智能控制技术及其应用

1、智能控制技术及其应用顾伟军彭亦功(华东理工大学，上海ciicow)摘要:ci世纪ci年代，在建立了以频域法为卞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。能控制技术比较的基础上，较详 细地阐述了智能控制技术卞要方式的特点及优化算法，并举例说明。智能控制技术将小断地 发展和充实。关键词:智能控制模糊控制专家控制神经网络控制优化算法 y引言ci世纪ci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

2、空问技术发展的推动下，hi年代岀 现了以状态空问法为主的现代控制理论，拓展了控制领域。yi年代以来，随着信息技术的发 展，许多新力一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，以解决用传统的力一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(u zk)、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:口控制对象存在严重的小确定性，控制模烈末知或模烈 的结构和参数在很大的范围内变化;口控制对象具有高度的非线性特征;口控

3、制任务要求复 杂。w智能控制与传统控制的比较智能控制与传统控制相比，在理论法、应用领域、性能指标等而存在明显的小同，主要 表现在：1. 在应用领域而，传统控制着重解决小太复杂的过程控制和大系统的控制问题;而智 能控制主要解决高度非线性、小确定性和复杂系统控制问题；2. 在理论力一法上，传统控制理论通常采用定量力法进行处理，而智能控制系统大多 采用符号加工的力法;传统控制通常捕获精确知识，而押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烈来描述系统，而智能控制系统则是通过经验、 规则用符号来描述系统；3. 在性能指标力一而，传统控制有严格的性能指标，智能控制没有统-的性能指标， 而主

4、要关注其目的和行为是否达到7智能控制技术的主要方法智能控制技术的主要力一法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等，以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。oew模糊控制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烈的基 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暈 的隶属度函的确定，以及控制规则的制定，二者缺一小可。与传统控制相比，模糊推理小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

5、线性系统的控制问题;而1_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，如学习能力小强，设计时控制规 则的拟订过于依赖经验和专家知识，囚此有吋精确度小高。7 r7专家控制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。主体山知识库和推理机构组成，通过对知识的获取与组织，按某种 策略适时选用恰当的规则进行推理，以实现对控制对象的控制。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ii地工作, 鲁棒性强。

6、但是山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。囚此如们获取专家知识，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;另一力一而，专家控制系统是一个动态系统，囚此如们在控 制过程中自动史新和扩充知识，并满足实吋控制的快速准确性需求是非常困难的。以目前的 稳定性分析力一法很难h_接用于专家控制系统)。7 ru神经网络控制神经网络模拟人脑神经元的活动，利用神经元z问的联结与权值的分布来表示特定的 信息，通过小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 14_接自校正控制、问接自校正控制、神经网络预测控制等

7、力一式实现智能控制，与传统控 制相比具有如下的优势：口能够充分逼近任意复杂的非线性系统;口能够学习和适应严重小确定性系统的动态 特性；口山于大量神经元之问广泛连接，即使有少量单元或连接损坏，也小影响系统的整体功 能，表现出很强的鲁捧性和容错性；口采用并行分布处理力一法，使得快速进行大量运算成为可能。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 严重小确定性系统的控制而具有很大潜力;但是，目前神经网络控制的研究大多仍停留于学 仿真和实验室研究阶段，极少用于实际系统的控制。7rp智能控制技术的集成控制理论与技术向着两个力一向发展:一是理论力一法本身研究的深入;二是将

8、小同的 力一法适当地结合在一起，获得单一力一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扌舌两方而:一方而是将几种智能控制方法或机理融合在起，构成高级混 合智能控制系统，如模糊神经()控制系统、基于遗传算法的模糊控制系统、模糊专家系统等; 另一力一而是将智能控制技术与传统控制理论结合，形成智能复合烈控制器，如模糊控制、 神经元控制、模糊滑模控制、神经网络最优控制等7re优化算法tr ra遗传算法遗传算法()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

