單位：西安交通大學人工智能與機器人研究所 西安 710049 （E-mail: nnzheng@mail.xjtu.edu.cn） 摘 要 簡要介紹了控制科學的發(fā)展狀況；討論了傳統(tǒng)控制理論在解決實際問題中的一些局限性以及控制科學當前面臨的挑戰(zhàn)；闡述了控制科學與人工智能和認知科學等新興學科的結(jié)合將對處理復雜系統(tǒng)和社會經(jīng)濟中的一些重大課題提供有價值的科學理論和方法；強調(diào)了控制科學的進一步發(fā)展仍然要依賴于重大需求導向，使其在我國信息化帶動工業(yè)化和現(xiàn)代化的進程中發(fā)揮重要的作用。 關鍵詞 經(jīng)典控制，智能控制，人工智能，智能信息處理 A Survey Of Control Science And Technology ZHENG Nan-Ning JIA Xin-Chun YUAN Ze-Jian （Institute of the artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an 710049） （E-mail: nnzheng@mail.xjtu.edu.cn） Abstract In this paper, the development of control science is briefly introduced, and the limitations of traditional control theory and the challenge that control science faces are discussed. It is shown that integrating control science with artificial intelligence and cognitive science will provide valuable theories and methods for solving some important and knotty problems in complex systems and social economy. To insist on the demand-driven policy for further developing control science and technology will play an increasingly important role in the process of promoting and accelerating Chinese information industrialization and driving industrialization and modernization by information. Key words Classical control, intelligence control, artificial intelligence, intelligence information processing 1 控制科學與技術(shù)的發(fā)展狀況 控制科學與技術(shù)在20世紀的人類科技進步中起到了舉足輕重的作用，為了解決當今社會的許多挑戰(zhàn)性問題產(chǎn)生了積極的影響，提供了科學的思想方法論；為許多產(chǎn)業(yè)領域?qū)崿F(xiàn)自動化奠定了理論基礎，提供了先進的生產(chǎn)技術(shù)和先進的控制儀器及裝備。特別是數(shù)字計算機的廣泛使用，為控制科學與技術(shù)開辟了更廣泛的應用領域。 回顧近百年來的工程技術(shù)的發(fā)展，可以看到，20世紀的控制科學與技術(shù)是在實踐的重大需求驅(qū)動下快速發(fā)展的，他經(jīng)歷了若干重要的發(fā)展時期，如20世紀初的Lyapunov穩(wěn)定理論和PID控制律概念；20年代的反饋放大器；30年代的Nyquist與Bode圖；40年代維納的控制論；50年代貝爾曼動態(tài)規(guī)劃理論和龐特里亞金極大值原理；60年代卡爾曼濾波器、系統(tǒng)狀態(tài)空間法、系統(tǒng)能控性和能觀性；70年代的自校正控制和自適應控制；80年代針對系統(tǒng)不確定狀況的魯棒控制；90年代基于智能信息處理的智能控制理論。中國控制學科界的許多學者為控制理論和技術(shù)的發(fā)展也做出重要的貢獻[1, 2]。隨著計算機科學、網(wǎng)絡和智能信息處理技術(shù)的進步，以及社會生產(chǎn)力發(fā)展的強烈需求，在如何解決日益增加的復雜系統(tǒng)、網(wǎng)絡系統(tǒng)、多傳感器信息融合、生物、基因、量子計算、社會經(jīng)濟與生態(tài)等重大問題上，控制科學和自動化領域的研究者們在21世紀初面臨著更重大的、更為迫切的挑戰(zhàn)。 近30年來，控制科學在非線性系統(tǒng)控制、分布參數(shù)系統(tǒng)控制、系統(tǒng)辨識、隨機與自適應控制、魯棒控制、離散事件系統(tǒng)和混合系統(tǒng)、智能控制等研究方向上取得了許多重要進展。在21世紀初的十幾年，這些方向仍將是控制科學發(fā)展的主要研究方向[1, 2]，它們之間的交叉與結(jié)合，將形成許多應用性更強的重要研究方向。 非線性控制是控制理論中一個重要的研究分支[3]，目前在該方向的一些研究成果已應用于機器人、直升飛機與電力系統(tǒng)控制等實際控制工程中[4-8]?？梢灶A見，非線性控制理論的進一步發(fā)展，將對多機器人系統(tǒng)協(xié)調(diào)操作與大型網(wǎng)絡穩(wěn)定安全為背景的非線性系統(tǒng)的控制工程等產(chǎn)生重大影響?；煦缦到y(tǒng)作為非線性系統(tǒng)的重要組成部分，在混沌生成、混沌抑制、混沌同步化、混沌通訊應用以及混沌信息編碼等方面已經(jīng)取得一些突破性的進展[5-7]。這些研究成果將對復雜系統(tǒng)的深入研究提供了有意義的借鑒。 自20世紀70年代開始，國內(nèi)外學者開始重視分布參數(shù)系統(tǒng)的研究。分布參數(shù)系統(tǒng)是無窮維系統(tǒng)，一般由偏微分方程、積分方程、泛函微分方程或抽象空間中的微分方程所描述[9, 10]。我國學者在細長體彈性振動系統(tǒng)的建模和振動控制、振動系統(tǒng)的譜分析、能控性和反饋鎮(zhèn)定、一般無窮維系統(tǒng)的極大值原理、人口系統(tǒng)控制、人口預測和控制等方面都做出了重要貢獻。 由于實際系統(tǒng)的復雜性，人們往往很難（或不可能）從基本的物理定律出發(fā)直接推導出系統(tǒng)的數(shù)學模型，這就需要利用可以測量的系統(tǒng)輸入和輸出數(shù)據(jù)，來構(gòu)造系統(tǒng)內(nèi)結(jié)構(gòu)及參數(shù)的估計，并研究估計的可靠性和精度等問題，這就是系統(tǒng)辨識的任務。