智能控制演算法

A. 什麼是智能優化演算法

群體智能優化演算法是一類基於概率的隨機搜索進化演算法，各個演算法之間存在結構、研究內容、計算方法等具有較大的相似性。因此，群體智能優化演算法可以建立一個基本的理論框架模式：

Step1：設置參數，初始化種群；

Step2：生成一組解，計算其適應值；

Step3：由個體最有適應著，通過比較得到群體最優適應值；

Step4：判斷終止條件示否滿足？如果滿足，結束迭代；否則，轉向Step2；

各個群體智能演算法之間最大不同在於演算法更新規則上，有基於模擬群居生物運動步長更新的（如PSO，AFSA與SFLA），也有根據某種演算法機理設置更新規則（如ACO）。

(1)智能控制演算法擴展閱讀

優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。

優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。

B. 什麼是智能控制方法

智能控制（intelligent controls）在無人干預的情況下能自主地驅動智能機器實現控制目標的自動控制技術。對許多復雜的系統，難以建立有效的數學模型和用常規的控制理論去進行定量計算和分析，而必須採用定量方法與定性方法相結合的控制方式。定量方法與定性方法相結合的目的是，要由機器用類似於人的智慧和經驗來引導求解過程。因此，在研究和設計智能系統時，主要注意力不放在數學公式的表達、計算和處理方面，而是放在對任務和現實模型的描述、符號和環境的識別以及知識庫和推理機的開發上，即智能控制的關鍵問題不是設計常規控制器，而是研製智能機器的模型。此外，智能控制的核心在高層控制，即組織控制。高 層控 制 是 對實際環境或過程進行組織、決策和規劃，以實現問題求解。為了完成這些任務，需要採用符號信息處理、啟發式程序設計、知識表示、自動推理和決策等有關技術。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的「智能」。
隨著人工智慧和計算機技術的發展，已經有可能把自動控制和人工智慧以及系統科學中一些有關學科分支（如系統工程、系統學、運籌學、資訊理論）結合起來，建立一種適用於復雜系統的控制理論和技術。智能控制正是在這種條件下產生的。它是自動控制技術的最新發展階段，也是用計算機模擬人類智能進行控制的研究領域。1965年，傅京孫首先提出把人工智慧的啟發式推理規則用於學習控制系統。1985年，在美國首次召開了智能控制學術討論會。1987年又在美國召開了智能控制的首屆國際學術會議，標志著智能控製作為一個新的學科分支得到承認。智能控制具有交叉學科和定量與定性相結合的分析方法和特點。
一個系統如果具有感知環境、不斷獲得信息以減小不確定性和計劃、產生以及執行控制行為的能力,即稱為智能控制系統. 智能控制技術是在向人腦學習的過程中不斷發展起來的,人腦是一個超級智能控制系統,具有實時推理、決策、學習和記憶等功能,能適應各種復雜的控制環境.
智能控制與傳統的或常規的控制有密切的關系,不是相互排斥的. 常規控制往往包含在智能控制之中,智能控制也利用常規控制的方法來解決「低級」的控制問題,力圖擴充常規控制方法並建立一系列新的理論與方法來解決更具有挑戰性的復雜控制問題.
1. 傳統的自動控制是建立在確定的模型基礎上的,而智能控制的研究對象則存在模型嚴重的不確定性,即模型未知或知之甚少者模型的結構和參數在很大的范圍內變動,比如工業過程的病態結構問題、某些干擾的無法預測,致使無法建立其模型,這些問題對基於模型的傳統自動控制來說很難解決.
2. 傳統的自動控制系統的輸入或輸出設備與人及外界環境的信息交換很不方便,希望製造出能接受印刷體、圖形甚至手寫體和口頭命令等形式的信息輸入裝置,能夠更加深入而靈活地和系統進行信息交流,同時還要擴大輸出裝置的能力,能夠用文字、圖紙、立體形象、語言等形式輸出信息. 另外,通常的自動裝置不能接受、分析和感知各種看得見、聽得著的形象、聲音的組合以及外界其它的情況. 為擴大信息通道,就必須給自動裝置安上能夠以機械方式模擬各種感覺的精確的送音器,即文字、聲音、物體識別裝置. 可喜的是,近幾年計算機及多媒體技術的迅速發展,為智能控制在這一方面的發展提供了物質上的准備,使智能控制變成了多方位「立體」的控制系統.
