人工智能(Artificial Intelligence，AI)是在计算机科学,控制论,信息论,心理学,语言学等多种学科相互渗透的基础发展起来的一门新兴边缘学科,主要研究用机器(主要是计算机)来模仿和实现人类的智能行为.经过几十年的发展,人工智能应用在不少领域得到发展,在我们的日常生活和学习当中也有许多地方得到应用.本文就符号计算,模式识别,专家系统,机器翻译等方面的应用作简单介绍,籍此使读者对我们身边的人工智能应用有一个感性的认识.
目前，模糊控制理论及其应用研究已经成为现阶段国内外控制领域研究的热门课题之一。实际系统的复杂性、非线性、时变性、工作环境和干扰的不确定性等因素使得常规控制有时难以取得预期的效果。传统控制理论单纯的数学解析方法难以处理有关受控对象的一些定性知识，无法应用人的控制经验、技巧和直觉推理，有时很难满足对复杂控制系统的设计要求。随着热工领域中单机容量和参数的提高及系统本体的复杂化，对自动控制的要求越来越高。燃煤电站的模糊控制理论研究已被列入国家攀登B计划项目。本文针对目前对模糊控制理论研究的需要，在国内首次开发一套适用于热力系统的模糊控制软件开发系统TFCDS (Thermal Fuzzy Controller Development System)，为进一步研究模糊控制理论以及将模糊控制理论引进热力系统的优化运行与控制提供了软件开发工具
PID参数模糊自整定控制算法在运动控制中的应用
在运动控制系统中，由于被控对象的时变性、非线性和不确定性，传统的PID控制难以取得很好的控制效果，将先进控制策略和传统PID控制相结合是解决上述问题的一种有效途径[1]。近年来出现了一些新的控制算法，如模糊控制、神经网络控制、自适应控制等。模糊控制器不要求确定受控对象的精确数学模型，而根据控制规则组织控制决策表，由控制决策表决定控制量的大小。这种将模糊控制器和传统PID控制相结合的控制策略，使系统具有模糊控制的灵活性和适应性强的优点，又具有PID控制精度高的优势[2]。
基于模糊控制的运动控制系统的基本结构
基于模糊控制器的运动控制系统的基本结构如图1所示。
图1 模糊控制器的运动控制系统基本结构
运动控制系统中伺服驱动机构驱动执行机构的控制信号是给定信号和传感器的反馈信号的偏差经过模糊控制器得到理想的控制参数，其中A/D是模/数转换，D/A是数/模转换。本系统在结构上与传统运动控制系统的主要不同之处在于控制器采用模糊控制器。模糊控制器利用了微处理器，具备三个主要功能:把系统的偏差从数字量转化为模糊量;对模糊量由给定的规则进行模糊推理;将推理结果的模糊输出量转化为实际系统能够接受的精确数字量或模拟量。
模糊PID控制器的实现
模糊自适应PID控制器的结构及设计步骤
图2 模糊自适应PID控制器的结构框图
模糊控制器是模糊控制系统的核心部分，也是和其它控制系统区别最大的环节。图2给出了模糊控制系统的基本结构，包括模糊化、知识库、模糊推理、解模糊化和输入输出量化等部分[3]。模糊化环节把输入的精确量转化为模糊量，输入信号映射到相应论域上的一个点后，将其转化为该论域上的一个模糊子集;知识库中包含了具体应用领域中的知识和要求的目标，通常由数据库和模糊规则库两部分组成，数据库主要包括各语言变量的隶属度函数，尺度变换因子和模糊空间的分级数等，规则库包括了用模糊语言变量表示的一系列控制规则，它们反映了控制专家的经验和知识;模糊推理是模糊控制器的核心，具有模拟人的基于模糊概念的推理能力，该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的;解模糊化的作用是将模糊推理得到的控制量(模糊量)变换为实际可用于控制的精确量，它包括两部分内容:一是将模糊的控制量经解模糊变换变成表示在论域范围的精确量，二是将表示在论域范围的精确量经量程转换变成实际的控制量。
