西电智能控制导论大作业(共14页).pdf

该【西电智能控制导论大作业(共14页) 】是由【学锋】上传分享，文档一共【16】页，该文档可以免费在线阅读，需要了解更多关于【西电智能控制导论大作业(共14页) 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。智能控制导论(dǎolùn)大作业摘要(zhāiyào):智能(zhìnénɡ)控制(intelligentcontrols)是一项基于(jīyú)人工智能(artificialintelligence)而发展成熟的学科。伴随(bànsuí)着人工智能的发展,人们得以将自动控制发展为智能控制。智能控制的思潮起源于20世纪60年代的自动控制专家和人工智能专家们的研究。在半个世纪的岁月中,智能控制已经得到长足的发展。1985年IEEE在纽约召开了第一届智能控制学术讨论会,随后成立的IEEE智能控制专业委员会更是标志着智能控制这一新学科的形成。近30年,科学界和工程界对智能控制的研究也越发的活跃起来。智能控制作为一门新兴学科正式登上了国际科学的舞台,并对各界有者十分重要的意义和影响。现在的通常指的智能控制主要包括但不限于:神经网络控制贝叶斯控制模糊(逻辑)控制神经模糊控制专家系统遗传控制智能代理(认知/意识控制)关键词:智能(zhìnénɡ)控制发展(fāzhǎn)理论(lǐlùn)方法(fāngfǎ)应用前景前言:智能控制是一类新的控制技术,利用各种智能计算方法如神经网络,贝叶斯概率,模糊逻辑,机器学习,进化计算和遗传算法来实现功能。智能控制正渐渐取代自动控制并成为人类自动控制科学技术的未来。智能控制发展简史:早在中古时代,人们就有了对智能机器及对其进行控制的的幻想,比如传说中鲁班制造的机械鸟。到了启蒙时期,文艺复兴带来的思想解放也使人们更加大胆的去幻想各种智能机器。意大利人达芬奇流传下来的图纸中就有了不少关于智能机械的设想。到了工业时代,差分机的设想被认为是现代计算机的起源,(Ada语言即使以她为名)甚至开始研究算法,编写程序,希望差分机能智能地解决数学问题。进入20世纪之后,计算机的真正面世以及人工智能的出现开辟了用智能机器代替人类从事脑力劳动的新纪元。下面便详细说下智能控制在20世纪的发展自1932年奈魁斯特()的有关反馈放大器稳定性论文发表以来,控制理论的发展已走过了60多年的历程。一般认为,前30年是经典控制理论的发展和成熟阶段,后30年是现代控制理论的形成和发展阶段。随着研究的对象和系统越来越复杂,借助于数学模型描述和分析的传统控制理论已难以解决复杂系统的控制问题。智能控制是针对控制对象及其环境、目标和任务的不确定性和复杂性而产生和发展起来的。从20世纪60年代起,计算机技术和人工智能技术迅速发展,为了提高控制系统(kònɡzhìxìtǒnɡ)的自学习能力,控制界学者开始将人工智能技术应用于控制系统。1965年,美籍华裔科学家傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统,1966年,Mendel进一步在空间飞行器的学习控制系统中应用了人工智能技术,并提出(tíchū)了“人工智能控制”的概念。0967年,Leondes和Mendel首先正式使用(shǐyòng)“智能控制”一词。20世纪(shìjì)70年代初,傅京孙、Glofis0和Saridis等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系,提了智能控制出就是人工智能技术与控制理论的交叉的思想,并创立了人机交互式分级递阶智能控制的系统结构。20世纪70年代中期,以模糊集合论为基础,智能控制在规则控制研究上取得了重要进展。1974年,Mamdani提了出基于模糊语言描述控制规则的模糊控制器,将模糊集和模糊语言逻辑用于工业过程控制,之后又成功地研制自出组织模糊控制器,使得模糊控制器的智能化水平有了较大提高。模糊控制的形成和发展,以及与人工智能的相互渗透,对智能控制理论的形成起了十分重要的推动作用。20世纪80年代(niándài),专家系统技术的逐渐成熟及计算机技术的迅速发展,使得智能控制和决策的研究也取得了较大进展。1986年,《专家控制》中,将人工智能中的专家系统技术引入控制系统(kònɡzhìxìtǒnɡ),组成了另一种类型的智能控制系统——专家控制。90年代(niándài)以来,智能控制(kòngzhì)这一学科的研究越发活跃,成为21世纪重要研究课题之一。体系框架:自1971年傅京孙教授提出“智能控制”概念以来,智能控制已经从二元论(人工智能和控制论)发展到四元论(人工智能、模糊集理论、运筹学和控制论),,认为智能控制是自动控制(AC)和人工智能(AI)的交接作用到了1977年,萨里迪斯将傅先生的智能控制扩展为三元结构,即把智能控制看作是人工智能、自动控制和运筹学(OR)的交接。萨里迪斯认为,构成二元论无法使智能控制有效应用,必须引入运筹学的概念,使其成为三元交集中的一个子集。在构成三元结构的同时,萨里迪斯还提出分级智能控制系统,它由三个智能感知级组成,为:第一级:组织(zǔzhī)级系统)的调节和控制的一般规律的研究。离散控制理论在计算中也有很广泛的应用。自动控制是工程科学的一个分支。它涉及利用反馈原理的对动态系统的自动影响,以使得输出值接近我们想要的值。从方法的角度看,它以数学的系统理论为基础。我们今天称作自动控制的是二十世纪中叶产生的控制论的一个分支。