人工智能在控制领域的理论与应用

人工智能在控制领域的理论与应用胡璞（哈尔滨工程大学，哈尔滨，150001）摘要：文章对人工智能理论进行了简要的阐述，分析人工智能在各种智能控制技术领域的应用。最后展望人工智能和智能控制的发展趋势。关键字：人工智能；智能控制；网络智能；神经网络人工智能是相对于人类智能而言的。它是指用机械和电子装置来模拟和代替人类的某些智能。人工智能也称“机器智能”或“智能模拟”。当今人工智能主要是利用电子技术成果和仿生学方法，从大脑的结构方面模拟人脑的活动，即结构模拟。智能控制（intelligentcontrols）在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术1人工智能的基本概念和发展历史（1）基本概念人工智能（ArtificialIntelligence，简称AI），作为计算机学科的一个重要分支，美国斯坦福大学人工智能研究中心尼尔逊教授给人工智能下了这样一个定义：人工智能是关于知识的学科，是怎样表示知识以及怎样获得知识并使用知识的科学。从人工智能所实现的功能来定义是智能机器所执行的通常与人类智能有关的功能,如判断、推理、证明、识别学习和问题求解等思维活动。这些反映了人工智能学科的基本思想和基本内容,即人工智能是研究人类智能活动的规律。若是从实用观点来看，人工智能是一门知识工程学:以知识为对象,研究知识的获取、知识的表示方法和知识的使用。（2）发展历史回顾人工智能的产生与发展过程,可大致分为孕育、形成、知识应用和综合集成这4个阶段。孕育期一般认为AI(ArtificialIntelligence)的最早工作是WarrenMcCulloch跟Walteritts完成的。吸取了3种资源后提出一种人工神经元模型。唐纳德.海布阐述了一种简单的更新规则,用于修改神经元间的连接强度。2名普林斯顿的大学数学系的研究生在1951年建造了第1台神经元网络计算机。还有不少早期工作的例子可以被当作人工智能,古希腊伟大的哲学家和思想家亚里斯多德创立了演绎法。他提出的三段论至今仍然是演绎推理的最基本的出发点。形成期人工智能诞生于1956年一次历史性的聚会。几位来自美国数学、神经学、心理学、信息科学和计算机科学方面的杰出年轻科学家,在一起探讨并由麦卡锡提议正式采用了/人工智能AI0这一术语。从而诞生了一个以研究如何用机器来模拟人类智能的新兴学科。1969年的国际人工智能联合会议标志着人工智能得到了国际的认可。正当人们在为人工智能所取得的成就而高兴的时候,人工智能却遇到了许多因难。人工智能的先驱者们在反思中认真总结了人工智能发展过程中的经验教训,从而又开创了一条以知识为中心、面向应用开发的研究道路。知识应用期1977年,费根鲍姆在第五届国际人工智能联合会议上正式提出了知识工程的概念。从此之后,各类专家系统得以发展,大量的商品化专家系统和智能系统纷纷推出。知识专家系统在全世界得到了迅速发展,其应用范围也扩大到了人类各个领域,并产生了巨大的经济效益。专家系统本身所存在的应用领域狭窄、缺乏常识性知识、知识获取困难、不能访问现存数据库等问题被逐渐暴露出来,人工智能又面临着一次考验。综合集成期在专家系统方面,从20世纪80年代末开始逐步向多技术、多方法的综合集成与多学科、多领域的综合应用型发展。大型专家系统开发采用了多种人工智能语言、多种知识表示方法、多种推理机制和多种控制策略相结合的方式,并开始运用各种专家系统外壳、专家系统开发工具和专家系统开发环境等。目前,人工智能技术正在向大型分布式人工智能、大型分布式多专家协同系统、并行推理、多种专家系统开发工具、大型分布式人工智能开发环境和分布式环境下的多智能体协同系统等方向发展。但从目前来看,人工智能的理论、方法和技术都不太成熟,人们对它的认识也比较肤浅,甚至连人工智能能否归结、如何归结为一组基本原理也还是个问号,这些都还有待于人工智能工作者的长期探索。