原标题:黄琳院士:人工智能时代下关于智能控制的几个问题

随着自动化程度的不断提高,运动控制系统可以采用以前很难实现的复杂算法,控制性能也有了很大的提高。运动控制系统中控制器的智能化,为解决那些用传统方法难以解决的复杂系统的控制提供了有效的理论和方法。运动控制方法较为成熟的有:PID控制算法、人工神经网络控制、模糊控制、专家控制、仿人智能控制等。

图片 1

二、运动控制的主要方法

黄琳

1.PID控制。PID控制是最早发展起来的、应用领域至今仍然广泛的控制方法之一,它是基于对象数学模型的方法,尤其适用于可建立精确数学模型的确定性控制系统。但对于非线形、时变不确定性系统,难以用常规的PID控制器达到理想的控制效果。而且,在实际生产中,由于受参数整定方法繁杂的困扰,常规的PID参数往往整定不良、性能欠佳。

中国科学院院士

2.人工神经网络控制。人工神经网络起源于20世纪40年代,它从某些方面反映了人脑的基本特征,但并不是人脑的真实描写,而只是它的抽象、简化和模拟,网络的信息处理由神经元间的相互作用来实现。神经网络控制的关键是选择一个合适的神经网络模型,并对其进行训练与学习,直至达到要求为止,即寻找最优的神经网络结构与权值。然而,神经网络的学习,需要一定的实验样本,这些实验样本也必须从已知经验和事先的实验中获得。同时,神经网络的训练与学习过程,有时较为复杂,需要运行成千上万次才能获得最佳结构。有时获得的是一个局部最优解,而不是全局最优解,因方法的局限性,同样也难于对所讨论的对象实现有效的控制。

图片 2

3.模糊控制。实际工程中,一个非常熟练的操作人员,能凭借自己丰富的实践经验,通过对现场的各种现象的判断取得较满意的控制效果。如果将凭经验所采取的措施转变成相应的控制规则,并且研制一个控制器来代替这些规则,也可实现对复杂工业过程的控制。实践证明,以模糊控制理论为基础的模糊控制器能够完成这个任务。

杨莹

模糊控制是基于模糊推理和模仿人的思维方法,对难以建立数学模型的对象实施的一种控制。它用模糊数学中的模糊集合来刻画这些模糊语言,并用产生式规则,即“假如条件成立则执行”语句予以实现。模糊控制技术的应用在国内已取得明显效果。

北京大学,教授

4.专家控制。专家控制是智能控制的一个重要部分,它在将专家系统的理论和技术同控制理论的理论和方法有机结合的基础上,在未知环境下模仿专家的智能,实现对系统的有效控制。专家控制的核心是专家系统,它具有处理各种非结构性问题,尤其是处理定性的、启发式的或不确定性的知识信息,经过各种推理过程达到系统的控制目标。

图片 3

5.仿人智能控制。仿人智能控制(HSIC)经过20年来的努力,已形成了基本理论体系和较系统的设计方法,并在大量的实际应用中获得成功。其主要内容是总结人的控制经验,模仿人的控制思想和行为,以产生式规则描述其在控制方面的启发与直觉推理行为。由于HSIC的基本特点是模仿控制专家的控制行为,因此它的控制算法是多模态控制的,是多种模态控制间的相互交替使用。该算法可以完美地协调控制系统中诸多相互矛盾的控制品质的要求。比如,鲁棒性与精确性,快速性与平稳性等。

李忠奎

三、供水泵站特点与其控制要求

北京大学,副教授

在城市建设的发展过程中,智能建筑已成为人们追求良好居住条件的一个标准,而供水泵站是智能建筑群域不可缺少的环节,合理选择水泵的控制方式,不仅可以降低工程造价,还能节能。

《中国科学:信息科学》第8期观点与争鸣栏目发表了黄琳院士等“关于智能控制的几个问题”观点文章。该文

1.供水系统特性。针对特定对象,用户用水最突出的特点是随机性,哪个用户用水、用多少水、什么时候用水等,都具有很大的不确定性。从宏观角度考虑,供水系统特性主要表现在以下几个方面:

系统地介绍了人工智能的起源、发展和研究现状,
并从控制的角度,
阐述了人工智能在控制系统中应用时可能遇到的问题以及带来的挑战和机遇.