20世紀90年代，線性系統(tǒng)辨識理論趨于成熟，而非線性系統(tǒng)的辨識仍處于發(fā)展階段。近10年來，系統(tǒng)辨識領域有3個熱點研究方向：基于魯棒控制的數(shù)學模型要求的魯棒辨識，基于特殊信號驅(qū)動下的系統(tǒng)辨識[11]和基于智能信息處理的非線性系統(tǒng)辨識[12, 13]。 當實際系統(tǒng)受到的外界干擾和系統(tǒng)模型誤差被看作為隨機噪聲時，我們把這類系統(tǒng)稱為隨機系統(tǒng)[14]。近年來，在非線性濾波、隨機極大值原理、隨機最優(yōu)控制綜合等方面已有新的進展。人們?yōu)榱藢で竽軌驅(qū)嶋H應用并且性能良好的控制算法，由“分離思想”和“必然等價思想”發(fā)展了自適應控制的理論和方法[15]。在科學研究和工程實踐中，自適應算法已經(jīng)成為一種非常有效的重要方法。 一般地，系統(tǒng)的數(shù)學模型與實際系統(tǒng)存在著參數(shù)或結(jié)構(gòu)等方面的差異，而我們設計的控制律大多都是基于系統(tǒng)的數(shù)學模型，為了保證實際系統(tǒng)對外界干擾、系統(tǒng)的不確定性等有盡可能小的敏感性，導致了研究系統(tǒng)魯棒控制問題。近年來，對非線性系統(tǒng)的魯棒適應控制[16]的研究已成為一個熱點方向。人工神經(jīng)網(wǎng)方法、滑動模（sliding-mode）方法及魯棒控制方法的結(jié)合可以設計出對一大類連續(xù)時間非線性系統(tǒng)穩(wěn)定的自適應控制律[17]。20世紀80年代出現(xiàn)的H∞設計方法和變結(jié)構(gòu)控制（滑摸控制）推動了魯棒控制理論的發(fā)展[18.19]?，F(xiàn)在，系統(tǒng)H∞范數(shù)已成為系統(tǒng)的重要性能指標[20]。如何有效利用過程信息來降低系統(tǒng)的不確定性，是魯棒控制研究的重要內(nèi)容。由于許多控制問題可歸結(jié)為線性矩陣不等式（LMI）的研究，20世紀90年代中期出現(xiàn)了關于LMI的控制軟件工具。近幾年，非線性系統(tǒng)、時滯飽和系統(tǒng)、時滯故障系統(tǒng)的魯棒綜合控制問題已經(jīng)成為新的熱點研究方向[21-25]，而且已經(jīng)有不少應用實例，例如，核反應堆的溫度跟蹤魯棒控制、導彈系統(tǒng)的魯棒自適應最優(yōu)跟蹤設計、機器人操作的魯棒神經(jīng)控制[26-29]。 系統(tǒng)的狀態(tài)隨離散事件發(fā)生而瞬時改變，不能用通常的動態(tài)方程來描述，一般稱這類系統(tǒng)為離散事件動態(tài)系統(tǒng)（DEDS）[30]。對它的研究始于20世紀80年代初。目前已發(fā)展了多種處理離散事件系統(tǒng)的方法和模型，例如有限狀態(tài)馬爾科夫鏈、Petri網(wǎng)、排隊網(wǎng)絡、自動機理論、擾動分析法、極大代數(shù)法等。其理論已經(jīng)應用于柔性制造系統(tǒng)、計算機通信系統(tǒng)、交通系統(tǒng)等。離散事件系統(tǒng)的研究雖然取得較大進展，但還沒有一套完整的理論體系來評價離散時間系統(tǒng)模型與實際對象的差異。離散事件動態(tài)系統(tǒng)自然延伸就是混合動態(tài)系統(tǒng)。 包含離散事件動態(tài)系統(tǒng)（DEDS）和連續(xù)變量動態(tài)系統(tǒng)（CVDS）、兩者又相互耦合作用的系統(tǒng)稱為混合動態(tài)系統(tǒng)（HDS）。關于混合系統(tǒng)最早的文獻出現(xiàn)在1966年[31]。1979年瑞典人Cellier[8]首先引入混合系統(tǒng)結(jié)構(gòu)的概念，把系統(tǒng)分為離散、連續(xù)和接口3個部分。1989年Golli[32]針對計算機磁盤驅(qū)動器模型引入混合系統(tǒng)的概念，把連續(xù)部分和接口部分結(jié)合起來進行研究。雖然混合系統(tǒng)的研究取得了一些成果，但仍處于發(fā)展階段，其理論和應用研究仍是未來幾年的研究熱點。最近，混合系統(tǒng)的離散監(jiān)督控制、離散時間混合系統(tǒng)的最優(yōu)控制有了一些新的突破[13，33]，并且混合控制理論已逐步應用于電力系統(tǒng)的電壓安全控制和機器人協(xié)調(diào)控制等領域[34，35]。 現(xiàn)代工程技術(shù)、生態(tài)或社會環(huán)境等領域的研究對象往往是十分復雜的系統(tǒng)，對這類系統(tǒng)難以用常規(guī)的數(shù)學方法來建立準確的數(shù)學模型，需要用學習、推理或統(tǒng)計意義上的模型來描述實際系統(tǒng)，這就導致了智能控制的研究。智能控制的主要目標是使控制系統(tǒng)具有學習和適應能力?，F(xiàn)在，智能控制理論雖然取得了不少研究成果，但智能控制的理論體系還不夠成熟。最近，基于模糊推理的系統(tǒng)建模[36]、神經(jīng)網(wǎng)絡模型參考自適應控制、神經(jīng)網(wǎng)絡內(nèi)?？刂芠37]、神經(jīng)網(wǎng)絡非線性預測控制、混沌神經(jīng)網(wǎng)絡控制[38]等方面已有不少重要研究成果。智能控制理論有著廣泛的應用，例如，基于神經(jīng)動態(tài)規(guī)劃的直升機的鎮(zhèn)定控制[39]和航天軌道操作器的基于知識的分層控制[40]等。模糊推理、神經(jīng)網(wǎng)絡和遺傳算法均具有模擬人類思維結(jié)構(gòu)的方式的特點，將三者結(jié)合是智能控制研究的主要方向之一[26，41]。 2 傳統(tǒng)與現(xiàn)代控制理論的局限性 傳統(tǒng)控制器都是基于系統(tǒng)的數(shù)學模型建立的，因此，控制系統(tǒng)的性能好壞很大程度上取決于模型的精確性，這正是傳統(tǒng)控制的本質(zhì)?，F(xiàn)代控制理論可以解決多輸入、多輸出（MIMO）控制系統(tǒng)地分析和控制設計問題，但其分析與綜合方法也都是在取得控制對象數(shù)學模型基礎上進行的，而數(shù)學模型的精確程度對控制系統(tǒng)性能的影響很大，往往由于某種原因，對象參數(shù)發(fā)生變化使數(shù)學模型不能準確地反映對象特性，從而無法達到期望的控制指標，為解決這個問題，自適應控制、魯棒控制的研究便成為控制理論的研究熱點。20世紀80年代由加拿大學者Zames等人創(chuàng)始的H∞控制理論是魯棒控制理論的重要發(fā)展。