【智能控制】智能控制期末题目与解答ver1，模糊控制论基础，神经网络基础，专家控制，遗传算法

但是，智能控制与传统的或常规的控制有密切的关系，互相取长补短,而并非互相排斥。基于智能控制与传统控制在应用领域方面、理论方法上和性能指标等方面的差异,往往将常规控制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。

4 答:人工只能（AI）是一个用来模拟人思维的知识处理系统，具有学习、记忆、信息处理、形式语言、启发推理等功能；自动控制（AC）描述系统的动力学特性，是一种动态反馈；运筹学(OR）是一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等；信息论（IT）信息论是运用概率论与树立统计的方法研究信息、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。

早期产生的的二元结构被发现是很大程度上局限于符号主义的人工智能,无助于智能控制的有效的、成功的应用，所以后来又引入了运筹学。考虑到信息论对知识和智能的解释作用、控制论和系统论与信息之间的密切关系、信息论对智能控制的作用等方面的因素之后，蔡自兴教授创新性的提出了四元结构，即在三原结构的基础上增加了信息论作为智能控制的一个重要组成部分。智能控制作为一门交叉的学科，所用到的知识都包含这几门学科的内容，所以说可以把智能控制看成是这几门的交集。

5 答:主要应用领域:智能机器人控制、计算机集成制造系统、工业过程控制、航空航天控制、社会经济管理系统、交通运输系统、环保及能源系统。

实例应用：机器人运动轨迹控制.

机器人腿部机构由连杆和连接在其端部的从动滚轮组成。机器人行走是通过后部两条腿的两个连杆带动从动滚轮向后作类似于滑冰动作的后蹬动作实现。此类机器人也称滑冰机器人。机器人的行走方向和轨迹通过同时调整几个从动滚轮的方向角来控制.这是一个多自由度、非线性、强耦合的系统，用常规控制器对单个从动滚轮方向角, 难以实现精确的轨迹控制。针对上述控制对象运动轨迹控制问题,作者提出了一种基于模糊神经网络自适应控制方法。该方法利用模糊神经网络来辩识机器人的逆动力学模型，并以此模型作为控制器提供给机器人主要的广义驱动力，加上常规的PD 控制器构成完整的控制系统。当模糊神经网络模型给出的驱动力合适, 系统误差小, PD 控制器的控制作用就很弱；反之， PD 控制器起主要作用。模糊规则的制定是利用PD 控制器提取初始模糊规则,利用专家经验对初始规则进行补充，最后利用误差的反向传播算法对参数进行在线自适应调整.文献给出的验证结果表明该方法很好的解决了该种机器人的运动轨迹控制问题.这种方法的优点是利用智能控制理论解决运动轨迹控制问题，利用常规控制方法解决控制系统抗干扰的问题.

① 举例说明模糊性的客观性和主观性.

答：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：如果一个人的身高大于等于180cm算高的，170—180cm之间的算中等，低于170cm的算矮的。如果一个人的身高为179.999cm那么算高还是中等？理论上从客观的角度说他是中等的，但是179。999与180我们是分辨不出来的，从主观上我们认为他是高的。这就是没有量化的模糊的概念.

② 模糊性与随机性有哪些异同？

答：同：模糊性由于事物类属划分的不分明而引起的判断上的不确定性;随机性是由于条件不充分而导致的结果的不确定性。所以,它们都表示不确定性。

异：随机性反映了因果律的破缺；模糊性所反映的是排中律的破缺。随机性现象可用概率论的数学方法加以处理，模糊性现象则需要运用模糊数学.

③ 比较模糊集合与普通集合的异同。

答:异：(1）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.因此每个对象对于集合的隶属关系也是明确的，非此即彼。模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。由于概念本身不是清晰的、界限分明的，因而对象对集合的隶属关系也不是明确的、非此即彼的。

(2)普通集合的表示法有列举法、描述法、图示法、自然语言。模糊集合表示法有Zadeh表示法、向量表示法、序偶表示法。

同:都属于集合，同时具备集合的基本性质.

第二章模糊控制的理论基础作业1

作业内容

1． 举例说明模糊性的客观性和主观性。

2． 模糊性与随机性有哪些异同?

3． 比较模糊集合与普通集合的异同。

4-5. 见本空间分类资源习题-第二章第4、5题.

