则

　　其基本思想是用机器模拟人对系统的控制，就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手

　　段，实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定，以及控制规则的制定。二者缺

　　与传统控制相比，模糊推理不需要精确的数学模型，其设计主要建立在相关数据与规则的基础之上，因此

　　适于解决非线性系统的控制问题；而且模糊控制的鲁棒性好，自适应性强，适用于时变、时滞系统。但是模糊

　　控制也有其自身的弊端，如学习能力不强，设计时控制规则的拟订过于依赖经验和专家知识，因此有时精确度

　　专家控制是将专家系统的理论技术与控制理论技术相结合，仿效专家的经验，实现对系统控制的一种智能

　　控制。主体由知识库和推理机构组成，通过对知识（经验、动态信息、控制目标）的获取与组织，按某种策略

　　专家控制可以灵活地选取控制率，灵活性高；可通过调整控制器的参数，适应对象特性及环境的变化，适

　　应性好；通过专家规则，系统可以在非线性、大偏差的情况下可靠地工作，鲁棒性强。

　　但是由于专家控制主要依据知识表示技术确定问题的求解途径，采用知识推理的各种方法求解问题及制订

　　决策。因此如何获取专家知识，并将知识构造成可用的形式就成为研制专家系统的主要“瓶颈”之一。另一方

　　面，专家控制系统是一个动态系统，因此如何在控制过程中自动更新和扩充知识，并满足实时控制的快速准确

　　性需求是非常困难的。此外，专家控制系统的稳定性分析也是一个研究难题，由于其涉及的对象本质是非线性

　　神经网络模拟人脑神经元的活动，利用神经元之间的联结与权值的分布来表示特定的信息，通过不断修正

　　连接的权值进行自我学习，以逼近理论为依据进行神经网络建模，并以直接自校正控制、间接自校正控制、神

　　③ 由于大量神经元之间广泛连接，即使有少量单元或九游体育,九游体育股份有限公司,九游体育官方网站,九游Sports连接损坏，也不影响系统的整体功能，表现出很强的

　　显然，神经网络具有学习能力、并行计算能力和非线性映射能力，在解决高度非线性和严重不确定性系统

　　的控制方面具有很大潜力；但是，目前神经网络控制的研究大多仍停留于数学仿真和实验室研究阶段，极少用

　　控制理论与技术向着两个方向发展，一是理论方法本身研究的深入；二是将不同的方法适当地结合在一起，

　　获得单一方法所难以达到的效果, 即智能控制技术的集成。智能控制技术的集成包括两方面：一方面是将几种

　　智能控制方法或机理融合在一起，构成高级混合智能控制系统，如模糊神经(FNN)控制系统、基于遗传算法的模

　　糊控制系统、模糊专家系统等；另一方面是将智能控制技术与传统控制理论结合，形成智能复合型控制器。如

　　遗传算法（GA）是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。遗传算法依照所选择的适配

　　值函数，通过遗传中的复制、交叉及变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新

　　的群体既继承了上一代的信息，又优于上一代，这样周而复始，群体中个体适应度不断提高，直到满足一定的

　　① 从许多初始点开始进行并行操作，克服了传统优化方法容易陷入局部极点的缺点，是一种全局优化算法；

　　② 对变量的编码进行操作，可替代梯度算法，在模糊推理隶属度函数形状的选取上具有更大的灵活性；

　　遗传算法在控制领域中，已被用于研究离散时间最优控制、Riccati方程的求解和控制系统的鲁棒稳定问题等。

　　近年来，遗传算法已成为模糊神经网络训练的有力工具，用来训练神经网络权值，对控制规则和隶属度函数进

　　蚁群算法的基本思想：当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的

　　① 蚂蚁群体行为表现出正反馈过程,通过反馈机制的调整,可对系统中的较优解起到一个自增强的作用。使

　　② 蚁群算法是一种本质并行的算法。个体之间不断进行信息交流和传递。有利于较好解的发现。并在很大

　　③ 蚂蚁之间没有直接联系,而是通过路径上的信息索进行信息的传递，是间接通信。

　　蚁群算法不仅能够智能搜索、全局优化，而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特

　　点。Marco Dorigo等人将蚁群算法先后应用于旅行商问题、资源二次分配问题等经典优化问题，得到了较好的

　　效果。在动态环境下，蚁群算法也表现出高度的灵活性和健壮性，如在集成电路布线设计、电信路由控制、交

　　通建模及规划、电力系统优化及故障分析等方面都被认为是目前较好的算法之一。

　　众所周知，列车运行过程中受到许多不确定因素的影响，是一类复杂动力学过程，难以用常规方法进行建

　　模，其在不同的工作条件下，控制目标和控制策略随过程特性的变化而大不相同，因此用常规的控制理论很难

　　。针对该控制对象的特性，研究了一种高速列车运行过程的直接模糊神经控制器，提出了一种

　　基于模糊神经自适应控制的方法。该方法利用模糊神经网络来辨识列车运行的逆动力学模型，并以此模型作为

　　控制器提供给列车主要的广义驱动力，加上常规的控制器构成完整的控制系统；当神经网络给出的驱动力合适，

　　系统误差较小，常规控制器的控制作用就变弱；反之，常规控制器起主要的控制作用。模糊规则的制定是利用

　　常规控制器提取初始模糊规则，利用专家经验对初始规则进行补充，最后利用误差的反向传播算法对参数进行

　　图1所示是上面提出的控制系统的结构图，它主要包括一个模糊逻辑控制器(FLC)，一个学习控制器和一个

　　前馈控制器。在反馈控制回路中，FLC向列车自动运行系统提供控制信号，在学习网路中，采用了动态回归神

　　为复杂的计算；DRNN 被用来模拟列车运行的逆动力学特性。神经网络的权值在整个控制过程中可以根据FLC

　　图2所示是DRNN 结构图，它包括一个含有n个非线性节点的隐含层，一个含有n

　　节点用来捕获系统的非线性，同时线性节点可以允许对任意范围的近似，神经网络的权值可以根据列车运行系

　　统的实际运动进行在线训练，神经网络经过训练后首先获得系统的动力学特性，然后将它放置在前馈回路中用

　　在配电网的规划中，需要根据现场条件，可靠性要求及相关约束条件寻找一种优化的规划方案来实现各个

　　= − − + 。重复执行上述过程，直到所有的负荷节点都被连入树。当蚂蚁的每次游程结束即构建

　　传统控制无法胜任的控制对象与领域给了智能控制发展的动力与空间，它的未来给人们以无限的遐想。尽

　　管智能控制的理论与一些规则还远未达到完善的地步，很多应用尚停留在实验仿真阶段，但作为交叉学科，随

　　着各个科学理论的不断完善与发展，相信智能控制技术也将不断地发展和充实，并不断渗透到各个应用领域，

　　3 蔡自兴. 智能控制－基础与应用[M]. 北京: 国防工业出版社, 1998.

　　第一作者顾伟军，男，1976 年生，现为华东理工大学在读硕士研究生；主要从事控制理论研究与工程应用研究。