2人工智能的研究与应用领域人工智能存在许多不同的研究领域，如语言处理、自动定理证明、计算智能、智能数据检索系统、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。在过去的40年中已经建立了一些具有人工智能的计算机系统，能够求解微分方程、下棋、设计和分析集成电路、合成人类自然语言、检索情报、诊断疾病以及控制太空飞行器和水下机器人等。目前，人工智能的研究是与具体领域相结合进行的。基本上有如下领域：(1)专家系统专家系统ES（ExpertSystem）是人工智能研究领域中的一个重要分支，它将探讨一般的思维方法转入到运用专门知识求解专门问题，实现了人工智能从理论研究向实际应用的重大突破；专家系统可看作一类具有专门知识的计算机智能程序系统，它能运用特定领域中专家提供的专门知识和经验，并采用人工智能中的推理技术来求解和模拟通常由专家才能解决的各种复杂问题。总的来说，专家系统是一种具有智能的软件，它求解方法是一种启发式方法，专家系统所要解决的问题一般无算法解，并且与传统的计算机程序上不同之处在于，它要经常在不完全、不精确或不确定的信息基础上做出结论。在近年来的专家系统或“知识工程”的研究中，已经出现了成功和有效应用人工智能技术的趋势，具有有代表性的是用户与专家系统进行“咨询对话”，如同其与专家面对面的进行对话是一样的：解释问题并建议进行某些试验，向专家系统询问以期得到有关解答等。当前的实验系统，在比如化学和地质数据分析、计算机系统结构、建筑工程以及医疗诊断等咨询任务方面，已达到很高的水平。另外，还有很多研究主要是集中在让专家系统能够说明推理的能力，从而使咨询更好地被用户接受，同时还能帮助人类发现系统推理过程中所出现的差错。(2)神经网络人工神经网络（AficialNeuralNetwork），是由大量处理单元即神经元互连而成的网络，也常简称为神经网络或类神经网络。神经网络是一种由大量的节点（或称神经元）和之间相互联接构成的运算模型，是对人脑或自然神经网络一些基本特性的抽象和模拟，其目的在于模拟大脑的某些机理与机制，从而实现某些方面的功能。通俗地讲，人工神经网络是仿真研究生物神经网络的结果。详细地说，人工神经网络是为获得某个特定问题的解，根据所掌握的生物神经网络机理，按照控制工程的思路及数学描述方法，建立相应的数学模型并采用适当的算法，而有针对性地确定数学模型参数的技术。神经网络的信息处理是由神经元之间的相互作用实现的：知识与信息的存贮主要表现为网络元件互连间分布式的物理联系。人工神经网络具有很强的自学习能力，它可以不依赖于“专家”的头脑，而自动从已有的实验数据中总结规律。由此，人工神经网络擅长于处理复杂多维的非线性问题，不但可以解决定性问题，也可解决定量的问题，同时还具有大规模并行处理和分布的信息存储能力，具有良好的自适应、自组织性以及很强的学习、联想、容错和较好的可靠性。(3)模式识别模式识别(Patternrecognition)是研究如何使机器具有感知能力，主要研究视觉模式和听觉模式的识别，如识别物体、地形、图像、字体(如签字)等。在日常生活各方面以及军事上都有广大的用途。近年来迅速发展起来应用模糊数学模式、人工神经网络模式的方法逐渐取代传统的用统计模式和结构模式的识别方法。特别神经网络方法在模式识别中取得较大进展。当前模式识别主要集中在图形识别和语音识别。图形识别方面例如识别各种印刷体和某些手写体文字，识别指纹、白血球和癌细胞等的技术已经进入实用阶段。语音识别主要研究各种语音信号的分类。语音识别技术近年来发展很快，现已有商品化产品如扫描仪的上市。(4)人工神经网络人工神经网络(Artificialneuralnetwork)是在研究人脑的奥秘中得到启发，试图用大量的处理单元(人工神经元、处理元件、电子元件等)模仿人脑神经系统工程结构和工作机理。