智能控制理论的新进展

发布时间：95年07月27日

许晓鸣杨煜普

（上海交通大学自动化系）

科学技术的高度发展使得控制的对象日益复杂化，传统的自动控制理论在面临复杂性所带来的困境时，力图突破旧的模式以适应社会对自动化学科提出的新要求，智能控制作为自动控制理论的前沿学科之一，反映了控制理论界近年来在迎接对象复杂性的挑战中所作的种种努力，本文以作者们近年来在智能控制领域的研究成果为基础，结合国际上一些比较值得注意的动向，对智能控制的进展作一简略的综述。

—、引言

自从美国数学家维纳在40年代创立控制论以来，作为工程控制论核心的自动控制理论经历了两个重要的发展阶段：经典控制理论和现代控制理论。前者主要解决单变量系统的控制问题，而后者则着重解决多变量系统的控制问题。由于它们在工业和国防等诸多领域均获得了成功地应用，因此在促进社会生产力的同时，也为自动控制理论本身带来了很高的声誉。

进入70年代中期之后，科学技术的高速发展导致了被控对象结构上的日益复杂化。另一方面，人类对自动化的要求也越来越广泛，有时甚至从工程系统的范畴延伸至城市交通，人口增长，经济运作等高度复杂的社会系统。面对来自系统复杂性的挑战，传统的控制理论显得力不从心。能否建立新一代的控制理论来解决复杂系统的控制问题，已经成为各国控制理论界所共同关心的热点。

在大系统理论问世后的一段时间内，有人曾根据被控对象维数增长的特征，把它推测为第三代控制理论的雏形。但是，这种观点未能得到实践的认可，除了高维线性系统之外，大系统理论对其他复杂系统仍然束手无策。人们开始认识到，在许多系统（特别是在被Weaver称为有组织的复杂系统）中，复杂性不仅仅表现在高维性上，更多则是表现在系统信息的模糊性、偶然性、不完全性和不确定性上。基于精确数学模型的大系统理论当然无法解决好它们的控制问题。

正当人们为寻找一种新理论费尽心思时，人工智能由于得益于计算机技术的飞速发展，已经渐渐形成一门学科，并且在复杂问题的通用求解技术方面显示出很强的生命力。于是自动控制理论与人工智能结合的产物——智能控制应运而生了。1965年，著名的美籍华裔科学家傅京孙（King-Sun Fu）教授首先提出把人工智能的启发式推理规则用于学习控制系统，迈出了智能控制理论研究的第一步。早期的智能控制系统，采用一些比较低级的智能方法，如模式识别和学习方法等，而且发展速度十分缓慢。1987年1月，在美国费城召开了第一届IEEE智能控制国际会议，从此智能控制作为一门独立的学科，在国际上正式形成，虽然目前还难以断言，智能控制理论就是人们期待已久的第三代控制理论，但可以肯定，第三代控制理论会把智能控制理论作为它的一个重要分支。

智能控制理论的发展，必然要受到人工智能学科水平的限制。其主要结构框架如下图所示：

二、复杂系统及其性能指标的描述

在经典控制理论和现代控制理论中，一般采用传递函数和状态方程来描述动态系统。用人工智能的语言来说，这是一种基于数学模型的深层知识表达方法。对于用数学模型描述的系统，目前已有比较完备的分析和综合方法。但是深层知识是有关被控对象内在和本质的知识，对于含有大量不确定因素的复杂系统来说，要获得全部状态的深层知识是不可能的。与深层知识相对应的是系统的浅层知识，它是有关被控对象表层现象的知识（典型的例子是产生式规则），一般来源于专家（或行家）的经验。然而基于浅层知识的方法无法解决经验之外的问题，因此对于采用浅层知识描述的系统，至今缺乏有效的分析和综合方法。智能控制系统通常采用分层结构（组织层、协调层、执行层）来进行控制，随着智能程度从高到低，知识表达由浅入深，这就是著名的“精度随智能降低而提高”原理。显然，为了能对复杂系统的各个层次进行描述，必须发展介于深层和浅层之间的中层知识。同时还要解决深层和浅层知识与中层知识之间的互相转换问题。

三、复杂系统智能控制的问题求解技术

任何控制问题归根到底是一个问题求解过程。利用人工智能原理求解复杂问题主要采用两种技术：搜索技术和推理技术，前者主要用于求解解析解过分复杂或者根本没有解析解的问题，而后者则用于求解含有大量不确定因素的问题。

启发式搜索策略是人工智能中最为引人注目的成果之一，它的主要思想可以总结为以下几点：（1）利用，有关具体问题的信息来构造启发式评价函数，一般说来，它要比原来的评价函数大大简化；（2）以启发式评价函数为依据在所有持扩展的节点中选定“最有希望”的节点；（3）搜索总是选择后发式意义下“最有希望”的节点作为下一个被扩展的节点。

将启发式搜索策略与最优控制理论相结合，就构成了我们的启发控制算法。

启发控制主要用于解决复杂控制系统的最优控制问题。

在目前用于解决复杂问题的高级推理系统中，专家系统获得了最成功地应用。所谓专家系统，实际上是一种能以人类专家水平完成专门和困难的专业任务的计算机系统。它具有下列三个特点：

（1）启发性。专家系统能运用专家的经验和知识进行推理判断的决策。

（2）透明性。专家系统能够解释本身的推理过程和回答用户提出的问题，以便让用户能够了解推理过程，提高对专家系统的信赖感。

（3）灵活性。专家系统能不断地增长知识，修改原有的知识，不断更新。

自动控制理论与专家系统的结合，形成了专家控制系统。专家控制有两种形式：专家控制系统和专家式控制器。前者系统结构复杂，研制代价高，因而目前应用较少。后者结构简单，研制代价明显低于前者，性能又能满足工业过程控制的一般要求，因而获得日益广泛的应用。

