图8-2中控制器的设计依据是被控制系统的动力学特征。如果被控制系统是不变的,例如,不会随时间变化——称为时不变系统,那么,该系统的控制器可以是固定的,典型的系统如追踪飞机的导弹控制系统,其控制器负责计算导弹推力和飞行方向,导弹的飞行特征是不变的——同类导弹的任何一发都是一样的。这种系统的控制器可以采用固定的控制算法,并以软件的形式固定下来。
然而,当被控系统自身经常变化,或受环境影响变化时,就会表现出多样的系统特征,这就需要改变控制器或其控制策略(算法),以适应对被控对象的最优控制。这种特征称为自适应的控制,如图8-3所示。
许多社会系统是经常变化的,不会像导弹等物理系统固定不变。这些系统更需要控制器能自我适应被控系统特征的变化。
像探索外空间的无人驾驶的飞船等,不仅仅需要自适应,需要更多的模拟人类推理,选择和采取合适的控制方式。1965年美国普渡大学傅京孙(K.S.Fu)教授首先把人工智能(AI)的启发式推理规则用于学习控制系统;1966年美国门德尔(J.M.Mendel)首先主张将AI用于飞船控制系统的设计。(www.xing528.com)
1967年,美国的莱昂德斯(C.T.Leondes)等人首次正式使用“智能控制”一词。1971年,傅京孙论述了AI与自动控制的交叉关系。
虽然如此,早期的智能控制系统采用是比较初级的智能方法,如模式识别和学习方法等,发展速度十分缓慢。直到20世纪80年代,基于AI的规则表示与推理技术(尤其是专家控制系统)得到迅速发展,如瑞典人奥斯特隆姆(K.J.Astrom)的专家控制,美国人萨里迪斯(G.M.Saridis)的机器人控制中的专家控制等。
20世纪80年代中期,人工神经网络的研究再度兴起,控制领域的研究者们提出并发展了利用人工神经网络(参见8.3.3节)的非线性逼近特性、自学习特性和容错特性的神经网络控制方法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