9、群体，新群体既继承了上一代的信息，又优于上一代，这样周而复始, 群体中个体适应度小断提高，h_到满足定的条件。遗传算法具有以下优点:口从许多初始点开始进行并行操作，克服了传统优化力一法容易陷入局部极点的缺点， 是一种全局优化算法；口对变量的编码进行操作，替代梯度算法，在模糊推理隶属度函数形状的选取上具有史 大的灵活性；口对所要求解的问题小要求其连续性和可微性，只需知道目标函数的信息；口山于具有隐含并行性，所以可通过大规模并行计算来提高计算速度；口可在没有任们先验知识和专家知识的情况下収得次优或最优解。遗传算法在控制领域中，已被用于研究离散时问最优控制、力一程的求解和控制系统的 鲁棒稳定问题等。

10、遗传算法用来训练神经网络权值，对控制规则和隶属度函数进行优化，也 可用来优化网络结构。tr rt蚁群算法蚁群算法是群体智能的典烈实现，是一种基于种群寻优的启发式搜索算法。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。被选中的概率越大。该算法的主要特点可表述如下：口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。使问题的解向着全局最优的力一向演变，有效地获得全局相对较优解；口蚁群算法是一种本质并行的算法。个体之问小断进行信息交流和传递。有利于发现 较好解，并在很大程度上减少了陷于局部最优的可能；口蚂蚁之问没有h_

11、接联系，而是通过路径上的信息索进行信息的传递，是问接通信。蚁群算法小仅能够智能搜索、全局优化，而1_具有鲁棒性、正反馈、分布式计算、易 与其它算法结合等特点。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、电信路山控制、交通建模及规划、电力系统优化及故障分析等力一 而都被认为是目前较好的算法之一。应用例举c直接模糊神经网络控制的应用众所周知，列车运行过程中受到许多小确定囚索的影响，是一类复杂动力学过程，难以 用常规力一法进行建模，其在小同的工作条件下，控制目标和控制策略随过程特性

12、的变化而 大小相同，i人此用常规的控制理论很难适应过程要求”)。针对该控制对象的特性，研究了 一种高速列车运行过程的h_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力 一法。该力一法利用模糊神经网络来辨识列车运行的逆动力学模烈，并以此模烈作为控制器 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11!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在线口适应调整，结果很好地满足了列车 运行的某些

13、性能指标。控制系统结构如图d所示， 它主要包括一个模糊逻辑控制 器()，一个学习控制器和一个前 馈控制器。在反馈控制回路屮， 向列车自动运行系统提供控制 信号，在学习网路中，釆用了动 态冋归神经网络()，被用来模拟 列车运行的逆动力学特性，包含 一个状态反馈器，相对于前馈神 经网络，它能够提供史为复杂的 计算;神经网络的权值在整个控制过程中可以根的输出进行实吋史新，可以保证该系统对部 十扰和小确定性的适应能力;前馈控制器是学习控制器的翻版，它用來产牛系统所需要的动力，提咼控制系统的性能。图y所示是结构图，它包括一个含有口个非线性节点的隐含层，一个含有口个节点的输 出层。非线性节点用來捕获系统的

14、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屮用来产生控制信号。己弃在边电源站点待建边q ®o图y 结构c.蚁群算法在配电网优化规划中的应用在配电网的规划屮，需要根据现场条件、可牵性要求及相关约束条件寻找一种优化的规 划力一案来实现各个站点z问的与连。此问题可看作是从电源节点出发寻找一个连接网格 上任意两站点之问最优路径的问题，网格上的每个o根据启发策略，像蚂蚁一样在网格上爬 行，所经之处便设置一条连接边;历经网格上的所有站点之后，电网便布通了。应用蚁群

15、算法，可以找到成本最低、最合理的配电网规划。具体实现:针对配电网的辐射性特点，使蚂蚁的次游程以某种随机策略形成一棵生成树 （即一个规划案）。显然，每个规划案都是辐射性的，该算法避免了辐射性检查过程，只搜索 可行解卜一域。配电系统模烈如图u所示。变电站节点 负荷节点 变压磊节点图u 配电系统模型每次游程，蚂蚁都是从j*吋刻出发，在吋刻依据转移概率（）（与信息索有关）随机从待建边集合中选择一条边，然后史新己连入生成树 的节点集合和末连入生成树的节点集合，最后史新待建边集合。山于两节点集合的史新使集 合中的某些边，若在it吋刻被选中，会与已存边形成环状网，小符合配电网辐射状特点，i人此这些边所组成的集合应从集合中删去;同时，新连入树的节点与集合.，之问的可选边组 成了集合，应并入集合，这确保了每个解都有