分层递阶自组织控制概述.docx

智能控制导论分层递阶自组织控制概述摘要：智能控制在现代控制理论中占据着重要的地位，且是解决现代复杂大系统控制问题的有效方法作为智能控制最早的理论之一，分层递阶自组织控制已广泛应用于各个领域，因此，学习了解分层递阶自组织控制的基本原理及其应用对于学习智能控制是十分必要的本文概括地介绍了分层递阶自组织控制的基本结构和原理，并以其在全自主移动机器人和智能交通中的应用概述了其在各个领域的应用情况关键字：智能控制，分层递阶自组织控制，基本原理，应用引言控制理论自产生至今经历了三个发展阶段，前两个阶段分别为“经典控制理论”时期和“现代控制理论”时期；而到了20世纪70年代末，控制理论向着“大系统理论”、“智能控制理论”和“复杂系统理论”的方向发展在这一阶段中，有关系统的研究从简单到复杂，人们面临的是解决大系统、巨系统和复杂系统的控制问题智能控制理论是研究和模拟人类只能活动及其控制与信息传递过程的规律，研制具有某些拟人智能的工程控制与信息处理系统的理论智能控制就是能在适应环境变化的过程中模仿人和动物所表现出来的优秀控制能力(动觉智能)的控制［1］智能控制是人工智能技术、计算机科学技术与自动控制技术交叉的产物。

控制的要求、人工智能的方法和计算机软硬件基础构成了智能控制发展的基础智能控制自被提出以来，已逐渐形成了：分级递阶自组织控制、模糊控制、神经网络控制和仿人智能控制等方向分层递阶自组织控制即分级递阶智能控制(hierarchicallyintelligentcontrol),它是在研究早期学习控制系统的基础上，并从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，也是智能控制的最早理论之一，它对智能控制系统的形成起到了重要的作用1、分层递阶自组织控制理论的提出与发展60年代，自动控制理论和技术的发展已渐趋成熟，控制界的学者为了提高控制系统的自学习能力，开始注意将人工智能技术与方法应用于控制系统1966年J.M门德尔首次主张将人工智能用于飞船控制系统的设计；1971年著名学者傅京逊从发展学习控制的角度首次正式提出智能控制这个新兴的学科领域美国的Saridis教授首次提出了分层递阶的控制结构形式，他在1977年出版了"随机系统的自组织控制(Self-OrganizingControlofStochasticSystems)"—书，同年发表综述文章"朝向智能控制的实现(TowardtheRealizationofIntelligentControls)"。

在这两篇著作中论述了从通常的反馈控制到最优控制、随机控制，再到自适应控制、自学习控制、自组织控制，并最终向智能控制这个更高阶段发展的过程其控制智能是根据分级管理系统中十分重要的“精度随智能提高而降低(IPDI)”的原理而逐级分配的这种分级递阶控制系统是由组织级、协调级和执行级组成其控制精度由下而上逐级递减，智能程度由下而上逐级增加他在理论上的一个重要供献是定义了"熵"作为整个智能控制系统性能的度量，并对每一级定义了熵的计算方法，证明了在执行级的最优控制等价于使某种熵最小的控制方法80年代后期，他对原有的工作进行了重要的改进，在最新的研究中采用神经元网络中的Boltzmann机来实现组织级的功能，并利用Petri网为工具来实现协调级的功能组织级代表控制系统的主导思想，具有最高的智能水平，涉及知识的表示与处理，由人工智能起主导作用协调级为组织级和执行级之间的连接装置，涉及决策方式的表示，由人工智能和运筹学起主导作用执行级是智能控制系统的最低层次，要求具有最高的控制精度，由常规控制理论进行控制2.1 2、分层递阶自组织控制的基本原理与基本结构分层递阶自组织控制的基本结构目前智能递阶控制理论主要有两类，一类是由Saridis提出的基于3个控制层和IPDI(IncreasingPrecisionwithDecreasingIntelligent)原理的三级递阶智能控制理论，另一类是由Villa提出的基于知识描述/数学解析的两层混合智能控制理论。