1 答:模糊性的主观性反映在模糊隶属函数的确定性,依靠主观认识和认为经验，客观反映在虽然在方法的使用过程中有主观性，但得到的对事物的认知结果，反映了事物的本质，是对事物的客观认识。例如：对温度的界定，按经典集合的定义，人感到适宜的温度是15到25摄氏度，低于15摄氏度定义为冷，并且14摄氏度和0摄氏度都定义为冷，显然冷的程度是不同的,高于25摄氏度定义为热.因此采用这种离散型严格的不能明显的划分，模糊性的划分不仅容易被大众接受和区别，也更接近事实，反映了温度连续性的客观事实。

2 答：模糊性是从主观性上反应事物发展的可能性，客观性是从客观上反应事物发生的可能性。随机性是由于事物的因果关系不确定而造成的，由概率统计加以研究，是概率分析、设计的范畴，表现的是语言的不确定性。

模糊性在本质上没什么明确的含义,在量上没有什么明确界限，这种边界的模糊不是由于人的主观认识达不到客观实际而造成的，而是事物的客观属性，是事物的差异之间存在中间过渡过程而造成的.

在描述方法上,模糊性采用隶属函数划分,揭示事物的客观可能性分析。模糊实验常常与心理等主观因素联系在一起，而随机性采用概率函数来划分，采用对随机现象的统计观察，求出平均比例分布，且随机实验可以客观进行。

3 答:普通集合是经典集合或者称为清晰集合,具有清晰的边界.模糊集合不具有清晰的界限。普通集合也就是一个元素不属于一个集合是突变或非此即彼的，属于就是属于，不属于就是不属于。而模糊集合中引入了隶属度的概念，元素只在一定程度上属于集合,有时候这种表示方法更接近实际，更便于研究问题,更为人所接受.

4 解：

5 解：

第二章模糊控制的理论基础作业2

第二章模糊控制的理论基础作业3

作业内容

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。

解: 1）设“如果X是大并且Y是高，那么Z是长”，X，Y,Z之间的模糊关系为R1；

“如果X是小并且Y是中，那么Z是短”，X,Y，Z之间的模糊关系为R2.

所以：R=[(X是大×Y是高)×Z是长]∪[（X是小×Y是中）×Z是短］=R1∪R2

第四章神经网络基础作业

作业内容

1．生物神经元模型的结构功能是什么?
2．人工神经元模型的特点是什么？
3．人工神经网络的特点是什么？如何分类？
4．有哪几种常用的神经网络学习算法？

1 答：生物神经元由细胞体、树突和轴突组成.其中，细胞体是神经元的主体，担当着信息处理的角色；树突主要作用是接受神经元的输入信息；轴突的主要作用是信息的输出,把细胞体处理的信息从轴突起点传递到轴突末梢，轴突末梢与另一个神经元的树突或细胞体形成一种突触结构，实现神经元之间的信息传递.

2 答：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

3 答：特点：（1）能逼近任意非线性函数;

（2）信息的并行分布式处理与存储；

（3)可以多输入、多输出；

(4)便于用超大规模集成电路（VISI）或光学集成电路系统实现,或用现有的计算机技术实现；

（5）能进行学习，以适应环境的变化。

分类：根据网络连接结构分：前馈型网络、反馈型网络和自组织网络;根据知识获取方式分：监督学习型、无监督学习型和再励学习型；根据连接权对网络输出的影响：可以把前馈网络分成全局性网络和局部性网络.

4 答:目前神经网络的学习算法有多种，按有无导师分类,可分为有教师学习（Supervised Learning)、无教师学习(Unsupervised Learning）和再励学习(Reinforcement Learning)等几大类。

有导师的学习（监督学习）：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。

无导师的学习（无监督、或称自组织）：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，进行联系权系的调整,此时，网络的学习评价标准隐含于其内部。

再励学习（强化学习）：把学习看为试探评价过程,学习机选择一动作作用于环境，环境的状态改变，并产生再励信号re反馈至学习机，学习机依据再励信号与环境当前状态，再选择下一动作作用于环境，选择的原则是是受到激励的可能性增加.

其中，最基本的神经网络学习算法:

1)Widrow—Hoff学习规则

2） Hebb学习规则

第五章典型神经网络作业

作业内容

1、 BP算法的特点是什么?增大权值是否能够使BP学习变慢?

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

3、何为神经网络的泛化能力？影响泛化能力的因素有哪些?

1、BP算法的特点是什么？增大权值能否使BP学习变慢?

