智能控制习题答案解析

第一章 绪论

1. 什么是智能、智能系统、智能控制？

答：“智能”在美国Heritage词典定义为“获取和应用知识的能力”。

“智能系统”指具有一定智能行为的系统，是模拟和执行人类、动物或生物的某些功能的系统。

“智能控制”指在传统的控制理论中引入诸如逻辑、推理和启发式规则等因素，使之具有某种智能性；也是基于认知工程系统和现代计算机的强大功能，对不确定环境中的复杂对象进行的拟人化管理。 2．智能控制系统有哪几种类型，各自的特点是什么？

答：智能控制系统的类型：集散控制系统、模糊控制系统、多级递阶控制系统、专家控制系统、人工神经网络控制系统、学习控制系统等。 各自的特点有：

集散控制系统：以微处理器为基础，对生产过程进行集中监视、操作、管理和分散控制的集中分散控制系统。该系统将若干台微机分散应用于过程控制，全部信息通过通信网络由上位管理计算机监控，实现最优化控制，整个装置继承了常规仪表分散控制和计算机集中控制的优点，克服了常规仪表功能单一，人机联系差以及单台微型计算机控制系统危险性高度集中的缺点，既实现了在管理、操作和显示三方面集中，又实现了在功能、负荷和危险性三方面的分散。 人工神经网络：它是一种模动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整部大量节点之间相互连接的关系，从而达到处理信息的目的。

专家控制系统：是一个智能计算机程序系统，其部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。可以说是一种模拟人类专家解决领域问题的计算机程序系统。 多级递阶控制系统是将组成大系统的各子系统及其控制器按递阶的方式分级排列而形成的层次结构系统。这种结构的特点是：1.上、下级是隶属关系，上级对下级有协调权，它的决策直接影响下级控制器的动作。2.信息在上下级间垂直方向传递，向下的信息有优先权。同级控制器并行工作，也可以有信息交换，但不是命令。3.上级控制决策的功能水平高于下级，解决的问题涉及面更广，影响更大，时间更长，作用更重要。级别越往上，其决策周期越长，更关心系统的长期目标。4.级别越往上，涉及的问题不确定性越多，越难作出确切的定量描述和决策。

学习控制系统：靠自身的学习功能来认识控制对象和外界环境的特性，并相应地改变自身特性以改善控制性能的系统。这种系统具有一定的识别、判断、记忆和自行调整的能力。 3．比较智能控制与传统控制的特点。

答：智能控制与传统控制的比较：它们有密切的关系，而不是相互排斥。常规控制往往包含在智能控制之中，智能控制也利用常规控制的方法来解决“低级”的控制问题，力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。

1.传统的自动控制是建立在确定的模型基础上的，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的围变动，这些问题对基于模型的传统自动控制来说很难解决。 2.传统的自动控制系统的输入或输出设备与人及外界环境的信息交换很不方便，希望制造出能接受印刷体、图形甚至手写体和口头命令等形式的信息输入装置，能够更加深入而灵活地和系统进行信息交流，同时还要扩大输出装置的能力，能够用文字、图纸、立体形象、语言等形式输出信息. 另外，通常的自动装置不能接受、分析和感知各种看得见、听得着的形象、声音的组合以及外界其它的情况. 为扩大信息通道，就必须给自动装置安上能够以机械方式模拟各种感觉的精确的送音器，即文字、声音、物体识别装置。

3.传统的自动控制系统对控制任务的要求要么使输出量为定值（调节系统），要么使输出量跟随期望的运动轨迹（跟随系统），因此具有控制任务单一性的特点，而智能控制系统的控制任务可比较复杂。

4. 传统的控制理论对线性问题有较成熟的理论，而对高度非线性的控制对象虽然有一些非线性方法可以利用，但不尽人意. 而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。 5.与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。

6.与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。

Word 文档

.

7.与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。

8.与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。

4．把智能控制看作是AI(人工智能)、OR(运筹学)、AC(自动控制)和IT(信息论)的交集，其根据和涵是什么?