是通过范例的学习，修改了知识库和推理机的结构，达到实现人工智能的目的。在人工神经网络中，信息的处理是由神经元之间的相互作用来实现的，知识与信息的存储表现为网络元件互连间分布式的物理联系，网络的学习和识别取决于和神经元连接权值的动态演化过程。人工神经网络也许永远也无法代替人脑，但是他能帮助人类扩展对外部世界的认识和智能控制。多年来，人工神经网络的研究取得了较大的进展，成为具有一种独特风格的信息处理学科。目前，人工神经网络的发展趋势有如下特点:¹新的人工神经网络模型产生频率非常之快。现有的人工神经网络模型的完善改进速度喜人。»人工神经网络结合和其他一些现代优化计算方法的结合运用日见增多。如结合混沌理论、遗传+神经、模拟退火+神经算法等成功运用的实例。(5)人工生命人工生命(ArtificialLife,简称AL)是由美国圣菲研究所非线性研究组的计算机科学家ChristopherLangton于1987年与LosAlamosNationalLaboratory召开的“生成以及模拟生命系统的国际会议”上首先提出的。它主要是通过人工模拟生命系统来研究生命的领域。AL的概念主要包括两方面内容：1）计算机科学领域的虚拟生命系统，主要涉及计算机软件工程和人工智能技术；2）基因工程技术人工改造生物的工程生物系统，主要涉及合成生物学技术。相比于传统的人工智能和神经网络，人工生命不论在理论上还是方法上都有很大的区别。人工生命主要是通过计算机仿真生命现象来体现自适应机理，对相关非线性对象进行更真实的动态描述以及动态特征研究。人工生命学科主要包括仿生系统、人工建模与仿真、人工生命的计算理论、进化动力学、进化与学习综合系统以及人工生命的应用等研究内容。现阶段比较典型的人工生命研究有：计算机病毒、计算机进程、进化机器人、自催化网络、细胞自动机、人工核苷酸和人工脑等。3人工智能的当前研究热点(1)数据挖掘与知识实现数据挖掘和知识发现是20世纪90年代初期新崛起的一个活跃的研究领域。在数据库基础上实现的知识发现系统，通过综合运用多种学习手段和方法，从大量的数据中提炼出抽象的知识，从而揭示出蕴涵在这些数据背后的客观世界的内在联系和本质规律，实现知识的自动获取。这是一个富有挑战性并具有广阔应用前景的研究课题。从数据库获取知识，即从数据中挖掘并发现知识，首先要解决被发现知识的表达问题。最好的表达方式是自然语言，因为它是人类的思维和交流语言。知识表示的最根本问题就是如何形成用自然语言表达的概念。概念比数据更确切、直接和易于理解。自然语言的功能就是用最基本的概念描述复杂的概念、用各种方法对概念进行组合，以表示所认知的事件。到20世纪80年代末，数据挖掘取得突破。越来越多的研究者加入到知识发现和数据挖掘的研究行列。客户档案就是应用数据挖掘的一个例子。数据挖掘的研究还会深入下去，研究焦点可能会集中到以下几个方面：○1数据挖掘算法的效率和可扩展性；○2数据的时序性；○3互联网上知识的发现。(2)智能接口技术智能接口技术是研究如何使人们能够方便自然地与计算机交流。而交流的实现又依赖于知识表示方法的研究。因此，智能接口技术的研究既有巨大的应用价值，又有基础的理论意义。目前，智能接口技术已经取得了显著成果，文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等技术已经开始实用化。4人工智能的前景人工智能的近期研究目标是研制可代替人类从事脑力劳动的智能计算机，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出未来人工智能可能会向以下几个方面发展：模糊处理、并行化、神经网络和机器情感。人工神经网络是未来人工智能应用的新领域，而人工智能领域的下一个突破可能在于赋予计算机情感能力。情感能力对于计算机与人的自然交往至关重要。参考文献：