3. 傳統的自動控制系統對控制任務的要求要麼使輸出量為定值(調節系統) ,要麼使輸出量跟隨期望的運動軌跡(跟隨系統) ,因此具有控制任務單一性的特點,而智能控制系統的控制任務可比較復雜,例如在智能機器人系統中,它要求系統對一個復雜的任務具有自動規劃和決策的能力,有自動躲避障礙物運動到某一預期目標位置的能力等. 對於這些具有復雜的任務要求的系統,採用智能控制的方式便可以滿足.
4. 傳統的控制理論對線性問題有較成熟的理論,而對高度非線性的控制對象雖然有一些非線性方法可以利用,但不盡人意. 而智能控制為解決這類復雜的非線性問題找到了一個出路,成為解決這類問題行之有效的途徑. 工業過程智能控制系統除具有上述幾個特點外,又有另外一些特點,如被控對象往往是動態的,而且控制系統在線運動,一般要求有較高的實時響應速度等,恰恰是這些特點又決定了它與其它智能控制系統如智能機器人系統、航空航天控制系統、交通運輸控制系統等的區別,決定了它的控制方法以及形式的獨特之處.
5. 與傳統自動控制系統相比,智能控制系統具有足夠的關於人的控制策略、被控對象及環境的有關知識以及運用這些知識的能力
6. 與傳統自動控制系統相比,智能控制系統能以知識表示的非數學廣義模型和以數學表示的混合控制過程,採用開閉環控制和定性及定量控制結合的多模態控制方式.
7. 與傳統自動控制系統相比,智能控制系統具有變結構特點,能總體自尋優,具有自適應、自組織、自學習和自協調能力.
8. 與傳統自動控制系統相比,智能控制系統有補償及自修復能力和判斷決策能力.
總之,智能控制系統通過智能機自動地完成其目標的控制過程,其智能機可以在熟悉或不熟悉的環境中自動地或人—機交互地完成擬人任務.
[編輯本段]智能控制的主要技術方法
智能控制是以控制理論、計算機科學、人工智慧、運籌學等學科為基礎,擴展了相關的理論和技術,其中應用較多的有模糊邏輯、神經網路、專家系統、遺傳演算法等理論和自適應控制、自組織控制、自學習控制等技術。
專家系統
專家系統是利用專家知識對專門的或困難的問題進行描述. 用專家系統所構成的專家控制,無論是專家控制系統還是專家控制器,其相對工程費用較高,而且還涉及自動地獲取知識困難、無自學能力、知識面太窄等問題. 盡管專家系統在解決復雜的高級推理中獲得較為成功的應用,但是專家控制的實際應用相對還是比較少。
模糊邏輯
模糊邏輯用模糊語言描述系統,既可以描述應用系統的定量模型也可以描述其定性模型. 模糊邏輯可適用於任意復雜的對象控制. 但在實際應用中模糊邏輯實現簡單的應用控制比較容易. 簡單控制是指單輸入單輸出系統(SISO) 或多輸入單輸出系統(MISO) 的控制. 因為隨著輸入輸出變數的增加,模糊邏輯的推理將變得非常復雜。
遺傳演算法
遺傳演算法作為一種非確定的擬自然隨機優化工具,具有並行計算、快速尋找全局最優解等特點,它可以和其他技術混合使用,用於智能控制的參數、結構或環境的最優控制。
神經網路
神經網路是利用大量的神經元按一定的拓撲結構和學習調整方法. 它能表示出豐富的特性：並行計算、分布存儲、可變結構、高度容錯、非線性運算、自我組織、學習或自學習等. 這些特性是人們長期追求和期望的系統特性. 它在智能控制的參數、結構或環境的自適應、自組織、自學習等控制方面具有獨特的能力. 神經網路可以和模糊邏輯一樣適用於任意復雜對象的控制,但它與模糊邏輯不同的是擅長單輸入多輸出系統和多輸入多輸出系統的多變數控制. 在模糊邏輯表示的SIMO 系統和MIMO 系統中,其模糊推理、解模糊過程以及學習控制等功能常用神經網路來實現.模糊神經網路技術和神經模糊邏輯技術：模糊邏輯和神經網路作為智能控制的主要技術已被廣泛應用. 兩者既有相同性又有不同性. 其相同性為：兩者都可作為萬能逼近器解決非線性問題,並且兩者都可以應用到控制器設計中. 不同的是：模糊邏輯可以利用語言信息描述系統,而神經網路則不行;模糊邏輯應用到控制器設計中,其參數定義有明確的物理意義,因而可提出有效的初始參數選擇方法;神經網路的初始參數(如權值等) 只能隨機選擇. 但在學習方式下,神經網路經過各種訓練,其參數設置可以達到滿足控制所需的行為. 模糊邏輯和神經網路都是模仿人類大腦的運行機制,可以認為神經網路技術模仿人類大腦的硬體,模糊邏輯技術模仿人類大腦的軟體. 根據模糊邏輯和神經網路的各自特點,所結合的技術即為模糊神經網路技術和神經模糊邏輯技術. 模糊邏輯、神經網路和它們混合技術適用於各種學習方式 智能控制的相關技術與控制方式結合或綜合交叉結合,構成風格和功能各異的智能控制系統和智能控制器是智能控制技術方法的一個主要特點．

