当前课程知识点:智能控制 > 第一章 智能控制课程概论 > 1.7 智能控制与传统控制的联系与区别 > 1.7
下面我们来看一下
智能控制理论与传统的控制理论之间
有什么关系
首先我们来研究一下以前学过的
自动控制原理里头叫属于经典控制理论
它主要研究对象什么呢
就是用来分析线性定常
也就是时不变的单入单出系统
它擅长分析这样的系统
这类系统的特征就是通过什么手段呢
微分方程或者是传递函数的手段
来描述这个系统输出和输入之间的
满足什么样的动态特性
描述的是系统的外部模型
那么这个也可以从传递函数的定义上面
我们发现这一点
所谓传递函数指的就是
线性定常系统在零初始条件下
输出的拉式变换与输入的拉式变换之比
称为一个线性定常系统的传递函数
所以它就非常方便
因为我们分析一个线性定常单入单出系统
那么实际系统往往都是非线性的
由于各种各样的原因
包括噪声 扰动等等
那么实际中我们会对它
在某些工作点处进行一个线性化
然后呢进一步处理
这样的话就采用经典控制理论
主要用来分析线性定常单入单出系统
然后现代控制理论里头
基本手段就是通过状态变量
也就是状态方程和输出方程
用它们来很方便地描述一个复杂的非线性
时变的多入多出系统
因为它可以用矩阵的形式
来描述这样一个多变量系统
它不仅用于分析线性定常单输入单输出系统
还可以用来分析非线性的时变多入多出系统
这样它比较方便
但是呢经典控制理论 现代控制理论
都是基于模型的
而智能控制理论呢 它什么特征呢
它就是模仿人类智能所构成的一类控制策略
它可以处理各类复杂的系统
可以线性的 也可以非线性的
可以时变的也可以时不变的
可以是单入单出也可以多入多出
既可以是模型已知的
也可以是模型未知的
它的求解过程跟原来的传统控制理论就不一样了
它的主要手段就是依靠搜索
比如专家系统 自学习
比如神经网络 模拟进化
比如遗传算法
它通过这些手段来实现智能控制
通过这三个方面的对比
我们发现智能控制理论与经典控制理论
现代控制理论有显著的区别
它可以处理的问题更广泛
解决问题的手段更灵活
不再局限于被控对象的数学模型了
下面我们来看一个例子
假定这是一个房间
你站在这里
门在那边
我们采用传统控制理论
怎么样解决这样一个问题呢
大家想一想
首先我们自然会想到这是一个房间
我们可以以人 你站的那个位置为起点
坐标原点
做出这样一个坐标示意图来
我们可以找到门的坐标位置
然后建立这个房间的模型
通过了解这个房间的结构 坐标位置
地理位置分布
东西南北方向方位
就可以很容易地建立起
这样一个解决问题的模式
那就是从你站的位置出发
和门的位置之间连一条直线
这就是通过建模的手段
找到了这个问题的解
然后呢 你就可以沿着这条直线
这是一个理想的期望的轨迹
慢慢地走到那个终点
也就是门的位置
这也是一种传统的控制理论
解决一个控制问题的方法手段
首先
我要了解被控对象的数学模型
把它用精确的数学语言描述出来之后
再用传统控制理论里面的一些控制算法
把这个问题解决掉
这是一个比较简单的问题
可以用
因为它的模型结构也已经知道了
我们可以用传统的控制理论把它给解决掉
那么如果换一个问题
这个房间可能是伸手不见五指 漆黑一片
那怎么办呢
你站在这里
你怎么样找到那个门呢
我们人就很聪明
你会怎么做呢
你可能会给自己按照某种规则手段
进行自己去搜索
摸黑去找
比如你站在这里
你可以给自己设定两条规则
第一条 一直往前走
沿着墙一直往前走
第二条 如果撞墙了向左拐
向前走撞墙了 再向左拐
你运气足够好 找到了门
那这个前提就是刚好这房间没有障碍物
你很快就采用这个手段找到这门
但实际问题呢往往不会这么简单
假定这个房间里面有这样一个障碍物挡住了
那你站在这里
按照刚才这种规则进行搜索
会发现什么问题呢
我们来看一下
第一条 沿着墙往前走
第二条 撞到墙了向左拐
撞到障碍物了现在
向左拐
你发现又撞到墙了又向左拐
你发现问题在哪里
你永远转不出去了
陷入了一个死循环
那这时候怎么办呢
我们可以把这个规则变得更加丰富一点
当我发现我又回到原地的时候
我可以增加一条规则
比如第三条规则就是
如果回到原地了
我就要改变我的向左拐的方向
改成向右拐
好 这样按照三条规则来走
第一条顺着墙一直往前走
第二条如果撞到墙了向左拐
第三条如果回到原地了
这时候改变你的方向向右拐
你会发现采用这种规则进行搜索
你很快就找到了门
把这个问题解决了
我们发现这中间
这就是智能控制算法的一个手段
我们发现这中间
我们并没有建立这个房间的模型
我们不需要知道
但是我们采用搜索的办法
采用某种规则进行搜索的办法
把这个问题解决了
这就是智能控制
那么通过这个例子我们发现
智能控制理论与传统的经典控制理论
现代控制理论之间有哪些不同呢
第一 应用对象的不同
经典控制理论主要解决单入单出对象的问题
Single Input Single Output
现代控制理论由于采用了状态空间表达式的形式
不仅可以解决单入单出系统
还可以解决多入多出系统的控制问题
但是智能控制理论
它可以用来解决
各类的复杂的系统的控制问题
这就是应用对象的不同
第二 数学方法不同
那么在经典控制理论里面采用方法就是
微分方程和传递函数
我们是通过描述系统的外部特征
看它的输出和输入之间的关系
来找到它的动态特性
建立它的数学模型的
现代控制理论里面
是采用状态方程和输出方程
通过内部的状态变量来建立系统的数学模型
智能控制理论呢 它并没有建立模型
而是采用什么手段呢
搜索 自学习 模拟进化手段
像刚才我们那个例子里
是采用某种规则进行搜索
这也是专家系统的一个主要手段
还包括模糊控制也是进行搜索
自学习呢 是人工神经网络的主要学习手段
模拟进化呢 是遗传算法的主要手段
我们发现它们三种的数学方法也不同
第三
对被控对象的数学模型的要求不同
经典的控制理论 现代控制理论
包括PID控制 状态反馈 输出反馈
都需要知道被控对象的精确的数学模型
但是智能控制理论
并不需要详细了解被控对象的数学模型
这是它的最大的显著的区别
刚才那个例子里
我们发现
我们只是按照我们自己设定的规则进行搜索
寻找问题的答案
并没有去详细了解这个房间的结构 位置 方位
并没有去建立它的数学模型
但是我们采用按照我们这种规则进行搜索
最终找到了门
也就是找到了解决问题的办法
这也是智能控制的优势
第四 控制算法不同
在经典控制理论里
我们采用PID控制 它的控制算法
那就是按照比例积分微分相互组合
而形成的控制律
这是非常精确的控制算法
在现代控制理论里
我们是采用的是状态反馈 输出反馈
这样也是比较精确的数学公式
它的控制算法都是确定性的
但是我们智能控制算法
它往往具有随机性和模糊性
它是不确定的
比如同一个优化问题
我采用遗传算法来进行优化
可能这一次优化出来的结果
和下一次优化的结果可能有一些差异
这是很正常的
它可能会在某一个范围之内有一定的波动
这也就是说智能控制算法里
它的并没有明确的可解析显式的这样一个公式
这也是它的不同
总而言之
智能控制在应用对象上进行了扩展
在数学方法上进行了突破
在解决问题的时候
我们并不需要被控对象
数学模型要详细地知道它
也就是说突破了传统的控制理论
对被控对象数学模型的苛刻要求
第四
它的控制算法上面
并不需要有显式的公式
来精确地进行刻画描述
它以解决问题为目标
具有一定的随机性和模糊性
这也就是智能控制理论和传统的控制理论
它们在这四方面的区别
-开篇
--开篇
-1.1课程考试方式
-1.2 数据、信息、知识与智能
-1.3传统控制面临的挑战
-1.4 控制科学发展过程
-1.5 智能控制的多元论
--1.5
-1.6 控制策略的渗透与融合
--1.6
-1.7 智能控制与传统控制的联系与区别
--1.7
-1.8 智能控制的类型之分级递阶智能控制系统
--1.8
-1.9 智能控制的类型之专家控制系统
--1.9
-1.10 智能控制的类型之模糊控制系统
--1.10
-1.11 智能控制的类型之神经网络控制系统,智能控制的类型之基于规则的仿人智能控制系统,集成智能控制系统,组合智能控制
--1.11
-1.12智能控制系统的类型之基于规则的仿人智能控制系统,集成智能控制系统,组合智能控制
--1.12
-1.13本章小结
--1.13
-第一章测试
-2.1基于搜索的问题求解
-- 2.1.7 均一代价搜索
-- 2.1.10 A星算法
-2.2 专家系统简介
- 2.3 专家PID
-第二章测试
-3.1 模糊控制概述
-3.2 模糊集合
-3.3 隶属函数
--3.3隶属函数.
-3.4 模糊关系及其运算
-第三章测试
- 4.1 模糊自适应整定PID控制原理
-4.2 基于FF的模糊PID控制试验验证
-第四章测试
- 5.1 神经网络简介
- 5.2 神经网络的发展简史
-5.3 神经网络的基本概念
- 5.4 神经网络的分类
-5.5 神经网络的学习算法、基本特征和研究领域
-第五章测试
-6.1 感知器
--6.1.2.1 感知器应用实例分析(实现逻辑运算与或非)
- 6.2 BP神经网络
--6.2.2.1 BP神经网络应用实例分析之一:逻辑运算异或实现
--6.2.2.2 BP神经网络应用实例分析之二:非线性函数拟合
-第六章测试
- 7.1 什么是遗传算法
-7.2 遗传算法的特点
-7.3 遗传算法的基本操作之复制
-7.4 遗传算法的基本操作之交叉与变异
-第七章测试
-8.1 遗传编程工作原理
-8.2 遗传编程基本操作之复制
-8.3 遗传编程基本操作之交换和突变
- 8.4 遗传编程的工作步骤及实例分析
-第八章测试
-期末测试