图2.1  PROLOG程序实现流程     

现实世界 

谓词逻辑表示     

PROLOG程序    

计算机实现   

用谓词表示知识求解一个问题的步骤:

l         如描述的太抽象则用标准自然语句重新描述。

l         用谓词演算将问题形式化。

l         在这种逻辑表示的形式上建立控制系统。

l         证明从初始状态可到达最终目标。

机器人搬弄积木块的问题表示就是一个很好的实例，文献[1,4]中详细说明了用谓词表示知识求解该问题的过程。

5.数据挖掘与知识发现   知识获取是知识信息处理的关键问题之一。从数据库中挖掘并发现知识，首先要解决发现知识的表达问题，最好的表达方式是自然语言。数据挖掘与知识发现能够自动处理数据库中大量的原始数据，抽取具有必然性的、富有意义的模式，找出人们对所需问题的解答。数据库中的知识发现具有四个特征，即发现的知识用高级语言表示；发现的内容是对数据内容的精确描述；发现的结果（知识）是用户感兴趣的；发现的过程应是高效的^[1]。

2.2 智能控制理论及研究领域

智能控制是在人工智能及自动控制等多学科之上发展起来的一门新兴、交叉学科，它具有非常广泛的应用领域，如专家控制、智能机器人控制、智能过程控制、智能故障诊断及智能调度与规划等。智能控制系统的处理方法不再是传统的单一的数学解析模型，而是数学解析模型和知识系统相结合的广义模型，具有其自身的特点。

2.2.1智能控制的定义

所谓智能控制是通过定性与定量相结合的方法，针对对象环境和任务的复杂性与不确定性，有效自主地实现复杂信息的处理及优化决策与控制功能。

按照K.S.Fu(傅京孙)和Saridis（萨里迪斯）提出的观点，可以把智能控制看作是人工智能（AI）、自动控制（AC）和运筹学（OR）三个学科相结合的产物，是一门新兴的交叉学科。称为智能控制的三元结构。可用交集表示如下：

IC=AI∩AC∩OR

人工智能（AI）是一个知识处理系统，具有记忆、学习、信息处理、形式语言、启发式推理等功能。

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）是一种定量优化的方法，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。

2.2. 2智能控制的研究领域

传统控制包括经典反馈控制和现代控制理论，它们的主要特征是基于精确的系统数学模型控制，在复杂问题的实际应用中遇到了不少难题^{［３，６］}。因此，需将人工智能的方法引入控制系统，从而实现系统的智能化，即通过采用仿人智能控制决策，迫使控制系统向期望的方向逼近。

这就要求智能控制的研究对象具备如下特点：

1.       具有不确定性模型：传统控制是基于模型的控制，而这些模型是已知的或经过辨识可以得到的，而智能控制有严重的不确定性，其有两层含义：一是认为模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。

2.       高度非线性：在传统控制理论中，线性系统理论比较成熟，对高度非线性控制对象，其理论不很成熟；而智能控制基于人工智能理论和技术，采用了启发式程序设计、知识表示、符号信息处理、自动推理、人工神经网络、基因算法和决策等相关技术有可能得到圆满解决。

3.       复杂的控制任务要求：在传统控制系统中控制任务要求输出量为定值（调节系统），或者要求输出量跟随期望的运动轨迹（跟踪系统），控制任务单一，而智能控制任务要求复杂，智能控制要求系统对一个复杂的任务具有自行规划和决策的能力，有自动躲避障碍运动到期望目标位置的能力。

由此可以概括，智能控制是一类无需（或尽可能少的）人的干预就能够独立自主地应付环境条件或加工对象的变化而有效地驱动智能机器实现其目标的自动控制，它是自动控制的最新发展阶段，对智能控制系统的研究和设计，重点放在对任务和世界模型的描述、符号和环境的识别以及知识库和推理机的设计开发上，即，放在智能机模型上。