这里讲的主要是Saridis的分级智能控制理论Saridis提出的分级递阶智能控制理论按照IPDI的原则分级管理系统，它由组织级、协调级、执行级三级组成的，如图1所示［2：］智能递增精度递增图1分层递阶自组织控制系统结构示意图1、组织级(Organizationlevel)组织级是递阶智能控制系统的最高级，具有最高的智能程度，对精度的要求不高它能够模仿人的行为功能，具有相应的学习能力和高级决策的能力它组织监视并指导协调级和执行级的所有行为组织级能够根据用户对任务的不完全描述与实际过程和环境的有关信息，组织任务，提出适当的控制模式向低层下达，以实现预定的控制目标在组织级中，识别的功能在于翻译定性的命令和其它的输入2、协调级(Coordinationlevel)协调级是递阶智能控制系统的次高级，它要求精度也不高，但要有比较高的智能决策功能协调级用来协调控制级的动作，它不需要精确的模型，但需具备学习功能以便在的控制环境中改善性能，并能接受上一级的模糊指令和符号语言协调级可以进一步划分为两个分层：控制管理分层与控制监督分层控制管理分层基于下层的信息决定如何完成组织级下达的任务,以产生施加给下一层的控制指令；控制监督分层的任务是保证、维持执行级中各控制器的正常运行，并进行局部参数整定与性能优化。

协调级一般由多个协调控制器组成，每个协调控制器既接受组织级的命令，又负责多个执行级控制器的协调协调级是组织级与执行级之间的接口，运算精度相对较低，但有较高的决策能力与一定的学习能力3、执行级(Executivelevel)执行级是递阶智能控制系统的最低一级，要求精度高，由控制理论起主导作用智能较弱控制级一般有比较准确的模型，由多个硬件控制器组成，其任务是完成具体的控制任务，并不需要决策、推理、学习等功能执行级的控制任务通常是执行一个确定的动作，执行级控制器直接产生控制信号，通过执行结构作用于被控对象（过程）；同时执行级也通过传感器测量环境的有关信息，并传递给上一级控制器，给高层提供相关决策依据在控制级中，识别的功能在于获得不确定的参数值和监督系统参数的变化这三层的级联关系［3见］图2：图2分层递阶的级联结构图中C为输入指令，U为分类器的输出信号这一递阶控制系统是个整体，它把定性的用户指令变换为一个物理操作序列系统的输出是通过一组施于驱动器的具体指令来实现的一旦接收到初始用户指令，系统就产生操作，这一操作是由一组与环境交互作用的传感器的输入信息决定的这些外部和内部传感器提供工作空间环境（外部）和每个子系统状况（内部）的监控信息。

智能机器融合这些信息，并从中选择操作方案2.2.1 分层递阶自组织控制系统的基本原理递阶智能控制的熵准则在Saridis的递阶智能控制系统中，对各级采用熵作为测度组织级用熵衡量所需知识；协调级用熵测量协调的不确定性；执行机用熵表示系统的执行代价每一级的熵相加成为总熵，用于表示控制作用的总代价设计和建立控制系统的原则就是总熵最小对于不确定性问题，通常采用熵（Entropy）函数作为性能度量，熵越大，表明不确定性越大，以熵最小去确定最优控制策略2.2.2 基本原理智能机器中的高层功能模仿人的行为，是基于知识系统的控制系统的规划、决策、学习、数据存取和任务协调等，都可以看作知识的处理与管理同时，可以用熵作为度量去衡量控制系统，各子系统的协调与控制均可集成为适当的函数因此，可把知识流作为此类系统的关键变量，一台知识机器中的知识流可代表以下方面：1) 数据处理与管理2) 通过CPU执行规划与决策3) 通过传感器获取外界信息与数据4) 定义软件的形式语言在Saridis提出的IPDI“精度随智能提高而降低”的分级递阶智能控制理论基本原则里，定义了一些相关概念：机器知识(MachineKnowledge，K):消除智能机器指定任务的不确定性所需要的结构信息。