基础的结论是由诺伯特·维纳、鲁道夫·卡尔曼提出的。人工智能是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通电脑实现的智能。该词同时也指研究这样的智能系统是否能够实现,以及如何实现的科学领域。人工智能的研究是高度技术性和专业的,各分支领域都是深入且各不相通的。人工智能的研究可以分为几个(jǐɡè)技术问题。其分支领域主要集中在解决具体问题,其中之一是,如何使用各种不同的工具完成特定的应用程序。AI的核心问题包括推理,知识,规划(guīhuà),学习,交流,感知,移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前比较流行的方法包括统计方法,计算智能和传统意义的AI。目前(mùqián)有大量的工具应用了人工智能,其中包括搜索和数学优化,逻辑,基于概率论和经济学的方法等等。运筹学(OperationsResearch,又被称作作业研究),是一门应用数学学科,利用统计学和数学模型等方法,去寻找复杂问题中的最佳或近似最佳的解答。运筹学经常(jīngcháng)用于解决现实生活中的复杂问题,特别是改善或优化现有系统的效率。研究运筹学的基础知识包括矩阵论和离散数学,在应用方面多与仓储、物流等领域相关。因此运筹学与应用数学、工业工程专业密切相关。运筹学是一门研究怎么样处理事情更有效的学科,比如机械动作合理安排,计算机的多线程,高层建筑材料的合理分配,不同动植物的共同养殖等都是当今社会经济发展的热点。信息论(informationtheory)是运用概率论与数理统计的方法研究信息(xìnxī)、信息熵、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。信息论将信息的传递作为(zuòwéi)一种统计现象来考,虑给出了估算通信信道容量的方法。信息传输和信息压缩是信息论研究中的两大领域。这两个方面又由信道编码定理、信源-信道隔离定理相互联系。而各种(ɡèzhǒnɡ)智能科学计算方法包括:人工神经网络(work,缩写(suōxiě)ANN),简称神经网络(work,缩写NN),是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具,常用来对输入和输出间复杂的关系进行建模,或用来探索数据的模式。神经网络是一种运算模型,由大量的节点(或称“神经元”,或“单元”)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(weight),这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。模糊逻辑是处理部分真实概念的布尔逻辑扩展。经典逻辑坚持所有事物(陈述(chénshù))都可以用二元项(0或1,黑或白,是或否)来表达,而模糊逻辑用真实度替代了布尔真值。这些陈述表示实际上接近于日常人们的问题和语意陈述,因为(yīnwèi)“真实”和结果在多数时候是部分(非二元)的和/或不精的(不确准确的,不清晰(qīngxī)的,模糊的)。真实度经常(jīngcháng)混淆于概率。但是它们在概念上是不一样的;模糊真值表示在模糊定义的集合中的成员归属关系,而不是某事件或条件的可能度(likelihood)。要展示这种区别,考虑下列情节:Bob在有两个毗邻的屋子的房子中:厨房和餐厅。在很多情况下,Bob的状态是在事物“在厨房中”的集合内是完全明确的:他要么“在厨房中”要么“不在厨房中”。但Bob站在门口的时候怎么办呢?它可被认为是“部分的在厨房中”。量化这个部分陈述产生了一个模糊集合成员关系。比如,只有他的小脚趾在餐厅,“在厨房中”。只要Bob站在了门口,就没有事件(如抛硬币)能解决他完全的“在厨房中”或“不在厨房中”。模糊集合是基于集合的模糊定义而不是随机性。模糊逻辑允许在包含0和1的它们之间集合成员关系值,同于黑和白之间的灰色,在它的语言形式中,有不精的概念确如稍微相当和非常。特别是,它允许在集合中的部分成员关系。它有关于模糊集合和可能性理论。它是年卢菲特·泽德教授在加洲大学伯克力分校介入的。遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,它借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优解。遗传算法操作(cāozuò)使用适者生存的原则,在潜在的解决方案种群中逐次产生一个近似最优解的方案,在遗传算法的每一代中,根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择,产生一个新的近似解。这个过程导致种群中个体的进化,得到的新个体比原来个体更能适应环境,就像自然界中的改造一样。遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法,是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来(qǐlái)的,这些现象包括遗传、突变、自然选择以及杂交等。除此之外还包括机器(jīqì)学习、进化(jìnhuà)算法、贝叶斯概率、模式识别和机器学习等等。现在实用的智能控制技术有专家控制系统、模糊控制系统、神经网络控制系统、学习控制系统、遗传控制系统等等。下面(xiàmian)重点介绍几个: