智能控制基础 第三章 分级递阶控制
合集下载
大学课件-智能控制基础(完整)
Curiosity 蛟龙号
智能控制：是应用人工智能的理论 与技术和运筹学的优化方法，并将 其同控制理论方法与技术相结合， 在未知环境下，仿效人的智能，实 现对系统的控制。
Artificial Intelligence
Operation Research
IC=AI∩AC∩OR 一个知识处理系统，具有记忆、 一种定量优化方法，如线性规划、
1.2.3 智能控制系统的特征模型
➢ 特征模型：是对系统动态特性的 一种定性与定量相结合的描述。是 针对问题求解和控制指标的不同要 求，对系统动态信息空间的一种划 分。
智能控制系统的特征模型
fi
{e e 0
e e
e
1 e
2}
上述特征表明，系统正处于受扰动的作用， 以较大的速度偏离目标值的状态。其中参 数为阈值。
组织级
➢ 执行级进行高精度控制 精
智
度 协调级
能
执行级
专家控制系统
➢分为专家控制器和专家控制系统； ➢应用于故障诊断、过程控制等； ➢工程控制论与专家系统的结合。
模糊控制系统
➢ 实现基于自然语言描述规则的控制；
➢ 可替代、改进非线性控制器；
➢ 由知识库、模糊化、模糊推理和反模
糊化组成。
知识库
输入
形成期
发展期
1991-至今
• 萌芽期（1970以前）
• 控制系统具有初步的智能和一定的适应性， 比如模型参考自适应控制。
• 1965年普渡大学的傅京孙（Fu, K. S.）教 授把人工智能引入到控制技术中，提出将 人工智能的启发式推理规则用于学习控制 系统的思想和方法。
• 1966年Mendel将人工智能用于飞船控制 系统的设计并首先提出“人工智能控制” 的概念。
3第三章 分级递阶智能控制
2011-9-22 12
3.1 递阶智能控制基本原理
二、分级递阶智能控制系统的基本结构 二、分级递阶智能控制系统的基本结构
第一级 组织级 智 能 递 增 组织级控制器 人机接口 最高决策
分配器 第二级 协调级 控制管理 控制监督
协调器
…
协调器
第三级 硬件控制器 执行级
…
硬件控制器
传感器 执行器
对象
Pi (λ ) 代替Pi，有
[ P1 ( λ ), P2 ( λ ), L , Pn ( λ )] λ 0 → λ * 的解 ⇒ P 的解
2011-9-22 10
3.1 递阶智能控制基本原理
一、递阶控制的基本原理 一、递阶控制的基本原理
递阶控制的协调问题便是选择适当的 λ ，从初值 λ 通过迭 代到达终值 λ * ，使递阶控制达到最优。
H ( x) = −∑ P( x) ln P( x)
对于连续随机过程x，有
H ( x) = − ∫ P ( x) ln P ( x)dx = − E[ln P ( x)]
式中，P[x]为x的概率密度函数；E[ ]为期望值。 概率密度函数 期望值
2011-9-22 18
3.1 递阶智能控制基本原理
三、递阶智能控制的熵准则 三、递阶智能控制的熵准则 ☞ 由熵的表达式可知，熵越大就表明不确定性越大，时间序 列越随机，功率谱越平坦。而选择对数度量信息的方便之处在 于两个信息相加的总信息量等于每个信息单独存在时各自信息 量之和。 ☞ 在萨里迪斯的递阶智能控制系统中，对智能控制系统的各 级采用熵作为测度。组织级是智能控制系统的最高层次，可以 采用熵来衡量所需要的知识；协调级连接组织级与执行级，可 以采用熵测量协调的不确定性；而在执行级，熵函数表示系统 的执行代价，等价于系统所消耗的能量。每一级的熵相加成为 总熵，可以用于表示控制作用的总代价。设计和建立递阶智能 控制系统的原则就是使所得总熵为最小。
3.1 递阶智能控制基本原理
二、分级递阶智能控制系统的基本结构 二、分级递阶智能控制系统的基本结构