但這些方法本質(zhì)上還是沒有擺脫基于數(shù)學模型的定量化思想。傳統(tǒng)控制，包括經(jīng)典反饋控制、現(xiàn)代控制理論等，在應用中遇到不少難題。機理建模所不可避免的模型誤差將導致估計器工作效果時好時壞，難以設計可靠、穩(wěn)定的控制系統(tǒng)。 2.1 傳統(tǒng)控制理論面臨的問題 1）控制對象的復雜性 傳統(tǒng)控制理論的思想是建立在精確數(shù)學模型基礎上的，然而對實際應用中的非線性、時變性、不確定性和不完全性的系統(tǒng)，一般無法獲得精確的數(shù)學模型。對含有對象復雜性和不確定性的控制過程，很難用傳統(tǒng)數(shù)學建模方法來解決建模問題。 2）控制方法和手段單一性 在研究一個實際的控制對象時，為了得到理論上性能良好的控制器，經(jīng)常提出一些比較苛刻的假設，然而這些假設在應用中往往與實際情況不相吻合。 根據(jù)現(xiàn)有的理論和技術(shù)描述復雜的控制過程會出現(xiàn)片面性、單一性，建立的模型有可能與實際過程相差甚遠。 傳統(tǒng)的控制對象往往局限于單一的、有確定的物理規(guī)律的系統(tǒng)。對于復合型系統(tǒng)，傳統(tǒng)的控制方法就顯得力不從心。 3）無法滿足控制性能的高要求 通常，控制系統(tǒng)需要具有所期望的控制精度、穩(wěn)定性及動態(tài)性能。為了提高系統(tǒng)性能，傳統(tǒng)控制系統(tǒng)可能變得相當復雜，從而使得系統(tǒng)的可靠性與其它系統(tǒng)性能成為不可調(diào)和的矛盾。 控制系統(tǒng)能夠處理數(shù)值的、符號的、定性的、定量的、確定的和模糊信息等各類信息，即要求控制系統(tǒng)具有多層次的信息處理結(jié)構(gòu)。傳統(tǒng)的控制方法是很難做到這一點的。 2.2 現(xiàn)代控制理論面臨的問題 1）控制對象與控制對象所處的環(huán)境的變化 隨著計算機網(wǎng)絡技術(shù)普及與發(fā)展，基于網(wǎng)絡的遠程控制受到人們的關注。在網(wǎng)絡環(huán)境下存在延時、數(shù)據(jù)的丟失、數(shù)據(jù)時序或序的變化及數(shù)據(jù)的非等間隔采樣，使得網(wǎng)絡環(huán)境的空地變得十分復雜和困難。同時，網(wǎng)絡自身的安全與控制也是一個十分重要和非常棘手的問題。 不同性質(zhì)、不同控制對象組合而成的混雜系統(tǒng)還缺乏理論支持和相應的技術(shù)手段。 多任務、多機器人的協(xié)調(diào)控制問題。 2）理論問題 由于復雜系統(tǒng)的建模、穩(wěn)定性與系統(tǒng)設計缺乏理論支撐和指導，有必要綜合應用其他學科，如數(shù)學、信息科學、系統(tǒng)科學與認知科學的最新進展來建立一個解決復雜性問題的完整理論。 3）控制要求 具有多種信息或傳感信息的綜合能力；具有自學習和自適應能力，能夠自主調(diào)整控制機構(gòu)；高可靠性；控制系統(tǒng)本身應該具有良好的控制特性；在出現(xiàn)故障和意外時，能及早進行自我故障診斷及排除。 現(xiàn)代控制系統(tǒng)應該具有良好的容錯性和魯棒性。 在一些情況下需要構(gòu)造一個合理的人機協(xié)作的控制系統(tǒng)。 基于上述問題，控制科學界多年來一直在探索著新的方法，尋求更加符合實際的“發(fā)展軌跡”。近十年來，人工智能學科新的進展給人們帶來了希望。由于得益于計算機科學技術(shù)和智能信息處理的高速發(fā)展，智能控制逐漸形成一門學科，并在實際應用中顯示出強大的生命力。與此同時，許多控制學科領域的工作者也開始認識到，在許多系統(tǒng)中，復雜性不只是表現(xiàn)在高維性上，更多的則是表現(xiàn)在系統(tǒng)信息的模糊性、不確定性、偶然性和不完全性上。能否用人工智能的人工神經(jīng)網(wǎng)絡、模糊邏輯推理、啟發(fā)式知識、專家系統(tǒng)等理論去解決難以建立精確數(shù)學模型的控制問題一直是我們十多年來追求的目標。 3 智能信息處理技術(shù)和控制科學的交融與結(jié)合 隨著許多復雜的社會經(jīng)濟與生態(tài)問題和全球網(wǎng)絡信息安全問題的出現(xiàn)及對許多復雜系統(tǒng)“涌現(xiàn)”機理的研究，許多科學家對傳統(tǒng)的控制理論與非線性分析、隨機系統(tǒng)、統(tǒng)計學習、人工智能、認知科學等學科的結(jié)合產(chǎn)生了極大興趣，特別是將人工神經(jīng)網(wǎng)絡、模糊邏輯、遺傳計算、專家系統(tǒng)、混沌和其它常規(guī)信號信息處理相結(jié)合，在新的層次上實現(xiàn)控制的自適應和反饋。 20世紀70年代，傅京孫教授提出把人工智能的直覺推理方法用于機器人控制和學習控制系統(tǒng)，并將智能控制概括為自動控制和人工智能的結(jié)合。傅京孫、Glorioso和Sardi等人從控制理論的角度總結(jié)了人工智能技術(shù)與自適應、自學習和自組織控制的關系，正式提出了建立智能控制理論的構(gòu)想。1967年，Leondes和Mendel首次正式使用“智能控制”一詞。1985年8月在美國紐約IEEE召開的智能控制專題討論會，標志著智能控制作為一個新的學科分支正式被控制界公認。智能控制不同于經(jīng)典控制理論和現(xiàn)代控制理論的處理方法，它研究的主要目標不僅僅是被控對象，同時也包含控制器本身?？刂破鞑辉偈菃我坏臄?shù)學模型，而是數(shù)學解析和知識系統(tǒng)相結(jié)合的廣義模型，是多種知識混合的控制系統(tǒng)。 經(jīng)驗主義和理性主義的模型與解釋在很大程度上影響著人類的認知過程。人的經(jīng)驗是在多次的“反饋”過程中逐步積累。因此，對于智能和控制的關系，應該合理地發(fā)揮經(jīng)驗的作用，從進化的角度把智能活動看成動態(tài)發(fā)展的過程，即實現(xiàn)控制系統(tǒng)的“反饋”應是動態(tài)、分層、綜合的過程。智能信息處理技術(shù)為“反饋”提供了更“聰明”的實現(xiàn)形式。 長期以來，人們在信息處理中的認知模型和基于感知的智能化信息處理研究領域作了不少工作，取得了很大進展，但其水平距人們所期望的還相差甚遠。這主要是由于所使用的方法與人腦的認知信息處理過程有這種大差別，如頻譜分析方法、句法分析和傳統(tǒng)的人工智能方法等不具有開放性、動態(tài)性和靈活性等智能信息處理方法所應有的特征，因而它們只在特殊的應用領域內(nèi)取得有限的成功。 事實上，人類的許多科學成就都來自對自然界中相應事物的觀察和深入研究，例如人類由鳥類的飛行得到啟發(fā)從而發(fā)明了飛機。同樣，對信息的加工處理和智能控制系統(tǒng)的設計，自然界也給我們提供了一個非常完美的范例——人腦。