C. 現在的伺服驅動器中都是運用的什麼控制演算法現在的智能控制演算法中，有運用到實際中去的嗎謝謝！

是矢量空間解耦演算法，還有PI演算法

D. 人工智慧演算法

編程與推理沒有關系，編程的智能建立在「是非」之上，以中斷判斷為基礎。推箱子有很多種判斷，比如2*2*2……結果會特別多，而編程只是控制其中某一步，這樣每一步都有2種情況，相乘後，軟體就會有很多種通過方法，太多了。比如棋類軟體，我們只要控制某些局部，這些局部組成了「人工智慧」，而局部本身是「非智能」的，這么說明白？
即使是人腦的智能，本質上還是電信號的中斷處理，處理的速度「即人的聰明」，與人腦中資料庫的優化與數據量有關，也就是人腦的智能，其實是機械電子搜索匹配過程……

E. 智能演算法

智能信息處理研究方向

一、 科研方向意義
智能信息處理是人工智慧（AI）的一個重要研究領域。在世界各地對人工智慧的研究很早就開始了，當計算機出現後，人類開始真正有了一個可以模擬人類思維的工具，而人工智慧也始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟體都因為有了人工智慧的進展而得以存在。80年代初，在美國、日本、接著在我國國內都掀起了一股研究神經網路理論和神經計算機的熱潮，並將神經網路原理應用於圖象處理、模式識別、語音綜合及機器人控制等領域。隨著理論研究的不斷深入和應用領域的迅速擴大，近年來智能信息處理成了人工智慧的一個熱門研究方向，我國各高等院校都成立了關於智能信息處理的研究機構。他們立足於信息處理技術的基礎研究和應用，積極地將數學、人工智慧、邏輯學、認知科學等領域最新研究成果應用於各種信息的智能處理，在模式識別與人工智慧、資料庫與數據倉庫的挖掘技術、信息網路安全與數據保密技術等方面取得了較好的研究成果，在帶動其院校學科建設的同時，也努力擴大了信息技術在國民經濟各領域的應用，提高了信息處理技術的社會效應和經濟效益。
二、主要研究方向
模式識別與人工智慧
數據挖掘演算法
優化決策支持系統
商用智能軟體
三、研究目標
以促進本學科的建設為目標，加強智能理論的研究，並側重智能系統的開發應用工作。在理論上，配合本碩學生的教學工作，在模式識別與人工智慧、數據挖掘和智能演算法等方面進行深入研究，取得比較深入的理論研究成果，從而使學生掌握這方面最新的知識理論，為他們在以後的研究和工作中打下堅實的基礎，進一步可以獨立研究並取得更大的成就。在智能應用上，我們要根據現有的基礎條件，進一步加強梯隊人員和素質的建設，形成一支結構合理、充滿活力、人員穩定的研究隊伍；建立並擴展與外界的合作關系，將最新的理論研究成果轉化為生產力，開發出企業急需的、先進的智能控制和信息處理軟體系統，從而在為社會做貢獻的同時提高我校的聲譽，有利於我校的招生和就業。本方向的研究工作還會促進學生實驗實踐環節的質量，從根本上提高畢業生的素質。

F. 智能控制演算法 智能控制演算法有哪些

這個太多了，比如專家控制，模糊控制，神經網路控制，進化計算和群體智能等優化計算方法也能跟傳統的控制方法結合使用，還有學習控制等等。每個方法里也有很多分類。建議找本書看看吧，書很多的。