3 AI在智能控制中的应用

3.1专家控制系统　

　专家控制是智能控制的一个重要分支，又称专家智能控制。其实质是把专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。基于专家控制的原理所设计的系统称为专家控制系统^［３］。

专家控制系统和专家系统之间有很大的差别：

1.       专家系统只能模拟人类专家解决领域问题，并协助用户进行工作。专家系统以知识为基础进行推理，其结果为新知识项、或对原知识项的变更知识项。而专家控制系统能够独立并自动地对控制作用做出决策，其推理结果可能是变更的知识项，或是启动（执行）某些控制算法。

2.       专家系统通常以离线方式工作，而专家控制系统则需要获得在线动态信息，并能对系统进行实时监控。

按照系统结构的复杂性可以把专家控制分为两种形式：专家控制系统和专家控制器。前者系统结构比较复杂，具有交好的技术性能，但研制代价较高，常用于需要较高技术的装置或过程；后者结构比较简单，技术性能可满足工业过程控制的一般要求，由于研制代价低，因而获得比较广泛的应用。

3.2 模糊控制系统

人的思维以及人类对事物的认识，都是定性的、模糊的和非精确的，因而将模糊信息引入智能控制具有现实的意义。其控制策略实现的基本思想是：首先将输入信息模糊化，利用一系列的“IF(条件)THEN(作用)”形式表示的控制规律；然后经模糊推理规则，给出模糊输出，再将模糊指令量化，控制操作变量。模糊模型如图３.１所示^［6］。模糊控制不需要精确的数学模型，是解决不确定性系统控制的一种有效途径，但它对信息简单模糊的处理将导致系统控制精度的降低和动态品质变差。若要提高精度则要求增加量化级数，从而导致规则搜索范围的扩大，降低决策速度。为了使模糊控制系统更加完善，文献[3]中给出了一些改进的控制系统，如：自适应模糊控制系统、自校正模糊控制系统、自寻优模糊控制系统、基于模糊关系模型的模糊控制系统、基于T-S模型的模糊控制系统等   

3.2 模糊控制系统

人的思维以及人类对事物的认识，都是定性的、模糊的和非精确的，因而将模糊信息引入智能控制具有现实的意义。其控制策略实现的基本思想是：首先将输入信息模糊化，利用一系列的“IF(条件)THEN(作用)”形式表示的控制规律；然后经模糊推理规则，给出模糊输出，再将模糊指令量化，控制操作变量。模糊模型如图３.１所示^［6］。模糊控制不需要精确的数学模型，是解决不确定性系统控制的一种有效途径，但它对信息简单模糊的处理将导致系统控制精度的降低和动态品质变差。若要提高精度则要求增加量化级数，从而导致规则搜索范围的扩大，降低决策速度。为了使模糊控制系统更加完善，文献[3]中给出了一些改进的控制系统，如：自适应模糊控制系统、自校正模糊控制系统、自寻优模糊控制系统、基于模糊关系模型的模糊控制系统、基于T-S模型的模糊控制系统等。

3.3 神经网络控制系统

神经网络系统是利用工程手段，模拟人脑神经网络的结构和功能的一种技术系统，是一种大规模并行的非线性动力学系统^[6]。神经网络具有的非线性映射能力、并行计算能力、自学习能力、以及较强的鲁棒性等优点已广泛地应用于控制领域，尤其是非线性系统领域。

神经网络控制是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制，采用神经网络，控制问题可以看成模式识别问题，被识别的模式是映射成“行为”信号的“变化”信号。由于神经网络控制系统具有自适应能力和自学习能力，因此适合用于复杂系统智能控制的研究工具。它的优势在于：

1 能够充分逼近任意复杂的非线性系统；

2 能够学习与适应严重不确定性系统的动态特性；

3 由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；

4 采用并行分布处理方法，使得快速进行大量运算成为可能。

3.4 混沌控制系统

混沌运动是一种貌似无规则的运动，是非线性动力学系统所特有的一种运动形式，它广泛存在自然界，如物理、化学、生物学、地质学，以及技术科学、社会科学等多种学科领域^[3]。混沌控制现在被理解为从混沌态到有序态之间的相互转换。它是混沌理论与控制理论相交叉而产生的一个新的研究领域。混沌控制的目标可以分为两类：一类是当混沌有害时，抑制混沌动力学行为；另一类是当混沌有用时，特意产生或加强混沌动力学行为，即所谓的混沌反控制。