答：智能控制具有明显的跨学科特点，在最早傅金提出的二元论中，智能控制系统被认为是自动控制与人工智能的交互作用，随着认识的深入，萨瑞迪斯提出运筹学融入智能控制而提出三元结构，蔡自兴教授提出将信息论引入智能控制，其依据在于：信息论是解释知识和智能的一种手段；控制论、信息论和系统论是紧密相连的；信息论已经成为控制智能机器的工具；信息论参与智能控制的全过程并对执行级起到核心作用，因此最终确定了智能控制的四元结构。 5．智能控制有哪些应用领域？试举出一个应用实例，并说明其工作原理和控制性能。

答：智能控制应用于机器人、汽车、制造业、水下和陆地自助式车辆、家用电器、过程控制、电子商务、医疗诊断、飞行器、印刷、城市铁路、电力系统等领域。例如焊接机器人其基本工作原理是示教再现，即由用户导引机器人，一步步按实际任务操作一遍，机器人在导引过程中自动记忆示教的每个动作的位置、姿态、运动参数、焊接参数等，并自动生成一个连续执行全部操作的程序。完成示教后，只需给机器人一个起动命令，机器人将精确地按示教动作，一步步完成全部操作，实际示教与再现。控制性能为：弧焊机器人通常有五个自由度以上，具有六个自由度的弧焊机器人可以保证焊枪的任意空间轨迹和姿态。点至点方式移动速度可达60m/min以上，其轨迹重复精度可达到±0.2mm。这种弧焊机器人应具有直线的及环形插法摆动的功能，共六种摆动方式，以满足焊接工艺要求，机器人的负荷为5kg。

第二章 模糊控制的理论基础

1． 举例说明模糊性的客观性和主观性。

答：模糊性起源于事物的发展变化性，变化性就是不确定定性；模糊性是客观世界的普遍现象，世界上许多的事物都具有模糊非电量的特点。例如：年龄分段的问题；如果一个人的年龄大于60岁算老年，45-59岁之间的岁中年，小于44岁的就算青年；如果一个人的年龄是59岁零11个月零28天，那么他是属于中年还是老年呢？理论上从客观的角度说他是中年人，但是与60岁只有两天区别，这区别我们是分辨不出来的。从主观上我们认为他又是老年人。这就是模糊性的主观性和客观性的体现。 2． 模糊性与随机性有哪些异同？

答：模糊性处于过渡阶段的事物的基本特征，是性态的不确定性，类属的不清晰性，是一种在的不确定性；而随机性是在事件是否发生的不确定性中表现出来的不确定性，而事件本身的性态和类属是确定的，是一种外在的不确定性。 相同点是：模糊性是由于事物类属划分的不分明而引起的判断上的不确定性；而随机性是由于天剑不充分而导致的结果的不确定性。但是他们都共同表现出不确定性。

异同点是：模糊性反映的是排中的破缺，而随机性反映的是因果律的破缺；模糊性现象则需要运用模糊数学，随机性现象可用概率论的数学方法加以处理。 3． 比较模糊集合与普通集合的异同。

答：模糊集合用隶属函数作定量描述，普通集合用特征函数来刻划。 两者相同点：都属于集合，同时具有集合的基本性质。

两者异同点：模糊集合就是指具有某个模糊还年所描述的属性的对象的全体，由于概念本身不是很清晰，界限分明的，因而对象对集合的隶属关系也不是明确的；普通集合是指具有某种属性的对象的全体，这种属性所表达的概念应该是清晰的，界限分明的，因而每个对象对于集合的隶属关系也就是明确的。

。

4.考虑语言变量：“Old”，如果变量定义为：

old(x) 0x500 21 50x1001(x50/5)确定“NOT So Old”，“Very Old”，“MORE Or LESS Old”的隶属函数。

Word 文档

.

0 0x501解：NOT So old(x) 221(x50/5) 50x1000 0x50 Very old(x)221(x50/5) 50x1000 0x501MORE or less old(x) 241(x50/5) 50x100

A0.70.10.45.已知存在模糊向量A和模糊矩阵R如下：

0.50.80.10.2计算BAR。 R0.60.400.100.30.60.3

126.令论域U34，给定语言变量“Small”=1/1+0.7/2+0.3/3+0.1/4和模糊关系R=“Almost相等”定义如

10.60.100.610.60.1利用max-min复合运算，试计算：R(y)(X是Small)(Almost相等）下：R。

0.10.610.600.10.6110.60.100.610.60.1 （y）(10.70.30.1)解：R0.10.610.600.10.61(11)(0.70.6)(0.30.1)(0.10)(10.6)(0.71)(0.30.6)(0.10.1)10.70.60.3 (10.1)(0.70.6)(0.31)(0.10.6)(10)(0.70.1)(0.30.6)(0.11)T Word 文档

.