G. 智能控制的關鍵技術有哪些技術難點是什麼

就目前而言 使用最廣的是 模糊控制 其他的還有最優控制 魯棒控制。技術難點是，要求應用數學功底好，就算你有控制策略也不能變成實際的演算法

H. 仿人智能控制演算法是什麼

過程式控制制對象難以建立精確的數學模型,仿人智能控制以人的思維方式、控制經驗、行為和直覺推理為基礎,避開了求解繁瑣的對象模型或建立腦模型時遇到的種種難題,因此它在過程式控制制中將會顯示出其獨特的優勢;文中詳細討論了應用於過程式控制制中的仿人智能控制演算法;最後,現場應用表明仿人智能控制是過程式控制制中的最佳選擇。
【作者單位】：中國人民解放軍後勤工程學院 重慶400016 (牛鵬輝);中國人民解放軍後勤工程學院 重慶400016(塗亞慶)
【關鍵詞】：過程式控制制;仿人智能控制;控制器
【分類號】：TP18
【DOI】：cnki:ISSN:1007-0257.0.2005-10-016
【正文快照】：
0引言 過程式控制制是工業自動化中一個最重要的分支,它主要針對 所謂六大參數,即溫度、壓力、流量、液位、成分和物性等參 數的控制問題。在過程式控制制中,了解被控對象的動態特性十分 重要,控制系統的設計是依據被控對象的控制要求和動態特性 進行的。過程式控制制涉及的被控對象大多具有以下特點:①被控 對象的動態特性通常是單調曲線,被控量的變化一般比較緩; ②被控對象在動態特性通常存在遲延或純滯後;③被控對象的 動態特性存在穩定的自衡過程,中性穩定的非自衡過程;④被 控對象往往具有諸如飽和、死區、滯環和倒S形等非線形特 性;⑤被控對象往…