四、基于人类智能模拟的控制方案

对于人类智能的模拟，一直是人工智能学科的主要任务，目前已经取得了许多重大的成果。但是在自动控制领域，由于只要求对付系统的不确定因素，被模拟的人脑功能主要局限于自适应、（自）学习、自组织三种，自适应控制主要解决被控对象的参数不确定性；自组织控制主要解决被控对象的结构不确定性；（自）学习控制主要解决控制系统中的先验知识缺乏问题。智能模拟按照采用的技术又可分为功能模拟和结构模拟。功能模拟追求的是“黑箱效应”，只要从输入和输出端上看，系统模块具有被模拟的功能即可。结构模拟则是根据目前人们对人脑结构的认识，利用大规模集成电路或者并行处理计算机系统进行结构上的模拟。

——自适应控制

如果一个系统在对象结构参数和初始条件发生变化或目标函数的极值点发生漂移时，能够自动地维持在最优工作状态，就称为自适应控制系统。

自适应控制系统必须完成三个主要功能：

（1）在线测量性能指标或辨识被控对象的动态特性；

（2）决定控制应按何种法则进行修改；

（3）在线调整控制器的可变参数。

具体的自适应控制系统可以各有不同，但自适应控制器的功能却是相同的。

—自组织控制

按照自组织控制的原始定义，如果一个系统在对象结构发生变化时，能够自动地改变控制器的内部结构和外部连接方式，使系统工作在最优工作状态，就称为自组织控制。1973年IEEE对“自组织控制”进行丁重新定义，重点强调具有“先验不定性进行在线简约的能力”，这就把自适应控制也包含在内了。因此也引起过非议。

从智能化程度来看，自组织控制要比自适应控制高一个层次，因此研究难度要大得多，至今尚无比较系统的结果。

——（自）学习控制

学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值、分类、决策和不断改善系统品质的自动控制系统。

学习系统可分为离线可训练协调控制系统和在线自学习系统；前者直接由外界对系统的反应作出奖罚反馈以改进其算法，后者在一定程度上能进行各种试探、搜索、品质评判、决策和先验知识的自修改。在线自学习控制需要大容量高速度计算机，由于目前计算机发展水平的限制，往往还是采用离线与在线相结合的方法实现学习控制。

学习控制应当具有四个主要功能：探索、识别、记忆、推理。在学习系统研究初期，对搜索和识别方法研究较多，而对记忆和推理的研究则显得薄弱。从应用的角度出发，学习控制系统的设计应遵循下列基本原则：（1）控制系统应具有分层信息处理和决策能力；（2）控制器应具有在线特征辨识和特征记忆的功能；（3）控制器应具有多模态控制；（4）应用直觉推理逻辑，使控制器的决策更灵活，以提高效率。

—人工神经元网（ANN）控制

近年来，对于人工神经元网技术的研究十分活跃。在模拟方式上，它是从网络角度，研究人脑微结构的工作机理，并模拟、逼近人脑系统外在的智能行为。

一般来说，人工神经元网是一种由大量神经元广泛联接而构成的非线性动力学系统。它的基本单元一种经元在输入输出结构上是简单非线性（称为作用函数），而用大量的这种神经元按一定的拓扑结构和学习调整方法所构成的神经元网却能表现出丰富的整体特性。决定人工神经元网整体功能的因素有三个：（1）单个神经元的作用函数；（2）网络联接的拓扑结构；（3）联接强度系数，目前，应用较多的是多层感知器模型和Hopfield模型，前者用于模拟非线性函数所代表的静态系统，而后者则用于模拟非线性微分方程所代表的动态系统。

人工神经元网在自动控制领域内应用目前主要集中在两个方面：（1）非线性系统的建模；（2）控制器的综合。

非线性系统的建模，其实质就是用一个神经元网去拟合非线性系统的动态特性，其作用函数和拓扑结构事先确定，而联接强度（或称权系数）则通过学习大量的样本来加以确定。

控制器的综合一般又有直接和间接之分。直接综合是根据闭环系数理想输出和实际输出的差，在线调整权系数。间接综合则是先构造出一个对象的逆系统，然后串联上一个线性调节器。

人工神经元网依靠超大规模集成电路（VLSI）技术，在硬件上实现每个神经元都是一个独立的处理单元，而整个网络形成一种并行分布式的信息处理方式，彻底改变了传统计算机依靠一个中央处理单元串行集中式的信息处理方式，综合的速度大为提高，因此将成为处理复杂系统控制问题的有力工具。

本文作者应用人工神经元网技术来处理非线性系统预测问题中出现的模型预测和滚动优化问题，取得了较好的效果。

五、智能控制理论展望

智能控制作为一门新兴学科，在理论上还很不成熟。随着人们对这一问题的日益重视，它的发展无疑将十分迅速。然而智能控制的发展又受到了人工智能技术和计算机硬件水平的制约，到本世纪末，要开创能与现代控制理论相媲美的第三代控制理论，可能性甚小。

笔者认为，整个90年对于智能控制理论的研究，将主要围绕以下几个方面：

（1）把传统数学模型与基于知识的世界模型统一成广义模型，进行统一的描述；

（2）建立一种能容纳多种知识表达方法的混合模型，并发展相应的分析综合技术；

（3）将自适应、自组织、自学习的功能集中于控制器上，设计出不依赖对像数学模型的智能控制器；

（4）充分利用人工神经元网对信息的并行处理能力，发展各种基于人工神经元网的控制算法；