模糊自适应PID控制器是模糊控制器与传统PID控制器的结合，选择模糊PID控制器的输入量为期望值与实际输出的偏差e和偏差变化率ec(E和EC分别是e和eC经过输入量化后的语言变量)，输出量为PID参数的修正量△Kp、△Ki、△Kd。其设计思想是先找出PID三个参数与偏差e和偏差变化率ec之间的模糊关系，在运行中通过不断检测e和ec，再根据模糊控制原理对三个参数进行在线整定，通过常规PID控制器获得新的Kp、Ki、Kd后，对控制对象输出相应的控制。
模糊PID控制器的设计步骤
确定模糊控制器的输入、输出变量，即模糊控制器的维数;
一般输入变量取系统的偏差e和偏差变化率ec，输出变量为PID参数Kp、Ki、Kd或者PID参数的增量△Kp、△Ki、△Kd;
根据实际需要确定各个输入、输出变量的变化范围，然后确定它们的量化等级、量化因子、比例因子;
在每个变量的量化论域(变量的变化范围)内定义模糊子集;
首先确定模糊子集个数，确定每个模糊子集的语言变量，然后为各语言变量选择隶属度函数;
确定模糊控制规则
这实质上是将操作人员的控制经验加以总结得出的若干条模糊条件语句的集合。确定模糊控制规则的原则是保证控制器的输出能够使系统输出响应的动静态性能达到最佳;
编制模糊控制表
根据模糊控制规则和确定的输入、输出变量求出模糊控制器的输出。这些输出值是PID参数的调整量，把它们与输入量在一个表中按一定关系列出就构成了模糊控制表。PID三个参数一般是独立调整，所以有3个模糊控制表;
把采样得到的偏差、偏差变化率经过理后，代入模糊控制规则表，得出新的PID参数，再经过PID算法的计算就得出了最后的输出量，也就是系统的控制量;
根据仿真效果或实验结果分析模糊PID的控制性能，再对量化因子和比例因子进行调整以达到理想的控制效果。
模糊自适应控制器结构为二维模糊控制器，其输入、输出的语言变量、基本论域、模糊子集、模糊论域及量化因子如表1 所示。
表1 模糊控制器设计表
PID参数模糊调整规则
此处以参数Kp的自整定过程为例说明PID参数的模糊调整规则及模糊推理过程。
通常，PID控制器的控制算式为:
(1)
针对不同的e和ec，给出一套KP、KI、Kd的整定原则[4]:
当偏差∣e∣较大时，为加快系统的响应速度，应取较大的kp ,同时为避免由于开始时偏差∣e∣的瞬时变大可能出现的微分过饱和而使控制作用超出许可的范围，应取较小的kd;为防止系统响应出现较大的超调，产生积分饱和，应对积分作用加以限制，通常取kj=0，去掉积分作用;
当∣e∣和∣ec∣处于中等大小时，为使系统响应具有较小的超调，kp应取小一些，Kj的取值要适当，这种情况Kd的取值对系统响应的影响较大，取值要大小适中，以保证系统响应速度;
当∣e∣较小即接近于设定值时，为使系统有良好的稳态性能，应增加Kp和Kj的取值，同时为避免系统在设定值附近出现振荡，并考虑系统的抗干扰性能， Kd取值是相当重要的。一般是当∣ec∣较小时，Kd可取大一些;当∣ec∣较大时，Kd应取小一些;
∣ec∣的大小表明偏差变化的速率，∣ec∣值越大，则Kp的取值越小，Kj取值越大;