因而智能信息處理系統(tǒng)的研究與發(fā)展需要借助于對大腦認知功能深入全面的研究。人對外部世界的認知過程，本質(zhì)上是一個多傳感信息的融合過程。人腦通過對多通道信息的相互監(jiān)督（self-supervision）完成學習，從而獲得對外部事物的知識；通過對多傳感信息的融合，實現(xiàn)對目標的識別與解釋；并可以根據(jù)已有知識對各傳感器實行控制。這種前饋和反饋過程的完美結(jié)合，使人腦具有極高的智能水平，即使在噪聲環(huán)境下或傳感信息不可靠時，人腦也能有效地完成其智能活動。這為構(gòu)造智能系統(tǒng)提供了完美的典范。自從人工智能形成一個學科以來，科學家們遵循著一條明確的指導思想，，即研究和總結(jié)人類思維的普遍規(guī)律，并用計算機模擬它的功能實現(xiàn)。正如飛機并不是簡單模擬鳥而發(fā)明的，因此智能信息處理系統(tǒng)的研究也不應該機械照搬人腦認知模式。 3.1 智能控制系統(tǒng)的基本功能特點 1） 容錯性。對復雜系統(tǒng)（如非線性、快時變、復雜多變量和環(huán)境擾動等）能進行有效的全局控制，并具有較強的容錯能力。 2） 多模態(tài)性。定性決策和定量控制相結(jié)合的多模態(tài)組合控制。 3） 全局性。從系統(tǒng)的功能和整體優(yōu)化的角度來分析和綜合系統(tǒng)。 4） 混合模型和混合計算。對象是以知識表示的非數(shù)學廣義模型和以數(shù)學模型表示的混合控制過程，人的智能在控制中起著協(xié)調(diào)作用，系統(tǒng)在信息處理上既有數(shù)學運算，又有邏輯和知識推理。 5） 學習和聯(lián)想記憶能力。對一個過程或未知環(huán)境所提供的信息，系統(tǒng)具有進行識別記憶、學習，并利用積累的經(jīng)驗進一步改善系統(tǒng)的性能和能力。 6） 動態(tài)自適應性。對外界環(huán)境變化及不確定性的出現(xiàn)，系統(tǒng)具有修正或重構(gòu)自身結(jié)構(gòu)和參數(shù)的能力。 7） 組織協(xié)調(diào)能力。對于復雜任務和分散的傳感信息，系統(tǒng)具有自組織和協(xié)調(diào)能力，體現(xiàn)出系統(tǒng)的主動性和靈活性。 3.2 智能控制的主要研究分支 1） 模糊邏輯控制 傳統(tǒng)的控制問題一般是基于系統(tǒng)的數(shù)學模型來設計控制器，而大多數(shù)工業(yè)被控對象是具有時變、非線性等特性的復雜系統(tǒng)，對這樣的系統(tǒng)進行控制，不能僅僅建立在平衡點附近的局部線性模型，需要加入一些與工業(yè)狀況有關的人的控制經(jīng)驗。這種經(jīng)驗通常是定性的或定量的，模糊推理控制正是這種控制經(jīng)驗的表示方法，這種方法的優(yōu)點是不需要被控過程的數(shù)學模型，因而可省去傳統(tǒng)控制方法的建模過程，但卻過多地依賴控制經(jīng)驗。此外，由于沒有被控對象的模型，在投入運行之前就很難進行穩(wěn)定性、魯棒性等系統(tǒng)分析。近年來，一些研究者們在模糊控制模式中引入模糊模型的概念，出現(xiàn)了模糊模型。模糊模型易于表達結(jié)構(gòu)性知識，成為模糊控制系統(tǒng)研究的關鍵問題[42-44]。最近，模糊控制理論成功地應用于飛行器的優(yōu)化跟蹤設計和產(chǎn)品加工過程[28，45]。 2） 模糊預測控制 預測控制是為適應復雜工業(yè)過程控制而提出的算法，它突破了傳統(tǒng)控制對模型的束縛，具有易于建模、魯棒性好的特點，對于解決大滯后對象控制問題是一條有效的途徑。模糊建模是非線性系統(tǒng)建模的一個重要工具，也是復雜工業(yè)過程控制中廣泛使用的方法。把預測控制和模糊推理相結(jié)合[46]是很有吸引力的研究方向之一。 3） 神經(jīng)網(wǎng)絡控制 神經(jīng)網(wǎng)絡控制是研究和利用人腦的某些結(jié)構(gòu)機理以及人的知識和經(jīng)驗對系統(tǒng)的控制。一般地，神經(jīng)網(wǎng)絡控制系統(tǒng)的智能性、魯棒性均較好，它能處理高維、非線性、強耦合和不定性的復雜工業(yè)生產(chǎn)過程的控制問題。顯示了神經(jīng)網(wǎng)絡在解決高度非線性和嚴重不確定性系統(tǒng)的控制方面具有很大潛力。雖然神經(jīng)網(wǎng)絡在利用系統(tǒng)定量數(shù)據(jù)方面有較強的學習能力。但它將系統(tǒng)控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，不易把控制經(jīng)驗的定性知識融入控制過程中。近來，在神經(jīng)網(wǎng)絡自適應控制[47]、人工神經(jīng)網(wǎng)絡閥函數(shù)的數(shù)字設計[48]、新的混合神經(jīng)網(wǎng)絡模型[49]等方面都有一些重要進展，如應用于機器人操作過程神經(jīng)控制[28]、核反應堆的載重操作過程的神經(jīng)控制[50]。近年來，神經(jīng)網(wǎng)絡、模糊推理、各種特殊信號的有機結(jié)合，還導致了一些新的綜合神經(jīng)網(wǎng)絡的出現(xiàn)。例如，小波神經(jīng)網(wǎng)絡[51]、模糊神經(jīng)網(wǎng)絡[46，52]和混沌神經(jīng)網(wǎng)絡[38]的出現(xiàn)，為智能控制領域開辟了新的研究方向。 4） 基于知識的分層控制設計 對于復雜控制對象，單一地采用傳統(tǒng)控制不能獲得理想的系統(tǒng)性能，這時需要智能的控制策略。分層控制恰好體現(xiàn)了這一思想，底層采用傳統(tǒng)的控制方法，高層采用智能策略協(xié)調(diào)底層工作，這就是基于知識的分層控制設計。這種控制設計理論已經(jīng)應用到機器人、航天飛行器等領域[53-55]。 3.3 模糊推理和神經(jīng)網(wǎng)絡在控制中應用的區(qū)別 1） 模糊控制是基于規(guī)則的推理，神經(jīng)網(wǎng)絡則需要大量的數(shù)據(jù)學習樣本。在有足夠的系統(tǒng)控制知識情況下，基于模糊規(guī)則控制較好；如果系統(tǒng)有足夠的各態(tài)遍歷的學習樣本，應用神經(jīng)網(wǎng)絡通過學習可得到滿意的控制器。 2） 模糊映射在系統(tǒng)中是集合到集合的規(guī)則映射，神經(jīng)網(wǎng)絡則是點到點的映射。模糊邏輯容易表達人們的控制經(jīng)驗等定性知識，而神經(jīng)網(wǎng)絡在利用系統(tǒng)定量數(shù)據(jù)方面有較強的學習能力。 