答:BP模型可以实现多层网络学习的设想,它的学习是典型的有导师学习，基本思想是梯度下降法，以期网络的实际输出与期望输出的误差均方值最小。BP算方有正向传播和反向传播组成，具有很好的逼近能力和泛化能力。

增大权值不一定使BP学习变慢,因为它还与输出层相连的权值的调整量有关。

2、为什么说BP网络是全局逼近的，而RBF网络是局部逼近的？他们各自的突出特点是什么？

答：BP网络的活化函数是S函数，其值在输入空间中无限大的范围内为非零值，因而是全局逼近的神经网络;

RBF网络的活化函数是高斯基函数，其值在输入空间中有限范围是非零值,所以是局部逼近的神经网络。

BP网络特点：

（1）是一种多层网络，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，同一层神经元之间不连接；

（3)权值通过Delta学习算法进行调节；

（4）活化函数为S函数;

（5)学习算法由正向算法和反向算法组成；

（6)层与层之间的连接是单向的，信息的传播是双向的.

RBF网络特点：

（1）活化函数为高斯基函数,其值在输入空间有限范围内为非零值,因而是局部逼近神经网络；

（2）RBF网络隐层节点的中心及基宽度参数的确定是一个困难的问题；

（3）RBF网络具有唯一最佳逼近特性,且无局部极小。

3、何为神经网络泛化能力？影响泛化能力的因素有哪些?

答：

泛化能力：用较少的样本进行训练，使网络能在给定区域内达到要求的精度。

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、

第五章典型神经网络作业2

作业内容

已知一个非线性函数y=12（πx12)sin（2πx2）,试用三层BP网络逼近输出y,画出网络的结构，写出网络各层节点的表达式以及各层节点输出值的范围。

第八章专家控制_作业

作业内容

1．什么叫产生式系统？它由哪些部分组成？试举例略加说明。
2．专家系统有哪些部分构成？各部分的作用如何？专家系统它具有哪些特点与优点？
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?
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？
5．专家控制系统的特点是什么？它和一般的专家系统相同和区别在哪里?
6．直接专家控制系统和间接专家控制系统各自有什么特点，从保证系统的稳定性来看哪种方法更困难些？
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。

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,满足这种产生式规则的专家系统成为产生式系统。

产生式系统主要是由总数据库、产生式规则和推理机构组成.

举例：医疗产生时系统

2专家系统有哪些部分构成？各部分的作用如何？专家系统它具有哪些特点与优点？

答:专家系统组成：

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，同时它又为推理机提供求解问题所需的知识。

推理机：推理机是专家系统的“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(全局数据库）：又称为“黑板”或“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(Working Memory）。

解释接口：又称人—机界面，它把用户输人的信息转换成系统内规范化的表示形式，然后交给相应模块去处理,把系统输出的信息转换成用户易于理解的外部表示形式显示给用户,回答用户提出的“为什么？”“结论是如何得出的？"等问题。

知识获取：知识获取是指通过人工方法或机器学习的方法，将某个领域内的事实性知识和领域专家所特有的经验性知识转化为计算机程序的过程。对知识库的修改和扩充也是在系统的调试和验证中进行的，是一件很困难的工作.知识获取被认为是专家系统中的一个“瓶颈”问题.

专家系统特点：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关系。

控制策略求解问题的策略,即推理的控制策略.而控制策略包括推理方向、推理路线、冲突消解策略、理的效果与效率等，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。

推理机制，控制策略（推理机构）和搜索方法三者都属于推理范畴,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：专家控制器的设计原则：（1）多样化的模型描述.

（2）在线处理的灵巧性。

（3）灵活性的控制策略。

（4）决策机构的递阶性。

（5）推理与决策的实时性.

专家控制系统的一般结构模型:

5专家控制系统的特点是什么？它和一般的专家系统相同和区别在哪里?

答：专家控制系统具有全面的专家系统结构、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。设计较小的知识库、简单的推理机制，可以省去复杂的人-机接口。由于其结构较为简单，又能满足工业过程控制的要求。

专家控制与一般的专家系统的区别:

(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.

第九章遗传算法_作业

作业内容

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：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: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（适配度）,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的适配度进行复制，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孙。

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（交叉点），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（表示染色体的符号串的某一位）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，但却降低种群的多样性，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。一般建议的取值范围是 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内所能寻求的相对满意解，但不一定是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时调整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，而较小的Pc使发现新个体(特别是优良新个体）的速度太慢.一般建议的取值范围是 0.4 -0.99。另外,比较理想的的方式是非一致地使用交叉概率，例如在遗传算法的前期使用较大的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中大步跳跃，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（演化策略算法，进化程序算法），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（遗传算法)，Pm 通常取较小值（0。0001 ~ 0.5）.