系统参数的未知性、时变性、随机性和分散性;

强调了智能算法和仿真在智能控制中的重要性,
指出智能控制的核心当是以人工智能的方法来实现的控制算法.

系统滞后的未知性和时变性;

论述了人工智能和传统控制的关系,
指出传统控制与智能控制不应互相排斥而是结合,
应认真研究智能控制与传统控制各自的优缺点与适用条件以做到优势互补.

系统严重的非线性;

就新智能控制方法的提出、智能控制仿真平台的设立,
以及多学科交叉联合研究中心的建立等方面,
提出了新时期下智能控制研究的几点建议.

系统各变量间的关联性;

图片 4

环境干扰的未知性、多样性和随机性。

智能控制的内涵

2.控制中存在的问题。上述特性,属于不确定性的复杂对象(或过程)的控制问题,传统控制已经无能为力,主要表现在:

智与能这两个词在中国早就出现,
但智能这个词只是近30年才有的. 按字面解释, 智指巧用而能则指能耐,
泛指功能、技能与能力.

不确定性问题。供水系统中的很多控制问题具有不确定性,用传统方法难以建模,因而也无法实现有效的控制。

西方智能常用 intelligence, 按 Websters
字典的解释为“The ability for perceive logical relationships and use
one’s knowledge to solve problems and respond appropriately to novel
situation”. 而针对计算机的解释为“Capability of performing some functions
usually associated with human reasoning etc.”.

高度非线性。在供水系统中有大量的非线性问题存在,传统控制理论中,非线性理论远不如线性理论成熟,因方法过分复杂而难以应用。

因而
intelligence 的理解更接近属于人的思维的一部分. 但当 intelligent
在形容算法(algorithm)时实际上已包括了人类受自然界演化的启发而建立起来的行之有效的算法.
而人们在讨论一些智能材料时有时并不用 intelligence 而采用 smart,
这表明目前在什么叫智能上无论是国内或国外并未达成通用的唯一的解释,
而处于多义多释的情况, 这可能是一切新学科出现的共性.

半结构化与非结构化问题。传统控制理论无法解决供水系统中的半结构化与非结构化问题。

就控制而言我们宜于将智能的理解更广一些,
这是基于从信息科学的层次.
控制器的设计本身是控制算法的设计,
因而智能控制的核心自然是指具有智能特征的控制算法,
而算法自然应包括仿人思维的和自然界演化的. 人工智能在英文中常用
artificial intelligence, 就是指用人造的办法实现的智能,
在今天它主要体现在用计算机来实现这一点上. 因此智能控制其核心当是以人工智能的方法来实现的控制算法.

供水系统复杂性问题。复杂系统中各子系统间关系错综复杂,各要素间高度耦合,互相制约,外部环境又极其复杂,传统控制缺乏有效的解决方法。

控制科学与技术是针对自动控制系统研究、设计、实验、运行中形成的科学与技术,
是自动化科学与技术的一个重要部分. 随着科学的发展和技术的进步,
系统的复杂程度越来越高, 工作要求也日益多样化、综合化与精确化,
这样越来越多的先进的技术特别是信息技术应用于控制系统,
这使得控制系统在很多情况下不再是原有的结构相对简单、控制目标单一的以反馈为主要特征的单回路控制系统,
原有的控制理论、方法在新的形势下不能适应要求,
这为人工智能的方法与技术更多地融入控制系统中来并发挥日益重要的作用创造了条件和提供了机遇.