混沌系统通常都有三个特征：初值敏感、拓扑传递和稠密的周期轨道。实现混沌系统控制的思想是：当混沌轨道遍历地经过镶嵌在混沌吸引子上的期望周期轨道附近小邻域时，借助于参数的微小扰动将轨道驱动到混沌系统的不稳定周期轨道上去，并沿此周期轨道向下运动，进而实现混沌系统的控制。基于上述思想，1990年美国马里兰大学的E.Ott、C.Grebogi和J.A.Yorke提出了著名的OGY方法，它使人们认识到混沌运动是可以控制的。OGY方法为混沌电路控制、保密通信、光学系统控制和流体湍流等问题的研究开辟了道路。文献[3]中介绍了具有代表性的混沌控制方法及仿真示例，包括：OGY方法及其改进方法，线性反馈、非线性反馈、时间延迟反馈等各种反馈混沌控制方法，混沌自适应控制方法，以及同样属于混沌控制范畴的混沌同步方法。

4 发展前景

4.1人工智能的发展趋势

人工智能的近期研究目标在于建造智能计算机，用来代替人类从事脑力劳动。而的它的远期研究目标是：探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为。这一目标将涉及自然科学和社会科学的所有科学。

人工智能的研究存在的问题主要表现在如下几个方面：

(1) 宏观与微观隔离  一是哲学、认知科学、思维科学和心理学等学科所研究的智能层次太高、太抽象；二是人工智能逻辑符号、神经网络和行为主义所研究的智能层次太低。二者之间相差太远，无法把宏观与微观有机的结合起来。

(2) 全局与局部割裂  人类智能是脑系统的整体效应，有丰富的层次和多个侧面。但是人工智能的各种具体应用都存在着明显的局限性。所以必须从多层次、多因素、多维和全局观点来研究智能，才能克服其局限性。

(3) 理论和实际的脱节  大脑的实际工作，在宏观上我们已知道的不少，但智能的多变性却让我们难以理出清晰的头绪。在微观上，我们对大脑的工作机制却知之甚少，是似而非，难以找出规律。在此背景下提出的各种人工智能理论，只是部分人的主观猜想，能在某些方面表现出“智能”就算是成功了。

上述人工智能研究所存在的问题要求在完成其研究任务时，需要寻找和建立更新的人工智能框架和理论体系，打下人工智能进一步发展的理论基础。这就要使人工智能技术除了与信息技术结合外，还要和包括哲学、语言学、心理学、社会学、生物学等多种学科相结合。

4.2 智能控制的发展趋势

智能控制已初具学科体系，包括基础理论、技术方法和实际应用等方面。在基础理论方面，涉及传统人工智能的知识表示和推理、计算智能(如模糊计算、神经计算和进化计算等)和机器学习等。在技术方法方面，对专家控制、模糊控制、神经控制、学习控制和仿人控制等系统加以研究。

目前，智能控制理论与技术向着两个方向发展，一是就一个理论或方法本身的深入研究；二是将不同的方法适当地结合在一起，相互取长补短，发挥各自优势，形成新的控制系统，获得单一方法所难以达到的效果^[7]。最近出现了几种智能控制中的混合算法，如专家控制系统与神经网络控制，模糊神经网络控制，遗传算法与模糊逻辑，遗传算法与神经网络等等。

智能控制的应用领域已从工业生产渗透到生物、农业、地质、军事、空间技术、环境科学、社会发展等众多领域，在世界各国的高技术研究发展计划中，有其重要的地位。由于这些任务的牵引，相信智能控制必将在控制理论的发展中引起一次新的飞跃。

参考文献：