10.800.10.20.810.400.97.已知模糊关系矩阵：R00.4100计算R的二至四次幂。

0.10010.50.20.900.5110.800.10.810.402解：RR•R00.410010.100.20.900.510.832 RR•R0.40.50.8

8.设有论域X{x1,0.210.800.10.810.400.9000.4100.50.100110.20.900.50.210.80.40.20.80.810.40.50.90.900.40.4100.4 0.50.20.5010.510.80.90.40.510.40.50.80.40.50.910.40.4

0.410.50.40.510.80.40.50.810.80.8110.40.50.94220.410.40.4RR•R0.40.40.50.410.50.50.50.90.40.510.80.9y2,x2,x3}, Y{y1,y3}, Z{z1,z2}，二维模糊条件语句为“若A且B则C”，其中

ABC0.510.1 , AF(X)x1x2x30.110.6 , BF(Y)已知 y1y2y30.41 , CF(Z)z1z2*

A*B*10.50.1 , A*F(X)x1x2x30.10.51 , B*F(Y)y1y2y3

由关系合成推理法，求得推理结论C。 解：令R表示模糊关系，则RABC.

0.50.50.10.510.50.60.10.50.50.110.610.10.110.6

R1TATB11110.60.10.10.10.110.10.60.10.10.1将R1按行展开写成列向量为0.10.5T0.50.110.60.10.10.1

T Word 文档

.

0.10.10.40.50.50.40.50.50.40.10.10.4T所以，RR1C10.4110.40.60.60.40.10.10.40.10.10.40.10.10.40.110.10.40.510.510.40.110.1110.40.610.40.110.10.110.10.110.10.10.50.50.11.又因为CABR，0.60.10.10.110.10.510.10.510.10.50.5，将AB按行展开写成行向量，为

AB0.50.10.10.10.10.10.510.10.50.50.10.10.1，则 CABR0.40.5即C0.40.5 z1z29. 已知语言变量x，y，z。

X的论域为{1,2,3}，定义有两个语言值：

“大”＝{0, 0.5, 1}；“小”={1, 0.5, 0}。 Y的论域为{10,20,30,40,50}，语言值为：

“高”={0, 0, 0, 0.5, 1}；“中”={0, 0.5, 1, 0.5, 0}; “低”={1, 0.5, 0, 0, 0}。 Z的论域为{0.1,0.2,0.3}，语言值为：“长”={0, 0.5, 1}；“短”={1, 0.5, 0} 则：1）试求规则：

如果 x 是 “大” 并且 y 是“高” 那么 z是“长”； 否则，如果 x 是“小” 并且 y 是 “中” 那么 z是“短”。 所蕴涵的x，y，z之间的模糊关系R。

2）假设在某时刻，x是“略小”={0.7, 0.25, 0}，y是“略高”={0, 0, 0.3, 0.7, 1}

试根据R分别通过Zadeh法和Mamdani法模糊推理求出此时输出z的语言取值。

Word 文档

.

Word 文档

Word 文档 .

.

第三章 模糊控制

1.模糊控制器有哪几部分组成？各完成什么功能？

1:答：模糊控制器由四个部分组成，这四个功能模块是模糊化、知识库、模糊推理和去模糊化。

(1)模糊化：为实现模糊控制而将精确的输入量进行模糊化处理，是将精确量转化为模糊量的过程。模糊化模块在不同的阶段有不同的作用：a、确定符合模糊控制器要求的输入量和输出量。b、对输入输出变量进行尺度变换，使之落于各自的论域围。c、对已经论域变换的输入量进行模糊化处理，包括模糊分割和隶属函数的确定。

(2)知识库：知识库通常由数据库和规则库组成，包含了具体应用领域的知识和要求。其中，数据库主要包含输入输出变量的初度变换因子、输入输出空间的模糊分割以及模糊变量的模糊取值及相应的隶属度函数选择和形状等方面的容。规则库包含了用模糊语言描述专家的经验知识，来表示一系列控制规则。它们反映了控制专家的经验和知识。