可靠性问题。常规的基于数学模型的控制问题倾向于是一个相互依赖的整体,对简单系统的控制的可靠性问题并不突出。而对供水系统,如果采用上述方法,则(下转第18页)(上接第16页)可能由于条件的改变使整个控制系统崩溃。

如果说1936年图灵(Turing A
M)建立自动机理论和随后在1950年发表论文Computing machinery and
intelligence时, 人们还认为这是一种科学的理想,
并不能看清其实现的途径和发展的规模. 在经历了半个多世纪的发展后,
他的这种人工智能的思想,
已经大大地发展成为了信息领域的一个充满生机、日新月异的领域.
人们预测人工智能已经与纳米技术和基因技术并列为本世纪最具影响的三大尖端技术是很有道理的.

由此可见,用传统的方法不能对这类系统进行有效的控制,必须探索更有效的控制方法。

科学的成就首先是具体的,
在发展到一定阶段后才可能形成新的理论框架. 位于美国的Santa Fe
Institute从事的复杂性研究首先揭示了一系列实际存在的复杂性现象,并从这些现象的研究中提炼出一系列不同于常规的新型的有时很有效的算法,
开创了智能算法的一片天地, 使很多过去看来十分困难的计算成为了可能,
显示出一种独特的优越性.

3.控制要求。无论采用什么样的控制手段,都要满足用户用水需求(即维持一定的水压)、保护环境不受噪声污染,此外还要考虑节能。因此,控制要求可以确定为在满足用户对供水要求的前提下,尽可能减少环境污染和节约能源。

在我国由于信息科学技术总体上与世界先进国家差距不算太大,
经过这几年的发展, 在一些领域已经处于领先地位.
人工智能作为信息科学一个新的重要领域,
其发展就自然被上升到国家发展战略的高度进行考虑.

四、控制策略的选取

2014年6月9日, 习近平在两院院士大会上指出:
“由于大数据、云计算、移动互联网等新一代信息技术同机器人技术相互融合步伐加快,
3D打印、人工智能迅速发展, 制造机器人的软硬件技术日趋成熟, 成本不断降低,
性能不断提升. 军用无人机、自动驾驶汽车、家政服务机器人已经成为现实,
有的人工智能机器人已具有相当程度的自主思维和学习能力⋯⋯我们要审时度势, 全盘考虑, 抓紧谋划,
扎实推进.”

控制策略选取与被控对象特性是紧密相关的,错误或不当的控制策略往往会导致控制效果极差,甚至导致系统失控。

2015年在12届人大三次会上,
李克强在政府工作报告上讲:“人工智能技术将为基于互联网和移动互联网等领域的创新应用提供核心基础,未来人工智能技术将进一步推动关联技术和新兴科技、新兴产业的深度融合,
推动新一轮的信息技术革命,
势必成为我国经济结构转型升级的新支点.”一方面是国家对人工智能的关心与重视,
另一方面是控制科学发展面临的巨大挑战,
这两者的碰撞意味着发展智能控制的大好时机的到来, 我们应紧紧抓住这个机遇,
迎头创新, 使我们能在新的一代控制科学发展上占据制高点,
从而在一些原始创新上取得决定性的进展.

目前,在现代的供水泵站中为了节能都普遍采用了变频器,为提高控制品质创造了良好条件。

图片 5

变频器里一般都有PID控制模块,但对不确定性的供水复杂系统,用PID算法并不恰当。

人工智能是一个很大的领域

人工神经网络,因方法的局限性,同样也难于对所讨论的对象实现有效的控制。

人工智能在今天已经发展成一个很大的领域,
这个领域的几乎所有分支都与自动化有着千丝万缕的联系.
这种联系既有为自动化服务的智能元件与技术,
也有与自动化技术结合在一起形成的系统.