3） 神經(jīng)網(wǎng)絡控制將系統(tǒng)控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，因而控制經(jīng)驗的定性知識不易融入控制中。模糊控制一般把對被控對象看作是“灰箱”。 4 控制理論的完善與控制技術(shù)的發(fā)展 自從美國科學家維納于20世紀40年代創(chuàng)立控制論以來，控制科學已經(jīng)經(jīng)歷了經(jīng)典控制理論和現(xiàn)代控制理論兩個階段，并進入智能控制理論這一重要發(fā)展階段，盡管還不夠成熟。在處理復雜系統(tǒng)控制問題時，傳統(tǒng)控制方法對于復雜性、不確定性、突變性所帶來的問題總有些力不從心。為了適應不同技術(shù)領域和社會發(fā)展對控制科學提出的新要求，我們必須發(fā)展新的控制模式。國內(nèi)外控制科學界都在探索新的控制理論，以解決各類復雜系統(tǒng)的控制問題。近年來，越來越多的學者已意識到在傳統(tǒng)控制中加入邏輯、推理和啟發(fā)式知識的重要性，把傳統(tǒng)控制理論與模糊邏輯、神經(jīng)網(wǎng)絡、遺傳算法等人工智能技術(shù)相結(jié)合，充分利用人的控制知識對復雜系統(tǒng)進行智能化控制，逐漸形成了智能控制理論的較完整的體系[56，57]。 控制科學所面臨的挑戰(zhàn)問題。 1） 高度自主的復雜工程系統(tǒng)的設計與控制。我們面臨的復雜系統(tǒng)是一個由多個子系統(tǒng)構(gòu)成，每個子系統(tǒng)本身都可能是一個復雜的、具有高度自主性的系統(tǒng)，需要有效地協(xié)調(diào)這些子系統(tǒng)的行為。所設計的工程系統(tǒng)不僅有很高的復雜度，而且同時還要能在人監(jiān)督最少的情況下運行良好，表現(xiàn)出高度自主的行為。 2） 智能控制與基于人類行為的智能化信息處理。智能控制方法是對傳統(tǒng)控制方法的擴展和提高，也是設定和完成控制目標時實現(xiàn)高自主度所必需的，在不確定條件下的規(guī)劃、大量數(shù)據(jù)的處理中，進行有效的復雜過程控制。 3） 復雜工業(yè)系統(tǒng)的故障快速處理、系統(tǒng)重構(gòu)與修復，復雜環(huán)境中仿人機器人的設計和制造，社會系統(tǒng)中的重大事變（戰(zhàn)爭、自然災害、金融危機）的應急指揮和組織系統(tǒng)都存在著如何適應外部世界不確定性的動態(tài)變化問題。人類的行為特征充分反映了對外界環(huán)境的反應能力。研究基于人類行為特征的信息處理原理和方法，即研究系統(tǒng)在不確定性動態(tài)環(huán)境中的反應能力和對外界事務充分感知的能力[58]。 4） 學習控制系統(tǒng)。學習是自動化系統(tǒng)一直追求的目標。它是指系統(tǒng)能夠根據(jù)環(huán)境或目標改變其行為。學習控制系統(tǒng)應能夠在控制過程發(fā)生變化時修改控制規(guī)律。 5） 綜合智能處理方法。目前，人們在自適應、監(jiān)督與迭代式設計等方面做了大量的研究和開發(fā)工作。由于將人工智能技術(shù)引入到控制領域中，可用來處理其它一些學習特征，如估計、聚類、重構(gòu)、推理、創(chuàng)造、刪除等功能，特別是需要綜合人工智能中的多種技術(shù)來實現(xiàn)上述系統(tǒng)功能[59，60]。 6） 復雜系統(tǒng)的理論體系的形成。復雜系統(tǒng)的主要特征歸納為：系統(tǒng)動力學模型的不確定性、測量信息的粗糙性和不完整性、動態(tài)行為或擾動的隨機性、離散層次和連續(xù)層次的混雜性、系統(tǒng)動力學的高度非線性、狀態(tài)變量的高維性和分布性、子系統(tǒng)及層次多樣性和個子系統(tǒng)間的強耦合性、部分子系統(tǒng)的無法建模性等。復雜系統(tǒng)控制在規(guī)模上、復雜性及靈活性上將大大突破傳統(tǒng)的自動控制在概念和方法上的局限性。它要求控制系統(tǒng)對被控對象的動力學模型要有“學習”和“識別”能力，對環(huán)境和擾動的變化要有“適應”和“魯棒”能力。 一般地，提高系統(tǒng)的智能度主要有兩種途徑：一是在基于古典精確邏輯的基礎上，通過增加并行度來加快系統(tǒng)的演化速度，從而提高系統(tǒng)的智能；二是開發(fā)新的高智能的邏輯形式。前者，主要是考慮計算速度，這同樣有兩種途徑，一方面在原有算法基礎上開發(fā)相應的并行算法；另一方面是設計出高效且具有高并行度的新型算法。后者，主要是從系統(tǒng)本身出發(fā)來提高它的智能度，其主要手段是通過對人或高等動物以及自然界的研究中得到一些啟示，并應用于新系統(tǒng)的設計中。綜合智能信息處理將以神經(jīng)網(wǎng)絡并行分布處理和基于專家系統(tǒng)等人工智能符號邏輯推理為兩種重要的基本方式，并與模糊邏輯、進化計算、混沌動力學、信號處理與變換等方法綜合集成，特別是軟計算（神經(jīng)網(wǎng)絡、模糊邏輯和概率推理）、不確定性推理與自組織及仿生計算等。 5 結(jié)束語 20世紀以來，控制科學與工程技術(shù)對近代世界技術(shù)文明的許多成就作出了巨大貢獻，發(fā)展了許多研究方法和開創(chuàng)了不少交叉科學，它是現(xiàn)代技術(shù)科學的思想基石和方法學?？刂瓶茖W與工程技術(shù)的歷史是輝煌的，但我們應該面對客觀世界的現(xiàn)實，更加積極地、嚴謹?shù)亻_拓和創(chuàng)造未來?？刂瓶茖W在解決21世紀的社會復雜問題上及跨學科問題方面具有不可替代的重要作用，也是能夠提供最適當、最聰明方法的學科領域之一。今后的控制科學方法需要以一種集成的方式來考慮系統(tǒng)以及相關的設計要求。將控制科學與其它領域密切結(jié)合，解決我國經(jīng)濟與社會發(fā)展中基礎技術(shù)科學、工業(yè)、農(nóng)業(yè)、能源、國防、乃至國家安全所涉及的控制與自動化的重大基礎理論問題，帶動社會全面信息化和工業(yè)化的一些關鍵技術(shù)的發(fā)展。 復雜系統(tǒng)和智能系統(tǒng)的研究是21世紀控制科學發(fā)展的主要方向，宋健院士在北京IFAC大會上所作的“智能控制——跨越世紀的目標”的報告，在一定程度上指明了今后控制科學發(fā)展的方向。控制科學的發(fā)展面臨著嚴峻問題與挑戰(zhàn)，又存在良好發(fā)展機遇。