(3)模糊推理：是一种近似推理，根据模糊控制规则库和当前系统状态推断出应施加的控制量的过程，由推理机完成。

(4)去模糊化：由于控制器输出到具体地执行机构的信号必须是清晰的精确量。因此，需要一个与输入模糊化相反的过程，即把模糊推理结果转变成清晰量，它实现从输出论域上输出模糊空间到输出精确空间的映射。 2.模糊控制器设计的步骤怎样？

2：答：模糊控制器设计的步骤如下：

(1)：输入变量和输出变量的确定。

(2)：输入输出变量的论域和模糊分割，以及包括量化因子和比例因子在的控制参数的选择。 (3)：输入变量的模糊化和输出变量的清晰化。

(4)：模糊控制规则的设计以及模糊推理模型的选择。 (5)：模糊控制程序的编制。 3.清晰化的方法有哪些？

3：答：清晰化的方法一般有四种：

(1)：最大隶属度法：这种方法将模糊推理得到的结论中最大隶属度值最对应的元素作为控制器输出的精确值，如果有多个最大点，则取其平均值。

(2)：加权平均法：这种方法是指以各条规则的前件和输入的模糊集按一定法则确定的值为权值，并对后件代表值加权平均计算输出的清晰值的方法。

Word 文档

.

(3)：面积等分法：把输出的模糊集合所对应的隶属函数与横坐标之间围成的面子分成两部分，那么该方法得到的精确值应满足使该两部分的面积相等。

(4)：由于Tsukamoto模型和Takagi-Sugeno模型输出本身就是清晰量，则不需要去模糊化。

4.已知某一炉温控制系统，要求温度保持在600度恒定。针对该控制系统有一下控制经验：

（1）若炉温低于600度，则升压；低得越多升压就越高。 （2）若炉温高于600度，则降压；高得越多降压就越低。 （2）若炉温等于600度，则保持不变。

设计模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7级，取5个模糊集。设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。 解： 定义理想温度点的温度为

误差e变化划分表为： 隶属度 模 糊 集 PB PS ZE NS NB 变化等级 -3 0 0 0 0 1 -2 0 0 0 0.5 0.5 -1 0 0 0.5 1 0 0 0 0 1 0 0 1 0 1 0.5 0 0 2 0.5 0.5 0 0 0 3 1 0 0 0 0 T0,实际测量温度为T，温度差为

eTT0T。

以为输入、输出变量的量化等级均为7级， 5个模糊集，则

控制电压u变化划分表为： 隶属度 模 糊 集 PB PS ZE NS NB 变化等级 -3 0 0 0 0 1 -2 0 0 0 0.5 0.5 -1 0 0 0.5 1 0 0 0 0 1 0 0 1 0 1 0.5 0 0 2 0.5 0.5 0 0 0 3 1 0 0 0 0 根据一上两表设计一下模糊规则： 若e负大，则u正大；若e负小，则u正小；若e为0，则u为0； 若e正小，则u负小；若e正大，则u负大。 模糊控制规则表为： 若（if） 则（then） NLe NLu NSe NSU 0e 0u PSe PSu PLE PLu 第四章 神经网络基础

1、生物神经元模型的结构功能是什么？ 答：生物神经元结构：

（1）、细胞体：由细胞核、细胞质和细胞膜等组成。

Word 文档

.

（2）、树突：胞体上短而多分枝的突起。相当于神经元的输入端，接受传入的神经冲动。 （3）、轴突：胞体上最长枝的突起，也称神经纤维。端部有很多神经末稍传出神经冲动。 （4）、突触：神经元间的连接接口，每个神经元约有1万~10万个突触。神经元通过其轴突的神经末稍，经突触与另一神经元的树突联接，实现信息的传递。由于突触的信息传递特性是可变的，形成了神经元间联接的柔性，称为结构的可塑性。