全文地址：http://www.cnki.com.cn/Article/CJFDTotal-JZCK200510016.htm

I. 智能演算法的演算法分類

模擬退火演算法的依據是固體物質退火過程和組合優化問題之間的相似性。物質在加熱的時候，粒子間的布朗運動增強，到達一定強度後，固體物質轉化為液態，這個時候再進行退火，粒子熱運動減弱，並逐漸趨於有序，最後達到穩定。
模擬退火的解不再像局部搜索那樣最後的結果依賴初始點。它引入了一個接受概率p。如果新的點（設為pn）的目標函數f（pn）更好，則p=1，表示選取新點；否則，接受概率p是當前點（設為pc）的目標函數f（pc），新點的目標函數f（pn）以及另一個控制參數「溫度」T的函數。也就是說，模擬退火沒有像局部搜索那樣每次都貪婪地尋找比現在好的點，目標函數差一點的點也有可能接受進來。隨著演算法的執行，系統溫度T逐漸降低，最後終止於某個低溫，在該溫度下，系統不再接受變化。
模擬退火的典型特徵是除了接受目標函數的改進外，還接受一個衰減極限，當T較大時，接受較大的衰減，當T逐漸變小時，接受較小的衰減，當T為0時，就不再接受衰減。這一特徵意味著模擬退火與局部搜索相反，它能避開局部極小，並且還保持了局部搜索的通用性和簡單性。
在物理上，先加熱，讓分子間互相碰撞，變成無序狀態，內能加大，然後降溫，最後的分子次序反而會更有序，內能比沒有加熱前更小。就像那隻兔子，它喝醉後，對比較近的山峰視而不見，迷迷糊糊地跳一大圈子，反而更有可能找到珠峰。
值得注意的是，當T為0時，模擬退火就成為局部搜索的一個特例。
模擬退火的偽碼表達：
procere simulated annealing
begin
t:=0;
initialize temperature T
select a current string vc at random;
evaluate vc;
repeat
repeat
select a new string vn in the neighborhood of vc; (1)
if f(vc)<f(vn)
then vc:=vn;
else if random [0,1] <exp ((f (vn)-f (vc))/T) (2)
then vc:=vn;
until (termination-condition) (3)
T:=g(T,t); (4)
T:=t+1;
until (stop-criterion) (5)
end;
上面的程序中，關鍵的是(1)新狀態產生函數，(2)新狀態接受函數，(3)抽樣穩定準則，(4)退溫函數，(5)退火結束准則（簡稱三函數兩准則）是直接影響優化結果的主要環節。雖然實驗結果證明初始值對於最後的結果沒有影響，但是初溫越高，得到高質量解的概率越大。所以，應該盡量選取比較高的初溫。
上面關鍵環節的選取策略：
（1）狀態產生函數：候選解由當前解的鄰域函數決定，可以取互換，插入，逆序等操作產生，然後根據概率分布方式選取新的解，概率可以取均勻分布、正態分布、高斯分布、柯西分布等。
（2）狀態接受函數：這個環節最關鍵，但是，實驗表明，何種接受函數對於最後結果影響不大。所以，一般選取min [1, exp ((f (vn)-f (vc))/T)]。
（3）抽樣穩定準則：一般常用的有：檢驗目標函數的均值是否穩定；連續若干步的目標值變化較小；規定一定的步數；
（4）退溫函數：如果要求溫度必須按照一定的比率下降，SA演算法可以採用，但是溫度下降很慢；快速SA中，一般採用 。目前，經常用的是 ，是一個不斷變化的值。
（5）退火結束准則：一般有：設置終止溫度；設置迭代次數；搜索到的最優值連續多次保持不變；檢驗系統熵是否穩定。
為了保證有比較優的解，演算法往往採取慢降溫、多抽樣、以及把「終止溫度」設的比較低等方式，導致演算法運行時間比較長，這也是模擬退火的最大缺點。人喝醉了酒辦起事來都不利索，何況兔子？ 「物競天擇，適者生存」，是進化論的基本思想。遺傳演算法就是模擬自然界想做的事。遺傳演算法可以很好地用於優化問題，若把它看作對自然過程高度理想化的模擬，更能顯出它本身的優雅——雖然生存競爭是殘酷的。
遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、健壯性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。
遺傳演算法的偽碼：
procere genetic algorithm
begin
initialize a group and evaluate the fitness value ; （1）
while not convergent （2）
begin
select; （3）
if random[0,1]<pc then
crossover; （4）
if random (0,1)<pm then
mutation; （5）
end;
end
上述程序中有五個重要的環節：
（1）編碼和初始群體的生成：GA在進行搜索之前先將解空間的解數據表示成遺傳空間的基因型串結構數據，這些串結構數據的不同組合便構成了不同的點。然後隨機產生N個初始串結構數據，每個串結構數據稱為一個個體， N個體構成了一個群體。GA以這N個串結構數據作為初始點開始迭代。
比如，旅行商問題中，可以把商人走過的路徑進行編碼，也可以對整個圖矩陣進行編碼。編碼方式依賴於問題怎樣描述比較好解決。初始群體也應該選取適當，如果選取的過小則雜交優勢不明顯，演算法性能很差（數量上佔了優勢的老鼠進化能力比老虎強），群體選取太大則計算量太大。