第一级 组织级 智 能 递 增 组织级控制器 人机接口 最高决策
分配器 第二级 协调级 控制管理 控制监督
协调器
…
协调器
第三级 硬件控制器 执行级
…
硬件控制器
传感器 执行器
对象
Pi (λ ) 代替Pi，有
[ P1 ( λ ), P2 ( λ ), L , Pn ( λ )] λ 0 → λ * 的解 ⇒ P 的解
2011-9-22 10
3.1 递阶智能控制基本原理
一、递阶控制的基本原理 一、递阶控制的基本原理
递阶控制的协调问题便是选择适当的 λ ，从初值 λ 通过迭 代到达终值 λ * ，使递阶控制达到最优。
H ( x) = −∑ P( x) ln P( x)
对于连续随机过程x，有
H ( x) = − ∫ P ( x) ln P ( x)dx = − E[ln P ( x)]
式中，P[x]为x的概率密度函数；E[ ]为期望值。 概率密度函数 期望值
2011-9-22 18
3.1 递阶智能控制基本原理
三、递阶智能控制的熵准则 三、递阶智能控制的熵准则 ☞ 由熵的表达式可知，熵越大就表明不确定性越大，时间序 列越随机，功率谱越平坦。而选择对数度量信息的方便之处在 于两个信息相加的总信息量等于每个信息单独存在时各自信息 量之和。 ☞ 在萨里迪斯的递阶智能控制系统中，对智能控制系统的各 级采用熵作为测度。组织级是智能控制系统的最高层次，可以 采用熵来衡量所需要的知识；协调级连接组织级与执行级，可 以采用熵测量协调的不确定性；而在执行级，熵函数表示系统 的执行代价，等价于系统所消耗的能量。每一级的熵相加成为 总熵，可以用于表示控制作用的总代价。设计和建立递阶智能 控制系统的原则就是使所得总熵为最小。
智能控制基础共42页文档
智能控制的类型
智能控制系统一般包括 分级递阶控制系统 专家控制系统 神经控制系统 模糊控制系统 遗传算法系统 集成或者（复合）混合控制：几种方法和机制
往往结合在一起，用于一个实际的智能控制系 统或装置，从而建立起混合或集成的智能控制 系统。
分级递阶控制系统
分级递阶智能控制是在自适应控制和 自组织控制基础上，由美国普渡大学 Saridis提出的智能控制理论。分级递阶 智 能 控 制 ( Hierarchical Intelligent Control) 主 要 由 三 个 控 制 级 组 成 ， 按 智 能控制的高低分为组织级、协调级、执 行级，并且这三级遵循“伴随智能递降 精度递增”原则，其功能结构如下图所 示。
ERP（ Enterprise Resource Planning ），企业资源计划
MES (manufacturing execution system），制造执行系统
SCADA (Supervisory Control and Data Acquisition)系统，全名为数据采集与监视控制系统 PLC（ Programmable Logic Controller ），可编程控制器 RTU（ Remote Terminal Unit ）远程终端设备
应用传统控制理论进行控制必须提出并 遵循一些比较苛刻的线性化假设，而这 些假设在应用中往往与实际情况不相吻 合。
智能控制的研究对象
对于某些复杂的和饱含不确定性的控制 过程，根本无法用传统数学模型来表示， 即无法解决建模问题。
为了提高控制性能，传统控制系统可能 变得很复杂，从而增加了设备的投资， 减低了系统的可靠性。
智能控制的基本概念
定义四: 智能控制实际只是研究与模 拟人类智能活动及其控制与信息传 递过程的规律，研制具有仿人智能 的工程控制与信息处理系统的一个 新兴分支学科。
智能控制基础总结-PPT
0.09 0.6 0.4 0.84 0.49
1.0
NS
ZE
3.3231
0.7
0.3
u
0
2
4
6