（5）、细胞膜电位：神经细胞在受到电的、化学的、机械的刺激后，能产生兴奋，此时，细胞外有电位差，称膜电位。电位膜为正，膜外为负。

生物神经元功能： （1）、兴奋与抑制

当传入神经元的冲动，经整合，使细胞膜电位升高，超过动作电位的阈值时，为兴奋状态，产生神经冲动，由轴突经神经末稍传出。

当传入神经元的冲动，经整合，使细胞膜电位降低，低于阈值时，为抑制状态，不产生神经冲动。 （2）、学习与遗忘

由于神经元结构的可塑性，突触的传递作用可增强与减弱，因此，神经元有学习与遗忘的功能。 2、人工神经元模型的特点是什么？ 答：人工神经元模型的特点：

（1）、神经元及其联接；（2）、神经元间的联接强度决定信号传递的强弱；（3）、神经元间的联接强度是可以随训练改变的；（4）、信号是可以起刺激作用的，也可以起抑制作用；（5）、一个神经元接受的信号的累积效果决定该神经元的状态；（6）、每个神经元可以有一个“阈值”。 3、人工神经网络的特点是什么？如何分类？ 答：人工神经网络的特点：

（1）、非线性（2）、分布处理（3）、学习并行和自适应（4）、数据融合（5）、适用于多变量系统 （6）、便于硬件实现 人工神经网络的分类：

根据神经网络的连接方式，神经网络可分为三种形式： （1）、前向网络：神经元分层排列，组成输入层、隐含层和输出层。每一层的神经元只接受前一层神经元的输入。输入模式经过各层顺次的变换后，由输出层输出。在各神经元间不存在反馈。感知器和误差反向传播网络采用前向网络形式。

（2）、反馈网络：该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。

（3）、自组织网络：当神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的响应特征，即不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。这种映射是通过无监督的自适应过程完成的，所以也称为自组织特征图。 4、有哪几种常用的神经网络学习算法？ 常用的神经网络学习算法： （1）、有教师学习：在学习过程中，网络根据实际输出与期望输出的比较，进行联接权系的调整，将期望输出称导师信号是评价学习的标准。

（2）、无教师学习：无导师信号提供给网络，网络能根据其特有的结构和学习规则，进行联接权系的调整，此时网络学习评价的标准隐含于其部。

（3）、再励学习:把学习看为试探评价过程，学习及选择一动作作用于环境，环境的状态改变，并产生再励信号反馈至学习机，学习机依据再励信号与环境当前的状态，再选择下一动作作用于环境，选择的原则是使受到奖励的可能性增大。

（4）、Hebb学习规则 （5）、Delta学习规则

Word 文档

.

第五章 典型神经网络

1、BP算法的特点是什么？增大权值是否能够使BP学习变慢？

答：误差反向传播的BP算法简称BP算法，是有导师的学习，其基本思想是梯度下降法。它采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差均方值为最小。学习的过程由正向传播和反向传播组成，在正向过程中，输入信息由输入层经隐层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转至反向传播，将误差信号按连接通路反向计算，由梯度下降法来调整各层神经元的权值，使误差信号减小。

主要优点：（1）非线性映射能力：无需事先了解描述这种映射关系的数学方程，只要提供足够多的样本模式对BP网络进行详细训练，它便能完成由n维输入空间到m输出空间的非线性映射。（2）泛化能力：当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射，这种能力称为多层前馈网络的泛化能力。（3）容错能力：输入样本中带有较大的误差，甚至个别错误对网络的输入输出规律影响很小。

标准的BP算法在的缺陷：（1）易形成局部极小而得不到全局最优；（2）训练次数多使得学习效率低，收敛速度慢；（3）隐节点的选取缺乏理论指导；（4）训练时学习新样本有遗忘旧样本的趋势。增大权值不一定能够使BP学习变慢，由BP权值修正的原理可知，权值调整公式可汇总如下：

2、为什么说BP网络是全局逼近的，而RBF网络是局部逼近的？它们各有突出的特点是什么？

BP网络的活化函数为S函数，其值在输入空间中无限大的围为非零值，因而是全局逼近的神经网络。

其突出特点如下：1、是一种多层网络化，包括输入层、隐含层和输出层；2、层与层之间采用全互联方式，同一层神经元不连接；3、权值通过delta 学习算法进行调节；4、神经元活化（激发）函数为S函数；5、学习算法由正向算法和反向算法组成；6、层与层之间的连接时单向的，信息的传播史双向的。