专家控制系统(ECS),由于特征信息的采集、特征信息的表达以及完备知识库的建立实现难度大,采用专家控制系统也不一定是—个好的选择。

人工智能从功能上分大致可以有:

以模糊控制理论为基础的模糊控制器能够实现对复杂工业过程的控制。其控制品质和效果还是令人满意的,是一种可供选择的策略。

  • 感知类. 视觉、语音识别等.
  • 信息提取、理解与鉴别. 指纹、人脸识别, 虹膜、掌纹识别, 搜索功能,
    语言图像等的理解, 模式识别等.
  • 推理决策及其实现. 机器证明, 自动程序设计, 智能控制,
    自动组织、管理、规划与决策等.
  • 与自动化结合的系统形成了一系列新的应用领域.
    例如操作机械手、服务型机器人、智能安检系统等.

仿人智能控制,专家分别采用HISC与FC控制策略对不确定性复杂对象(或过程)作过仿真研究,虽然两者都是基于误差和误差变化率等来计算控制量,但因系统复杂、不确定性因素多、关联性特强(强耦合)的特点,经现场试验比较,HISC与FC都能实施有效控制,但控制品质与鲁棒性前者更好,因此采用HSIC完成对不确定性供水系统的控制,是—种较理智的选择。

从广义上理解今日的控制,
已经是一个复杂、多结构、多尺度、多模式混合的系统,
而控制的要求已不再单一, 目标多样且可能互相制约,
这预示控制系统的新模式将呈现出将决策、管理、通信与控制一体化的趋势,
因而智能与控制的结合就有着一种广义的理解.如果控制只是原有动态过程的控制,
这样智能控制就具有明确的但相对狭义的定位.

智能控制已广泛应用于工业、农业、军事等多个领域,已经解决了大量的传统控制无法解决的实际控制应用问题,呈现出强大的生命力和发展前景,随着基础理论研究和实际应用的扩展,智能控制将会实现控制领域的一个大的飞跃。

我们在现阶段,
当人工智能与控制的结合研究还在初级阶段时, 并不宜将其划分得十分清晰,
而随着学科的进一步发展, 其中的差异可能会更不重要,
人们可能更关注广义的更为复杂的智能控制系统.

从研究的角度,
正确的步骤自然应该是首先弄清狭义的智能控制,
进而在此基础上扩展为智能自动化或广义的智能控制.
无论是智能自动化还是智能控制,
它们都是由两类技术科学的学科结合而成,
因而其本身的发展必将符合技术科学的发展规律.
而其结论的科学价值首先是在科学的前提下能用和好用,
这里科学性自然不是指数学的公理体系与形式逻辑的推演.

研究人的智能的形成可以看到这是由人的学习过程而形成的.
人类的学习一般可以分为两类, 首先是继承性的学习,
这是指人从小开始通过大人的说教、上学、读书以相当快捷的速度将父母、他人乃至社会长期积累得到的经验、知识等变成自己的认知资源.
这种学习好坏的标志常表现为记性好、想得起来、举一反三乃至用时就能想起.
这种继承性学习在计算机上则归结为建立专家库、数据库、知识库和规则库等.
在这些库中存储了所需要的各种资源,
而作为人工智能必须能灵活方便地从这些庞大的存储中找到自己所需的信息,
这就要求系统具有搜索、对比、归类、分析、比较、寻优等功能,
以便快、全、准地寻求相关信息和具有一定的信息加工能力,
同时对有用的信息分析、存储和更新等.

另一种学习过程是一种自主式的学习过程.
这个过程形成智能是通过不断迭代改进形成的. 它通过自身的感知,
对确定要做的事 (或目标) 进行分析确定达到目标的策略.
将每次结果进行记忆并与原有的进行比较以便更新,
这是一个不断改进以达到目的的过程.
这种学习过程对人类来说有些是通过大脑的思想过程,
有些只是在神经系统乃至神经系统的下游就可以完成,
甚至有些可以形成一种反射机制.
虽然人类社会经过几千年的历史积累已经形成对物理、化学、生物与生态的很多基础性认识并以继承性学习的方式传承下来,
但这些自主式的学习可以完全不依赖于这些积累而自主从无到有地学习并形成一种智能.
例如杂技团的演员在顶竹竿时,
他一般并不清楚顶竹竿的动力学在一些合理的假定下可以用倒立摆的方程进行描述,
自然他控制竹竿的动作也不是基于倒立摆方程设计的,
而是通过反复训练学习以掌握顶竿的本领.