（2）檢查演算法收斂准則是否滿足，控制演算法是否結束。可以採用判斷與最優解的適配度或者定一個迭代次數來達到。
（3）適應性值評估檢測和選擇：適應性函數表明個體或解的優劣性，在程序的開始也應該評價適應性，以便和以後的做比較。不同的問題，適應性函數的定義方式也不同。根據適應性的好壞，進行選擇。選擇的目的是為了從當前群體中選出優良的個體，使它們有機會作為父代為下一代繁殖子孫。遺傳演算法通過選擇過程體現這一思想，進行選擇的原則是適應性強的個體為下一代貢獻一個或多個後代的概率大。選擇實現了達爾文的適者生存原則。
（4）雜交：按照雜交概率（pc）進行雜交。雜交操作是遺傳演算法中最主要的遺傳操作。通過雜交操作可以得到新一代個體，新個體組合了其父輩個體的特性。雜交體現了信息交換的思想。
可以選定一個點對染色體串進行互換，插入，逆序等雜交，也可以隨機選取幾個點雜交。雜交概率如果太大，種群更新快，但是高適應性的個體很容易被淹沒，概率小了搜索會停滯。
（5）變異：按照變異概率（pm）進行變異。變異首先在群體中隨機選擇一個個體，對於選中的個體以一定的概率隨機地改變串結構數據中某個串的值。同生物界一樣，GA中變異發生的概率很低。變異為新個體的產生提供了機會。
變異可以防止有效基因的缺損造成的進化停滯。比較低的變異概率就已經可以讓基因不斷變更，太大了會陷入隨機搜索。想一下，生物界每一代都和上一代差距很大，會是怎樣的可怕情形。
就像自然界的變異適和任何物種一樣，對變數進行了編碼的遺傳演算法沒有考慮函數本身是否可導，是否連續等性質，所以適用性很強；並且，它開始就對一個種群進行操作，隱含了並行性，也容易找到「全局最優解」。 為了找到「全局最優解」，就不應該執著於某一個特定的區域。局部搜索的缺點就是太貪婪地對某一個局部區域以及其鄰域搜索，導致一葉障目，不見泰山。禁忌搜索就是對於找到的一部分局部最優解，有意識地避開它（但不是完全隔絕），從而獲得更多的搜索區間。兔子們找到了泰山，它們之中的一隻就會留守在這里，其他的再去別的地方尋找。就這樣，一大圈後，把找到的幾個山峰一比較，珠穆朗瑪峰脫穎而出。
當兔子們再尋找的時候，一般地會有意識地避開泰山，因為他們知道，這里已經找過，並且有一隻兔子在那裡看著了。這就是禁忌搜索中「禁忌表（tabu list）」的含義。那隻留在泰山的兔子一般不會就安家在那裡了，它會在一定時間後重新回到找最高峰的大軍，因為這個時候已經有了許多新的消息，泰山畢竟也有一個不錯的高度，需要重新考慮，這個歸隊時間，在禁忌搜索裡面叫做「禁忌長度（tabu length）」；如果在搜索的過程中，留守泰山的兔子還沒有歸隊，但是找到的地方全是華北平原等比較低的地方，兔子們就不得不再次考慮選中泰山，也就是說，當一個有兔子留守的地方優越性太突出，超過了「best to far」的狀態，就可以不顧及有沒有兔子留守，都把這個地方考慮進來，這就叫「特赦准則（aspiration criterion）」。這三個概念是禁忌搜索和一般搜索准則最不同的地方，演算法的優化也關鍵在這里。
偽碼表達：
procere tabu search;
begin
initialize a string vc at random,clear up the tabu list;
cur:=vc;
repeat
select a new string vn in the neighborhood of vc;
if va>best_to_far then {va is a string in the tabu list}
begin
cur:=va;
let va take place of the oldest string in the tabu list;
best_to_far:=va;
end else
begin
cur:=vn;
let vn take place of the oldest string in the tabu list;
end;
until (termination-condition);
end;
以上程序中有關鍵的幾點：
（1）禁忌對象：可以選取當前的值（cur）作為禁忌對象放進tabu list，也可以把和當然值在同一「等高線」上的都放進tabu list。
（2）為了降低計算量，禁忌長度和禁忌表的集合不宜太大，但是禁忌長度太小容易循環搜索，禁忌表太小容易陷入「局部極優解」。
（3）上述程序段中對best_to_far的操作是直接賦值為最優的「解禁候選解」，但是有時候會出現沒有大於best_to_far的，候選解也全部被禁的「死鎖」狀態，這個時候，就應該對候選解中最佳的進行解禁，以能夠繼續下去。
（4）終止准則：和模擬退火，遺傳演算法差不多，常用的有：給定一個迭代步數；設定與估計的最優解的距離小於某個范圍時，就終止搜索；當與最優解的距離連續若干步保持不變時，終止搜索；
禁忌搜索是對人類思維過程本身的一種模擬，它通過對一些局部最優解的禁忌（也可以說是記憶）達到接納一部分較差解，從而跳出局部搜索的目的。 人工神經網路（Artificial Neural Network，ANN）
神經網路從名字就知道是對人腦的模擬。它的神經元結構，它的構成與作用方式都是在模仿人腦，但是也僅僅是粗糙的模仿，遠沒有達到完美的地步。和馮·諾依曼機不同，神經網路計算非數字，非精確，高度並行，並且有自學習功能。