RBF网络的活化函数为高斯基函数，其值在输入空间中有限围为非零值，并且RBF神经网络的神经元具有局部逼近的神经网络。其输出特点如下：1、RBF径向基函数是局部的，学习速度快；2、已证明RBF网络具有唯一最佳逼近的特性，且无局部最小；3、在函数创建过程中可以自动增加隐含层的神经元个数，直到满足均方差要求为止无需单独的代码来训练函数，网络的创建过程就是训练过程。4、RBF网络用于非线性系统辨识与控制中，虽具有唯一最佳逼近特性，且无局部最小的优点，避免去确定隐层和隐层点数，网络可以根据具体问题自适应的调整，因此适应性更好。 3、何为神经网络的泛化能力？影响泛化能力的因素有哪些？ 答：泛化能力（综合能力、概括能力）：用较少的样本进行训练，是网络能在给定的区域达到要求的精度。所以没有泛化能力的网络没有使用价值。

影响泛化能力的因素：1、样本；2、结构；3、初始权值4、训练样本集；5、需测试集。 4. 已知一个非线性函数y1(x12)sin(2x2)，试用三层BP网络逼近输出y，画出网络的结构，写出网络各层节点2 Word 文档

.

的表达式以及各层节点输出值的围。 解：非线性函数y1(x12)sin(2x2)画出三层BP网络的结构图 2

由输入得到两个隐节点、一个输出层节点的输出，输入层不考虑阈值 两个隐节点、一个输出层节点输出为

活化函数选择S型函数yf(xl)1

1exl如教材例6.1，取第一个输入、输出神经元与各隐含神经元的连接权均为1，第二个输入、输出神经元与各隐含层单元的连接权为2.则

由上式可得

Word 文档

.

第六章 高级神经网络

k1.PID控制器的一般形式为u(k)kpe(k)kie(j)k[e(k)e(k1)]，也可写成等价形式

dj0u(k)k1u1(k)k2u2(k)k3u3(k)，其中

u1(k)e(k),u2(k)e(k),j0k，k1,k2,k3为PID控制器kp,ki,kd三个参数

u3(k)e(k)e(k)e(k1)的线性表示。这一形式可以看成以u1(k),u2(k),u3(k)为输入，k1,k2,k3为权系数的神经网络结构，试推导出自适应神经网络PID控制器参数调整的学习算法。

解：自适应神经网络PID控制器结构如下图所示：

由图可知：控制器由两部分组成，分别为常规PID控制和神经网络。其中，常规PID直接对被控对象进行闭环控制，并且其控制参数kp、ki、kd为在线调整方式；神经网络根据系统的运动状态，调节PID控制器的参数，使输出层神经元的输出对应于PID控制器的三个可调参数。

学习算法如下：首先确定神经网络的结构，即确定输入节点数和隐含层节点数，并给出各层加权系数的初值w1和w2，并选定学习速率和惯性系数，令k=1；采样得到r(k)和y(k),计算当前时刻误差r(k)-y(k)；计算各神经网络的输入和输出，其输出层的输出即为PID控制器的三个控制参数kp、ki、kd并计算PID控制器的输出进行神经网络学习，在线调整加权系数，实现PID控制参数的自适应调整；令k=k1,进行上述步骤。 网络各层输入输出算法：

第八章 专家控制

1.什么叫产生式系统？它由哪些部分组成？试举例略加说明。

答：如果满足某个条件，那么就应当采取某些行动，满足这种生产式规则的专家系统成为产生式系统。 产生式系统主要由总数据库，产生式规则和推理机构组成。 举例：医疗产生式系统。

Word 文档

.

2.专家系统有哪些部分构成？各部分的作用如何？专家系统它具体有哪些特点和优点？

答：知识库：知识库是知识的存储器，用于存储领域专家的经验性知识以及有关的事实、一般常识等。知识库中的知识来源于知识获取机构，同时它又为推理提供求解问题所需的知识。

推理机：推理机时专家系统的思维机构，实际上是求解问题的计算机软件系统，综合推理机的运行可以有不同的控制策略。

数据库：它是用于存放推理的初始证据、中间结果以及最终结果等的工作存储器。

解释接口：它把用户输入的信息转换成系统规化的表现形式，然后交给相应的模块去处理，把系统输出的信息转换成用户易于理解的外部形式显示给用户，回答提出的问题。

知识获取：知识获取是指通过人工方法或机器学习的方法，将某个领域的事实性知识和领域专家所特有的经验性知识转化成计算机程序的过程。对知识库的修改和扩充也是在系统的调试和验证中进行，是一件困难的工作。