為了解決面臨的難題，第一要把傳統(tǒng)的控制科學的研究進一步深化、綜合化，重視控制硬件、軟件和智能信息處理方法的結(jié)合，實現(xiàn)控制系統(tǒng)的智能化；第二要大力推進控制科學與計算機科學、信息科學、系統(tǒng)科學以及人工智能的有機結(jié)合，為控制科學的發(fā)展提供新思想、新方法和新技術(shù)；第三要以重大需求為導向推動控制科學與技術(shù)的更高層次的發(fā)展，使控制科學與技術(shù)在我國以信息化帶動工業(yè)化和社會經(jīng)濟的快速健康發(fā)展中發(fā)揮重要作用。 參考文獻 1 Bennett S. A brief history automatic control. IEEE Control Systems, 1996, 16（3）:17-25 2 陳翰馥，郭雷?，F(xiàn)代控制理論的若干進展及展望?？茖W通報，1998，43（1）：1-7 3 Isidori A. Nonlinear Control Systems. Berlin: Springer-Verlag,1989 4 Huang C Q, Wang X G, Wang Z G. A further result of the nonlinear mixed H2/Hinfinity tracking control problem for robotic system. Journal of Robotic Systems, 2002, 19（1）:25-36 5 Carroll T L. Using the cyclostationary properties of chaotic signals for communication. IEEE Trans. Circuits and Systems I, 2002, 49（3）:357-362 6 Williams C. Chaotic communications over radio channels. IEEE Trans.Circuits and Systems I, 2001, 48（12）:1394-1404 7 Tang S, Chen H F et al. Message encoding and decoding through chaos modulation in chaotic optical communications. IEEE Trans. Circuits and Systems I, 2002, 49（2）:163-169 8 Cellier F E. Combined continuous/discrete system simulation by use of digital computer: Techniques and tools. Zurich, Switzerland: Swiss Federal Institute of Technology, 1979 9 Bensoussan A, Prato G D, Delfour M C et al. Representation and Control of Infinite Dimensional Systems, Volumes 1 and 2. Boston: Birkhauser, 1992 10 Li S J, Yu J Y, Zhu G T. Stabilization of high eigenfrequencies of a beam equation with generalized viscous damping. SIAM J. Control and Optimization, 1999, 37（6）:1767-1779 11 Zhiwen Z, Leung H. Identification of linear systems driven by chaotic signals using nonlinear prediction. IEEE Trans. Circuits and Systems I, 2002, 49（2）:170-180 12 Siettos C I, Bafas G V, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Seta and Systems, 2002, 126（1）:89-104 13 Liu R H, Zhang Q, Yin G. Asymptotically optimal controls of hybrid linear quadratic regulators in discrete time. Automatica, 2002, 38（3）:409-419 14 Chen H F, Guo L. Identification and Stochastic Adaptive Control. Boston: Birkhauser, 1991 15 Landau I D, Lozano R, M’Saad M. Adaptive Control. London: Springer, 1998 16 Han H, Su C-Y. Robust fuzzy control of nonlinear systems using shape adaptive radial basis functions. Fuzzy Sets and Systems, 2002, 125（1）:23-38 17 Ge S S, Wang Cong. Adaptive NN control of uncertain nonlinear pure-feedback systems. Automatica, 2002, 38（4）:671-682 18 Zhou K, Doyle J C, Glover K. Robust and Optimal Control. Englewood, Clifls: Prentice-Hall, 1996 19 Byrnes C I, Priscoli F D, Isidori A. Output Regulation of Uncertain Nonlinear Systems. Boston: Birkhauser, 1997 20 Bolzern P, Colaneri P et al. Guaranteed Hinfinity robustness bounds for Wiener filtering and prediction. International Journal of Robust and Nonlinear Control, 2002, 12（1）:41-56 21 Raffaella D S, Alberto I. On the output regulation for linear systems in the presence of input saturation. IEEE Trans. Automatic Control, 2001, 46（1）:156-160 22 Yong Y C, Zongli L, Tingshu H. Stability analysis of linear