知识是一个由机器自然增长的累积量机器知识流量(RateofMachineKnowledge，R):通过智能机器的知识流，即机器知识的流率机器智能(MachineIntelligence，MI):对事件或活动的数据库(DB)进行操作以产生知识流的动作或规则的集合，即分析和组织数据，并把数据变换为知识机器不精确性(MachineImprecision):执行智能机器任务的不确定性机器精确性(MachinePrecision):机器不精确性的补一类出现信息的机器知识可以表示为K=-a-lnP(K)=［能量］式中P(K)知识的概率密度；a———选取的系数概率密度函数P(K)满足的表达式与杰恩(Jaynes)最大熵原则一致P(K)=e-a-KJP(K)dx=1xa=lnJe-Kdx在这种概率密度函数P(K)的选择下，知识K的熵也就是不确定性最大知识流是具有离散状态的智能机器的主要变量，在一定的时间间隔T下，可以表示为R—=［功率］T知识流满足下列关系MI:(DB)—(R)可见，机器智能对数据库进行操作产生知识流当知识流(R)固定时，较小的知识库要求有较多的机器智能，而较大的知识库要求的机器智能则相应较少。

由于概率论是处理不确定性的经典理论，因此可以用事件发生的概率去描述和计算推理的不确定性测度知识流、机器智能、知识数据库之间的概率关系可以如下表示MI和DB的联合概率产生知识流的概率可表示为P(MI，DB)=P(R)由概率论的基本理论可推出P(MI/DB)P(DB)=P(R)等式两端取自然对数可得lnP(MI/DB)+lnP(DB)=lnP(R)上述公式表示出知识流、机器智能与知识数据库之间的简单概率关系，因此各种函数的熵便可起到测量的作用上式两端取期望值，可得熵方程H(MI/DB)+H(DB)=H(R)如果MI与DB无关，则有H(MI)+H(DB)=H(R)由上式可知，在建立和执行任务时，期望知识流量不变则增大数据库DB的熵(不确定性)，就要减小机器智能MI的熵，即数据库中数据或规则减小，精度降低，就要求减小机器智能的不确定性，提高机器智能的智能程度；反之，若减小数据库DB的熵，便可增大机器智能MI的熵，即数据库中数据或规则增加，精度提高，对机器智能的要求便可降低这就是IPDI原则在分级递阶智能控制系统中，组织级起到主导作用，处理知识的表示与处理，主要应用人工智能，智能程度最高，但精度最低；协调级连接组织级与执行级，涉及决策方式及表示，主要应用人工智能与运筹学实现控制，具有一定的智能程度；执行级是最低层，具有很高的控制精度，采用常规控制方式实现，智能程度最低。

综上所述，分级递阶智能控制的基本原理为：系统按照自上而下精度渐增、智能递减的原则建立递阶结构，而智能控制器的设计任务是寻求正确的决策和控制序列，以使整个系统的总熵最小这样，递阶智能控制系统就能在最高级组织级的统一组织下，实现对复杂、不确定系统的优化控制2.2 自组织的概念自组织一词是演化系统学中的一个术语，基本含义是进化借用“自组织”一词，将某些智能控制系统称作自组织智能控制系统应该有其特定的内涵自组织智能控制系统应能自发地形成为了控制所需的有序结构，自发地使控制性能具有进化（适应）性或者说，自组织智能控制系统有两个特点:一是它备有许多不同类型的控制算法/器（如PID算法、模糊逻辑控制器„„），且可随时指定一种或一种以上的控制算法/器进行有机的组合，对对象施行有效的控制；二是控制性能具有进化性这里的进化性有两层含义，在某个时间段内的进化性和在整个控制过程中的进化性对于对象是非线性、高阶、纯滞后、时变的，环境变化范围宽又有随机干扰的复杂。