专家系统的特点：具有专家水平的专门知识，能进行有效的推理，专家系统的透明性和灵活性，具有一定的复杂性与难度。

3.在专家系统中，推理机制，控制策略和搜索方法是如何定义的，它们之间存在什么样的关系？

答：推理机制是根据一定的原则从已有的事实推出结论的过程，这个原则就是推理的核心。专家系统的自动推理是知识推理。而知识推理是在计算机或者智能机器中，在知识表达的基础上，进行机器思维，求解问题，实现知识推理的智能操作过程。在专家系统中，可以依据专家所具有的知识的特点来选择知识表示的方法，而只是推理技术同知识方法有密切的关系。

控制策略求解问题的策略，是推理的控制策略。而控制策略包括推理方向、推理路线、冲突消解策略等，按推理进行的路线与方向，推理可分正向推理、反向推理、混合推理。

搜索方法：推理机时用于对知识库中的知识进行推理来得到结论的思维机构。

三者关系：推理机制，控制策略（推理机构）和搜索方法三者都属于推理畴，是一个整体。只是执行顺序不同而已。 4.设计专家控制器时应考虑哪些特点？专家控制系统的一般结构模型为何？

答：设计控制器的一般原则：多样化的模型描述，在线处理的灵活性，灵活性的控制策略，决策机构的递阶性，推理

与决策的实时性。

专家控制系统的一般结构模型：

Word 文档

.

5.专家控制系统的特点是什么？它和一般的专家系统相同与区别在哪里？

答：专家控制系统具有全方面的专家系统结构、完善的知识处理功能和实时控制的可靠性能。这种系统采用黑板等结构，知识库庞大，推理机复杂。它包括有知识获取子系统和学习子系统，人机接口要求较高。专家式控制器，多为工业专家控制器，是专家控制系统的简化形式，针对具体的控制对象或过程，着重于启发式控制知识的开发，具有实时算法和逻辑功能。

专家控制系统与一般的专家控制系统的区别：

（1）通常的专家系统只完成专门领域问题的咨询功能，它的推理结果一般用于辅助用户的决策；而专家控制则要求能对控制动作进行独立的、自动的决策，它的功能一定要具有连续的可靠性和较强的抗干扰性。

（2）通常的专家系统一般处于离线工作方式，而专家控制则要求在线地获取动态反馈信息，因而是一种动态系统，它应具有使用的灵活性和实时性，即能联机完成控制。

6.直接专家控制系统和间接专家控制各有什么特点，从保证系统的稳定性来看有哪种方法更困难些？

答：直接专家控制系统的特点：直接专家控制系统中，专家控制系统直接起控制器作用，专家控制器在控制系统中所处的位置与常规控制器完全相同，所不同的是其部组成和工作原理，专家控制器采用PID常规的控制算法，基于知识库和推理机得到相应的控制输出。

间接专家控制系统的特点：其基本的控制作用由算法来完成，专家系统通过对使用算法的调用以及对各种算法参数的整定和修正，间接的控制作用。间接专家控制的系统结构因具体应用的不同会表现出更大的多样性，同时是PID参数的整定专家，这种专家控制的特点是专家系统间接的对控制信号起作用。

直接专家控制系统更困难一些：根据现场过程响应情况和环境条件，利用知识库中的专家经验规则，决定什么时候使用什么参数启动什么算法，它也可以是一个调参专家。根据知识库中的专家规则，调整PID参数及增益，所以从保证系统稳定性来看直接专家控制器方法更困难一些。

7.试比较专家控制系统和模糊控制系统在工作原理、推理机制、知识和规则表示方法的异同。 答：1.工作原理：

（1）专家控制系统：专家系统的工作过程是根据知识库中的知识和用户提供的事实推理，不断地由已知的前提推出未知的结论，并把这些未知的结论纳入工作存储空间，作为已知的新事物继续推理，从而把求解的问题由未知状态转换为已知状态。