time-delay systems subject to input saturation. IEEE Trans. Circuits and Systems I,2002, 49（2）:233-240 23 Liu D, Molchanov A. Criteria for robust absolute stability of time –varying nonlinear continuous-time systems. Automatica, 2002, 38（4）:627-637 24 Niculescu S-I, Verriest E I, Dugard L, Dion J-D. Stability and robust stability of time-delay systems: A guided tour. In: Stability and Control of Time-Delay Systems. Eds. London: Springer-Verlag, 1997, 228 25 Jia Xinchun, Zheng Nanning. Reliable grading robust stabilization for uncertain time-varying system Via dynamic compensater. Progress on Natural Science （Chinese）, 2002, 12（9）:60-67 26 Chang W, Jin B P, Young H J, Chen G. Design of robust fuzzy-model-based controller with sliding mode control for SISO nonlinear systems. Fuzzy Sets and Systems, 2002, 125（1）:1-22 27 Sampath V, Palanki S, Cockbum J C, Corriou J-P. Robust controller design for temperature tracking problems in jacketed batch reactors. Journal of Process Control, 2002, 12（1）:27-28 28 Uang H-J, Chen B-S. Robust adaptive optimal tracking design for uncertain missile systems: A fuzzy approach. Fuzzy Sets and Systems, 2002, 126（1）:63-87 29 Barambones O, Etxebarria V. Robust neural control for robotic manipulators. Automatica, 2002, 38（2）:235-242 30 Balemi S, Kozak P, Smedinga R. Discrete Event Systems: Modeling and Control. Boston: Birkh-auser, 1993 31 Witsenhausen H S. A class of hybrid-state continuous-time dynamic systems. IEEE Trans. Automatic Control, 1966, 11（6）:665-683 32 Golli A, Varaiya P. Hybrid dynamic systems. In: Proc. of the 28th IEEE Conference on Decision and Control, Tampa Florida, USA, 1989. 2708-2712 33 Moor t, Raisch J, O’Young S. Discrete supervisory control of hybrid systems based on 1-complete approximations. Discrete Event Dynamic Systems: Theory and Applications, 2002, 12（1）:83-107 34 Popvic D H, Hill D J, Wu Q. Optimal voltage security control of power systems. International Journal of Electrical power and Energy System, 2002, 24（4）:305-320 35 Egerstedt M, Hu X. A hybrid control approach to action coordination for mobile robots. Automatica, 2002, 38（1）:125-130 36 Oh S-K, Pedrycz W, Park B-J. Hybrid identification of fuzzy rule-based models. International Journal of Intelligent Systems, 2002, 17（1）:77-103 37 Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control. IEE PROC. Control Theory and Applications, 1991, 138（5）:431-438 38 李耀勇，鄭南寧。對處于混沌狀態(tài)的神經(jīng)網(wǎng)絡的控制。計算機學報， 1998， 21（增刊）：142-146 39 Enns R, Si J. Apache helicopter stabilization using neural dynamic programming. Journal of Guidance, Control and Dynamics, 2002, 25（1）:19-25 40 Goulet J F, De Silva C W, Modi A K, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astromnautica, 2002, 50（3）:139-148 41 Venkat A N, Gudi R D. Fuzzy segregation-based identification and control of nonlinear dynamic systems. Industrial and Engineering Chemistry Research, 2002, 41（3）:538-552 42 Rojas I, Gonzalez J, Rojas