人类的智能就是由上述两种学习方式
(继承的和自主的) 经历长时间的发展过程而形成的.

针对自主式学习的过程,
人们一开始用计算机建立一些计算单元来模仿人的神经活动,
即用人造的神经元形成网络来实现人类或动物个体的相关活动.
由于构成神经元的单元是一种非线性元件, 因而将神经元组合在一起,
就能形成联想功能与学习功能.
人们利用这种功能可以创造出不少具有智能特征的部件,
特别将神经元组成多层神经网络可以将学习功能深化以便充分利用计算机容量大和速度快的巨大优势,
从而弥补人类在大容量的博弈智能方面的不足.

最近出现的 AlphaGo
战胜围棋世界顶级高手是人工智能的杰出表现,
它一方面采用多层神经网络进行深度自主学习,
同时它所用的棋谱正是继承了数百年人类在这方面的智慧的结晶.

用计算机进行学习与形成智能,
不仅可以利用仿人神经元的多层结构, 而且可以利用自然界,
包括物理、化学、生物与生态的演化过程来构建人造的智能算法.
这方面有针对局部搜索可能导致局部极值而改进的模拟退火、遗传算法、禁忌搜索以便寻求在一定条件下如何能达到全局最优的方法.
这些方法并不是万能验方,
而是对一些问题有效而对另一些则可能完全无效的方法. 作为遗传算法的扩展,
进化计算成为了智能算法中一个重要的组成部分.
这种算法通过借鉴自然界优胜劣汰的思想建立起来,
在一段时间里属于它的遗传算法、进化策略和进化编程并没有引起人们的关注,
后来发现它们在解决一些著名的疑难问题中显示出特别有效的能力才引起了业界巨大的兴趣.
随着计算机处理问题在容量和速度上的飞速发展加之遗传编程的出现,
使得这4个基于同样思想但又各具特色的分支,
互相碰撞沟通使得进化计算发展迅速并应用广泛.

von Neumann在20世纪50年代发明元胞自动机,
它的出现不同于有严格定义的物理方程或函数确定的动力学系统,
它是指在一空间时间均离散的系统中,
由大量元胞通过简单的相互作用而使系统发生演化.
由于元胞自动机中的单元的多样性以及相互作用的不同,
这种模型可以成功地模拟生物群体活动的演化过程,
并在物理、化学、生物与生态和信息科学的很多领域内取得成功应用.

上述智能算法在应用到一些科学问题时具有一些共同的需要认真研究的问题, 这表现在:

(1) 如何确定其适用范围,
即**
使用什么类型的智能算法到什么样的实际系统是比较有效的**,
这种适用性的研究的目的是弄清楚特定的智能算法的适用范围与条件,
在方法上首先应该利用计算机进行反复实验而不是严格的数学证明作为主要研究手段.

(2)
这些智能算法常常与系统的复杂性研究有关,
开始于20世纪80年代的关于系统复杂性的研究,
其基本思想为超越还原论这些对研究工作长期的影响.
其讨论的对象是一定量非线性元件之间由于相互作用而出现的例如系统无序到动态有序的现象或从混沌到有序的现象、
物质进化过程的不可逆性及其机制、复杂系统的适应性特征等.
对这些现象的出现所进行的研究在方法论上与传统的数学、物理等科学研究不同,
需要一种新的思维方法和理论,
而这些方法与智能算法有时有相当好的契合.

发表评论

电子邮件地址不会被公开。 必填项已用*标注