u=3.32
27
人工神经网络
❖ 人工神经网络就是模拟人脑细胞的分布式工作特 点和自组织功能，且能实现并行处理、自学习和 非线性映射等能力的一种系统模型。
❖ 神经网络系统研究主要有三个方面的内容，即神 经元模型、神经网络结构和神经网络学习方法。
相等：对于所有的u∈U ，均有μA(u)＝μB(u)。记作A=B。 包含：对于所有的u∈U ，均有μA (u) ≤μB(u)。记作AB。 空集：对于所有的u∈U ，均有μA(u) ＝0 。记作：A＝ 。 全集：对于所有的u∈U ，均有μA(u) ＝1。
14
交、并、补
交集：对于所有的u∈U ，均有
μC(u)=μA∧μB=min{μA(u),μB(u)} 则称C为A与B的 交集，记为 C=A∩B 。
28
人工神经元模型
❖ 神经元模型是生物神经元的抽象和模拟。可看 作多输入/单输出的非线性器件 。
xi 输入信号，j=1,2,…,n;
wij 表示从单元uj 到单元ui 的
连接权值;
i
si 外部输入信号；
ui 神经元的内部状态；
θi 阀值；
yi 神经元的输出信号；
Neti wij x j si i , ui f(Neti ), yi g(ui ) j ❖ 通常假设yi=f(Neti)，而f为激励函数。
8
智能控制的三元结构
❖ AC：动态反馈控制。
❖ AI：一个知识处理系 统，具有记忆、学习、 信息处理、形式语言、 启发式推理等功能。
分层递阶自组织控制概述
分层递阶自组织控制概述摘要：智能控制在现代控制理论中占据着重要的地位，且是解决现代复杂大系统控制问题的有效方法。
作为智能控制最早的理论之一，分层递阶自组织控制已广泛应用于各个领域，因此，学习了解分层递阶自组织控制的基本原理及其应用对于学习智能控制是十分必要的。
本文概括地介绍了分层递阶自组织控制的基本结构和原理，并以其在全自主移动机器人和智能交通中的应用概述了其在各个领域的应用情况。
关键字：智能控制，分层递阶自组织控制，基本原理，应用引言控制理论自产生至今经历了三个发展阶段，前两个阶段分别为“经典控制理论”时期和“现代控制理论”时期；而到了20世纪70年代末，控制理论向着“大系统理论”、“智能控制理论”和“复杂系统理论”的方向发展。
在这一阶段中，有关系统的研究从简单到复杂，人们面临的是解决大系统、巨系统和复杂系统的控制问题。
智能控制理论是研究和模拟人类只能活动及其控制与信息传递过程的规律，研制具有某些拟人智能的工程控制与信息处理系统的理论。
智能控制就是能在适应环境变化的过程中模仿人和动物所表现出来的优秀控制能力（动觉智能）的控制[1]。
智能控制是人工智能技术、计算机科学技术与自动控制技术交叉的产物。
控制的要求、人工智能的方法和计算机软硬件基础构成了智能控制发展的基础。
智能控制自被提出以来，已逐渐形成了：分级递阶自组织控制、模糊控制、神经网络控制和仿人智能控制等方向。
分层递阶自组织控制即分级递阶智能控制(hierarchically intelligent control)，它是在研究早期学习控制系统的基础上，并从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，也是智能控制的最早理论之一，它对智能控制系统的形成起到了重要的作用。
1、分层递阶自组织控制理论的提出与发展60年代，自动控制理论和技术的发展已渐趋成熟，控制界的学者为了提高控制系统的自学习能力，开始注意将人工智能技术与方法应用于控制系统。
网络教育考试智能控制基础
一、判断题（判断下列所述是否正确，正确填入“√”：错误则填“x”。
每题2分，共20分）1.反馈型神经网络中，每个神经元都能接收所有神经元输出的反馈信息。
（x ）2.一般情况下，神经网络系统模型的并联结构可以保证系统辨识收敛。