F, Damas M, Fernandez F J, Pomares H. A two-stage approach to self-learning direct fuzzy controllers. International Journal of Approximate Reasoning, 2002, 29（3）:267-289 43 Yi J Q, Yubazaki N, Hirota K. A new fuzzy controller for stabilization of parallel-type double inverted pendulum system. Fuzzy Sets and Systems, 2002, 126（1）:105-119 44 Siettos C I, Bafas G I, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Sets and Systems, 2002, 126（1）:89-104 45 Kuo H C, Wu L J. Fuzzy control of a heat-bending system. Journal of Materials Processing Technology, 2002, 120（1-3）:186-201 46 Yin H, Wong S C, Xu J, Wong C K. Urban traffic flow prediction using a fuzzy-neural approach. Transportation Research Part C: Emerging Technologies, 2002, 10（2）:85-98 47 Huang S N, Tan K K, Lee T H. Adaptive motion control using neural network approximations. Automatica, 2002, 38（2）:227-233 48 Basterretxea K, Tarela J M, Del Campo I. Digital design of sigmoid approximator for artificial neural networks. Electronics Letters, 2002, 38（1）:35-37 49 Gao L, Lonev N W. New hybrid neural network model for prediction of phase equilibrium in a two-phase extraction system. Industrial and Engineering Chemistry Research, 2002, 41（1）:112-119 50 Khajavi M N, Menhaj M B, Suratgar A A. A neural network controller for load following operation of nuclear reactors. Annals of Nuclear Energy, 2002, 29（6）:751-760 51 Wai R-J, Chang J-M. Intelligent control of induction servo motor drive via wavelet neural network. Electric Power Systems Research, 2002, 61（1）:67-76 52 Jurado F, Ortega M, Cano A, Carpio J. Neuro-fuzzy controller for gas turbinein biomass-based electric power plant. Electric Power Systems Research, 2002, 60（3）:123-135 53 Goulet I F, De Silva C W, Modi V I, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astronautica, 2002, 50（3）:139-148 54 De Silva, C W, MacFarlane A G J. Knowledge-based control approach for robotic manipulators. International Journal of Control, 1998, 50（1）:249-273 55 Goulet J F. Intelligent hierarchical control of a deployable manipulator[M S Thesis]. Department of Mechanical Engineering, The University of British Columbia, Vancouver, Canada, 1999 56 李少遠，席裕庚，陳增強，袁著祉。智能控制的新進展。控制與決策，2000，15（1）：1-5 57 鄭南寧。認知過程的信息處理和新型人工智能系統(tǒng)。中國基礎科學，2000， 8：9-18 58 Karny M, Nagy I, Novovicova J. Mixed-data multi-modelling for fault detection and isolation. International Journal of Adaptive Control and Signal Processing, 2002, 16（1）:61-83 59 Guijarro B B, Alonso B A, Fontenla R O. Intelligent analysis and pattern recognition in cardiotocographic signals using a tight coupled hybrid system. Artificial Intelligence, 2002, 136（1）:1-27 60 Lau H C W, Ip R W L, Chan F T S. An intelligent information infrastructure to support knowledge discovery. Expert Systems with Applications, 2002, 22（1）:1-10 鄭南寧 教授，中國工程院院士。研究領域為智能信息處理、機器人視覺與模式識別等。 賈新春 教授，1988年獲中科院系統(tǒng)科學研究所碩士學位。研究領域為魯棒控制、智 能信息處理、廣義系統(tǒng)等。 袁澤劍 博士研究生。研究領域為智能信息處理、機器人視覺與模式識別等。