根据上述PID参数的作用以及在不同的偏差及偏差变化下对PID参数的要求，可获得参数Kp、Ki、Kd的模糊控制规则。为进一步有效细化e、ec和Kp、Ki、Kd的等级，把它们在其各自的论域上定义了7个模糊子集，相应的语言变量为{负大(NB)，负中(NM)，负小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)}。表2给出Kp(Ki、Kd同理可推)整定的初始模糊控制表。
表2 Kp的模糊规则表
表2中，如表示△Kp的第一条模糊控制规则为:
IF E=NB and EC=NB,
then △Kp=PB。
模糊推理及解模糊化
为实现模糊化，要建立离散化的精确量与表示模糊语言的模糊量之间的关系，即确定论域中的每个元素对各模糊语言变量的隶属度函数。常见的隶属度函数有三角形和高斯形隶属度函数。本系统采用的隶属度函数为对称、均匀分布、全交叠的三角形隶属度函数，其分辨率高，控制灵敏度也较高[5]。
根据前面的模糊规则，对于输入偏差e和偏差变化ec经过推理可以得出相应的输出。首先求出输出变量的隶属度，如对应于△Kp的第一条模糊规则的隶属度为:
(2)
式(2)中min为取小，μ表示隶属度函数。以此类推，可以求得输出量△Kp在不同偏差和偏差变化下的所有模糊规则调整的隶属度。在某一采样时刻，根据偏差和偏差变化的测量值可以求得此时△Kp的值为:
(3)
式(3)中(j=1, 2,…49)是由E和Ec对应的隶属度求得的对应于表2中各种组合的△Kp的隶属度。同理，对于输出量△Ki、△Kd的模糊推理和解模糊过程与△Kp相同，也可以得出类似于式(2)的计算式。事实上，这里采用的解模糊方法为常用的加权平均法，根据式(3)就可以计算出在不同的偏差和偏差变化时，PID参数的调整量的输出值，但这些值还不能用于修正参数，它还是个模糊量，所以还要乘以一个比例因子，即经过精确化计算,得出相应的△Kp、△Ki、△Kd。
PID参数的调整算式为:
(4)
式(4)中Kp0、Ki0、Kd0是Kp、Ki、Kd的初始值，它们通过常规的方法得到，△Kp、△Ki、△Kd是模糊控制器的输出，即PID参数的校正量。
系统仿真
本文在PID参数模糊自整定运动控制系统中所用的仿真环境是MATLAB6的SIMULINK。MATLAB6提供了基本的仿真模块库Simulink以及配合其它工具箱的一系列仿真模块库，如模糊逻辑、神经网络、控制系统、信号处理、通信系统等[6][7]。系统仿真用到的模块主要有Simulink(基本库)、Simulink Extras(扩展库)和Fuzzy logic toolbox(模糊逻辑库)。图3给出了模糊自适应PID控制的仿真框图，图4和图5分别给出了基于传统PID控制的系统响应曲线和基于模糊自适应PID控制的系统响应曲线。
由仿真结果看出，常规PID控制响应曲线不平稳，过渡时间较长，系统控制品质较差。而模糊自适应PID控制的响应输出很快达到稳定，过渡时间短，过渡过程平稳，系统的超调小，跟踪性能好。模糊自适应PID控制能够满足系统控制要求，输出能很快跟踪输入变化，控制效果比传统PID控制的效果好。
图3 模糊自适应PID控制的仿真框图
图4 基于传统PID控制的系统响应曲线
图5 基于模糊自适应PID控制的系统响应曲线
人类经过五千的发展进入了基于知识的“知识经济”。人类社会空前地高速发展。知识是智能的基础，知识只有转化为智能才能发挥作用，知识无限的积累，智能也就将在人类社会起越来越大的作用，更有人提出：知识经济的进一步发展将是“智能经济”。“智能经济”是基于“广义智能”的经济，“广义智能”包含：人的智能、人工智能以及人和智能机器相结合的“集成智能”。可以想象基于广义智能的“智能经济”将比基于知识的“知识经济”将具有更高的智能水平，更高更快发展速度