（ x ） 4.在遗传算法中，初始种群的生成不能用随机的方法产生。
（ x ）5．语气算子有集中化算千、散漫化算子和模糊化算子三种。
（ x ）6．从模糊控制查询表中得到控制量的相应元素后，乘以量化因子即为控制量的变化值。
（ √ ）8．神经网络用于系统正模型辨识的结构只有串联结构一种。
（x )9．知识库和数据库是专家系统的核心部分。
（ x ）10．直接式专家控制系统可以采用单片机来实现。
（ x ）1.分层递阶智能控制结构中，执行级的任务是对数值的操作运算，它具有较高的控制精度。
（ √ ）3．模糊控制只是在一止程度上模仿人的模糊决策和推理，用它解决较复杂问题叫，还需要建立数学模型。
（ x）4．在模糊集合的向量表示法中，隶属度为0的项必须用0代替而不能舍弃。
（ √ ）5.与传统控制相比，智能模糊控制所建立的数学模型因具有灵活性和应变性，因而能胜任处理复杂任务及不确定性问题的要求。
（ x ）6．智能控制的不确定性的模型包括两类，一类是模型未知或知之甚少：另一类是模型的结构和参数可能在很大范围内变化。
( √ )8．可以充分逼近任意复杂的非线性函数关系是神经网络的特点之一。
（ √ ）10．直接式专家控制系统可以采用单片机来实现。
（ x ）1.从模糊控制查询表中得到控制量的相应元素后，乘以量化因子即为控制量的变化值。
( x ） 2．模糊控制在一定程度上模仿人的模糊决策和推理，用它解决较复杂问题时，不需要建立数学模型。
（ √）3.智能模糊控制系统的数学模型虽然不够精确，但具有更高的灵活性和应变性，能够胜任对复杂系统的控制。
（√ ）4．模糊控制规则是将人工经验或操作策略总结而成的一组模糊条件语句。
智能控制复杂系统的分层递阶智能控制
2.3.5 贝叶斯学习控制
❖ 所谓贝叶斯学习控制，就是运用一种基于贝叶斯定理旳 迭代措施来估计未知旳密度函数信息。
❖ 类似于记录模式识别中旳状况，假如概率分布或密度函 数位置或不全已知，则控制器旳设计可以首先学习未知旳密 度函数，然后根据估计信息实现控制律。假如这种估计迫近 真实函数，则控制律也迫近最优控制律。
2.3.3 基于模式识别旳学习控制
1. 基本思想
针对先验知识不完全旳对象和环境，将控制局势进 行分类，确定这种分类旳决策，根据不一样旳决策 切换控制作用旳选择，通过对控制器性能估计来引 导学习过程，从而使系统总旳性能得到改善。
2.3.3 基于模式识别旳学习控制
2. 原理 学习控制系统是具有三个反馈环旳层次构造。底层 是简朴反馈环，包括一种赔偿器，它提供控制作用； 中间层是自适应层，包括一种模式识别器，它对赔 偿器进行调整，以影响对象动态特性变化旳估计； 高层是学习环，包括一种“教师”（一种控制器）， 它对模式识别器进行训练，以做出最优或近似最优 旳识别。
4. 解释器（explanator) 解释器可以向顾客解释专家系统旳行为，包括解释推理结 论旳对旳性以及系统输出其他候选解得原因。
5. 接口（interface) 接口又称界面，它可以使系统与顾客进行对话，使顾客可 以输入必要旳数据、提出问题和理解推理过程和推理成果 等。系统则通过接口规定顾客回答提问，并回答顾客提出 旳问题，进行必要旳解释。
协调级
• 是组织级和执行级的接口，负责将组织级的指令分配 为执行级的各项子任务，同时反馈任务执行的信息。
执行级
• 一般由多个硬件控制器所组成，负责具体的过程控制。
2.1.2 组织级
组织级功能
机器推理 • 根据前提和规则，推出结论的能力
6分级递阶控制
11
执行级 递阶智能控制的最底层，又称控制级，直接控制局部过程并 完成子任务，要求具有较高的精度但较低的智能，对相关过程执行适 当的控制作用。在递阶智能控制中，为了用熵进行总体评价，可将传 统的最优控制描述方法转换到用熵进行描述。两种描述方法的实质一 样，即对于某个具体选择的控制，反馈控制问题的平均性能测度是一 熵函数。最优控制使此熵(即执行的不确定性)为最小。这一论点确立 了信息理论与最优控制问题的等价度量关系。