（2）模糊控制系统：模糊控制是模仿人的思维方式和人的控制经验来实现的一种控制，把模糊集合的理论应用于控制就可以把人的经验形式化，在控制过程中实现模糊推理与决策。 2.推理机制：

（1）专家控制系统的推理机制是用于对知识库中的知识进行推理来得到结论的思维机构。专家系统的自动推理是知识推理。而知识推理是在计算机或智能机器中，在知识表达的基础上，进行机器思维，求解问题，实现知识推理的智能操作过程。

（2）模糊控制系统：模糊推理作为近似推理的一个分支，是模糊控制的理论基础。在实际应用中，它以数值计算而不是以符号推演为特征，它并不注重如像经典逻辑那样的基于公理的形式推演或基于赋值的语义运算，而是通过模糊推

Word 文档

.

理的算法，由推理的前提计算出结论。 3.知识

（1）专家控制系统：专家控制将系统视为基于知识的系统，控制系统的知识表示如下：

（a）受控过程的知识：先验知识，动态知识。

（b）控制、辨识、诊断知识：定量知识、定性知识。

（2）模糊控制系统：知识库包括数据库和规则库，模糊控制器设计的关键在于如何有效建立知识库。数据库的定性设计包括：量化等级的选择；量化方法；量化因子；模糊子集的隶属函数。

规则库：用一系列模糊条件描述的模糊控制规则就构成模糊控制规则库。 4.规则表示：

（1）专家控制系统：专家控制的规则库一般采用产生式规则表示：“IF控制局势，THEN操作结论”，由多条产生式规则构成规则库。

（2）模糊控制系统：规则的制定有很多种方法，最初的方法就是根据专家经验来确定，不过这种模糊规则有很大的主观性，因人而异，但大致趋势还是差不多的，还可以从已知数据中制造模糊规则，比如可以从最优控制得到的数据中提取模糊规则，还可以得到和最优控制类似的结果。还有就是专家经验与数据相结合，首先由专家提供一个初始的经验表，然后在进行过程中，根据测得的数据调整得到的经验表。

第九章 遗传算法

1遗传算法的基本操作有哪些步骤？在函数极大值遗传算法仿真中，通过改变群体大小M、终止进化代数G、交叉概率Pc和变异概率Pm，分析群体大小、终止进化代数、交叉概率和变异概率对优化效果的影响。 答：1、基本操作：

（1）选择操作：对种群中的个体进行逐个解码并根据目标函数计算适应值，以此为根据确定各个体的复制概率。 （2）复制操作：复制过程是个体串按照它们适配度进行复制，适配度越大的串，在下一代中将有更多的机会提供一个或多个子。

（3）交叉操作：通过在两个父代染色体的位串上随机选择一个位置，并把交叉点以后的部分互换而产生两个子代染色体的过程。

（4）变异操作：用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因的值。

各参数对优化效果的影响：

(1)种群大小M。种群规模M表示每一代种群中所含个体数目。当M取值较小时，可提高遗传算法的运算速度，但降低了种群的多样性，容易引起遗传算法早熟，出现假收敛，而当M取值较大时，又会使得遗传算法效率降低。一般建议的取值围是20~100.

（2）终止进化代数G。遗传算法不同于传统优化算法，它很难有明确的搜索终止准则（特别是对于非数值优化问题），于是通常需指定一个终止进化代数来终止算法，一般设G为[100,1000]。一般来说，事先指定G通常只能找到给定问题的在给定时限所能寻求的相对满意解，但不一定使问题的最优解或较高精度的近似解。为了获得较高精度解，通常可依据种群适应度的稳定情况来实现调整G的设置。

（3）交叉概率Pc。在遗传算法中交叉算子被认为是主要搜索算子，因而一般取较大值。一般说，较大的Pc容易破坏群体中已形成的优良模式，是搜索的随机性太大的Pc，后期降低Pc以保留优良个体。

（4）变异概率Pm。较大的变异概率Pm使遗传算法在整个搜索空间步跳跃，而小的变异概率使遗传算法聚焦于特别区域作局部搜索。一般在不使用交叉算子的情形下，变异算子作主要搜索算子，Pm取较大值（0.4~1）而在与交叉算子联合使用的情形，Pm通常取较小值（0.0001~0.5）.

Word 文档