每个节点用一个二进制随机变量 xi {0,1} 表示，并令 p( xi1) pi p(xi0) 1 pi
网络的状态向量 X (x1, x2 ,...xi ,...xn ) 表示一组0和1的有序组合，描
述BM网络的状态。对于给定的输入，当BM达到稳定时，抽取相应输出节 点的状态，便获得最优的执行特定任务的基元事件的有序组合。
D1 n-1
Dn1
…
S1
S2
Sn-1
Sn
控制对象
2
递阶控制的基本原理 把总体问题P分解成有限数量的子问题pi。 总体问题p的目标应使复杂系统的总体准则取得极值。
设pi是对子问题求解时，不考虑各子问题间存在关联时的解，则
[p1、p2，……，pn]的解
p的解
实际上，各子系统（子问题）间存在关联，因而产生冲突(也称 耦合作用)。故引进一个干预向量或协调参数，解决由于关联产生的
1
6.1 递阶控制的一般原理
递阶控制系统指系统各子系统的控制作用是由按一定优先级和从属 关系安排的决策单元实现的。同级的各决策单元可同时平行工作和对下 级施加作用并受到上级的控制，子系统间通过上级互相交换信息。
该结构是将复杂系统的决策问题进行纵横向分解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
协调的两个原则
➢关联平衡协调原则
又称目标协调法，下层的各决策层单元在 求解各自的优化问题时，把关联变量当作 独立变量来处理，即不考虑关联约束条件， 而依靠协调器的干预信号来平衡、修正各 决策单元的优化指标，以保证最后关联约 束得以满足，这时目标函数中修正的值应 趋于0
3.2 分级递阶智能控制
3.2.1 分级递阶智能控制系统的结构 3.2.2 分级递阶智能控制原理
执行级（运行控制级）
➢ 直接控制局部过程并完成子任务 ➢ 高精度执行局部任务，不要求有智能 ➢ 常规的优化控制 ➢ 最优控制对应熵最小
3.3 示例
（1）机器人的三级递阶智能控制系统。 是一个基于视觉的机械手的递阶智能控制 系统。
第一级
高级输入命令
知识组织级
➢ 受控对象具有很多层次； ➢ 控制有多个层次，且各层间实现 “精度递增伴随智能递减”的原则。
摘自 r.it.htm
组织级（任务规划）
➢ 找到子任务（或动作）组合 ➢ 发送到协调级 ➢ 学习功能
Boltzmann机实现组织级功能
➢ 基元事件集合E = {e1, … ,en} ➢输入节点、输出节点、隐节点 ➢ 网络状态向量X = (x1, … , xn)
按 决 策 的 复 杂 性 分 级
多层控制结构
多级多目标结构
Dr
决策单元 D11 S1
D12
Dm2
D21
Dn-11
Dn1
S2多目标结构
多级多目标结构
当系统由若干个可分的相互关联的子系统组成时， 可将所有决策单元按一定支配关系递阶排列，同 一级各单元要受上一级的干预，同时又对下一级 决策单元施加影响。
第三章 分级递阶智能控制
3.1 递阶控制的一般原理 3.2 分级递阶智能控制 3.3 示例及小结
第三章 分级递阶智能控制
3.1 递阶控制的一般原理
3.1.1 大系统递阶结构的描述 3.1.2 递阶控制的一般原理
3.1.1 大系统递阶结构的描述
递阶控制系统是指系统各个子系统的控 制作用是由按照一定优先级和从属关系 安排的决策单元实现的。同级的各决策 单元可以同时平行工作并对下级施加作 用，它们又要受到上级的干预，子系统 可以通过上级互相交换信息。
Boltzmann机实现组织级功能
搜索的结果求得了一组最大可能完成 任务的子任务组合。从熵（Entropy) 的观点出发，此时的信息熵最小，即 不确定性程度最小。
协调级
分派器D
协调器C1 … 协调器Cn
协调级
➢ 分派器(Dispatcher) ➢ 协调器(Coordinator)
每个协调器与分派器之间均存在双 向联系，而协调器间没有直接联系。
长期记忆信息的交
组织级与执行级之间 的接口。根据组织级
组织级
换、学习
提供的指令信息进行
任务协调
协调级
由多个硬件控制 器组成。要求高
精度，理论方法
为传统控制理论
执行级
被控过程
第一级
知识基组织级
组织级
协调器1
第二级
控制器1
第三级
过程1
…… …… ……
协调器n
协调级
控制器n
执行级
过程n 被控过程
3.2.2 分级递阶智能控制原理
同一级决策单元如有相互冲突的决策目标，由上 一级决策单元加以协调。
➢ 多层：对一个复杂系统的决策问题纵向分解， 按任务复杂程度分成若干个子决策层。
➢ 多级：考虑子系统关联而将决策问题进行横 向分解。
3.1.2 递阶控制的一般原理
基本原理是把一个总体问题P分解成 有限数量的子问题Pi。总体问题P的 目标应使复杂系统的总体准则取得 极值。
➢各子系统没有关联时： [P1， P2, , Pn] 的解 P的解
➢各子系统产生冲突时，引入协调参数： [P1(), P2(), , Pn()] 的解 P的解
递阶控制中的协调问题
协调就是要选择，从某个初值0经过迭代 达到终值*，从而使递阶控制达到最优。
协调的两个原则
➢关联预测协调原则
协调器要预测各子系统的关联输入输出变量，下 层的各决策单元根据预测的关联变量求解各自的 决策问题，然后把达到的性能指标送给协调器， 协调器再修正关联预测值，下层的决策单元再根 据新的预测的关联变量求解各自的决策问题，直 到总体目标达到最优为止。称为直接干预模式， 可在线应用
数据处理器
提供被执行任务的信息和当前系统 的状态。 ➢ 任务描述 ➢ 状态描述 ➢ 数据描述
任务处理器
为下层单元提供控制命令的准确描述。 采用分层决策的步骤： ➢ 任务调度 ➢ 任务翻译 ➢ 任务的准确描述
学习处理器
用来改善任务处理器的性能及减小决 策和信息的不确定性。
协调级
实际上是一个离散事件动态系统，主 要运用运筹学的方法研究。
分派器
➢ 通信功能 ➢ 数据通信功能 ➢ 任务处理功能 ➢ 学习能力
协调器
➢ 与一定的装置相联系 ➢ 是具有特定领域知识的专家 ➢ 将控制序列翻译为实时操作序列 ➢ 反馈信息至分派器
来自上层的命令 至上层的反馈
数据 处理器
任务执行的 反馈信息
任务 处理器
学习 处理器
控制流
至下层的 控制命令
数据流
Boltzmann机实现组织级功能
对于给定的输入，当BM网络到达 稳定状态时，抽取相应的输出节点 的状态，便可获得最优的执行特定 任务的基元事件的有序组合。
Boltzmann机实现组织级功能
标准的BM网络应用能量函数为代价函 数，通过使其极小来找到最小状态。 能量表示与知识的不确定性程度相对 应。
Boltzmann机学习与训练
学习样本： ➢输入的任务要求（输入节点状态） ➢输出的基元事件组合（输出节点状 态） ➢输入输出对概率（反映能量）
Boltzmann机实现组织级功能
学习好BM网络后，首先将要求的任 务转换成一定的基元组合，作为BM 网络的输入约束向量，然后对BM网 进行搜索，找出能量函数的最小点， 此时的输出节点状态即为要求的子 任务。
3.2.1 分级递阶智能控制系统的结构
1977年，G. N. Saridis提出:
将计算机的高层决策、 系统理论中的先进数学建模 和综合方法以及处理不精确 和不完全信息的语言学方法 结合在一起，形成一种适合 工程需要的统一方法。
3.2.1
分级递阶智能控制系统的结构 最高智能级。推
理、规划、决策、