生命科學中，神經細胞一般稱作神經元，它是整個神經結構的最基本單位。每個神經細胞就像一條胳膊，其中像手掌的地方含有細胞核，稱作細胞體，像手指的稱作樹突，是信息的輸入通路，像手臂的稱作軸突，是信息的輸出通路；神經元之間錯綜復雜地連在一起，互相之間傳遞信號，而傳遞的信號可以導致神經元電位的變化，一旦電位高出一定值，就會引起神經元的激發，此神經元就會通過軸突傳出電信號。
而如果要用計算機模仿生物神經，就需要人工的神經網路有三個要素：（1）形式定義人工神經元；（2）給出人工神經元的連接方式，或者說給出網路結構；（3）給出人工神經元之間信號強度的定義。
歷史上第一個人工神經網路模型稱作M－P模型，非常簡單：
其中，表示神經元i在t時刻的狀態，為1表示激發態，為0表示抑制態；是神經元i和j之間的連接強度；表示神經元i的閾值，超過這個值神經元才能激發。
這個模型是最簡單的神經元模型。但是功能已經非常強大：此模型的發明人McCulloch和Pitts已經證明，不考慮速度和實現的復雜性，它可以完成當前數字計算機的任何工作。
以上這個M－P模型僅僅是一層的網路，如果從對一個平面進行分割的方面來考慮的話，M－P網路只能把一個平面分成個半平面，卻不能夠選取特定的一部分。而解決的辦法就是「多層前向網路」。
為了讓這種網路有合適的權值，必須給網路一定的激勵，讓它自己學習，調整。一種方法稱作「向後傳播演算法（Back Propagation，BP）」，其基本思想是考察最後輸出解和理想解的差異，調整權值，並把這種調整從輸出層開始向後推演，經過中間層，達到輸入層。
可見，神經網路是通過學習來達到解決問題的目的，學習沒有改變單個神經元的結構和工作方式，單個神經元的特性和要解決的問題之間也沒有直接聯系，這里學習的作用是根據神經元之間激勵與抑制的關系，改變它們的作用強度。學習樣本中的任何樣品的信息都包含在網路的每個權值之中。
BP演算法中有考察輸出解和理想解差異的過程，假設差距為w，則調整權值的目的就是為了使得w最小化。這就又包含了前文所說的「最小值」問題。一般的BP演算法採用的是局部搜索，比如最速下降法，牛頓法等，當然如果想要得到全局最優解，可以採用模擬退火，遺傳演算法等。當前向網路採用模擬退火演算法作為學習方法的時候，一般成為「波爾茲曼網路」，屬於隨機性神經網路。
在學習BP演算法學習的過程中，需要已經有一部分確定的值作為理想輸出，這就好像中學生在學習的時候，有老師的監督。如果沒有了監督，人工神經網路該怎麼學習？
就像沒有了宏觀調控，自由的市場引入了競爭一樣，有一種學習方法稱作「無監督有競爭的學習」。在輸入神經元i的若干個神經元之間開展競爭，競爭之後，只有一個神經元為1，其他均為0，而對於失敗的神經元，調整使得向對競爭有利的方向移動，則最終也可能在一次競爭中勝利；
人工神經網路還有反饋網路如Hopfield網路，它的神經元的信號傳遞方向是雙向的，並且引入一個能量函數，通過神經元之間不斷地相互影響，能量函數值不斷下降，最後能給出一個能量比較低的解。這個思想和模擬退火差不多。
人工神經網路應用到演算法上時，其正確率和速度與軟體的實現聯系不大，關鍵的是它自身的不斷學習。這種思想已經和馮·諾依曼模型很不一樣。 粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源於對鳥群捕食的行為研究 。該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。
PSO同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值。但是它沒有遺傳演算法用的交叉(crossover)以及變異(mutation)，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域。
PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。
PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的粒子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索。
PSO 初始化為一群隨機粒子(隨機解)。然後通過迭代找到最優解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己。第一個就是粒子本身所找到的最優解，這個解叫做個體極值pBest。另一個極值是整個種群目前找到的最優解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分作為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。 模擬退火，遺傳演算法，禁忌搜索，神經網路在解決全局最優解的問題上有著獨到的優點，並且，它們有一個共同的特點：都是模擬了自然過程。模擬退火思路源於物理學中固體物質的退火過程，遺傳演算法借鑒了自然界優勝劣汰的進化思想，禁忌搜索模擬了人類有記憶過程的智力過程，神經網路更是直接模擬了人腦。
它們之間的聯系也非常緊密，比如模擬退火和遺傳演算法為神經網路提供更優良的學習演算法提供了思路。把它們有機地綜合在一起，取長補短，性能將更加優良。
這幾種智能演算法有別於一般的按照圖靈機進行精確計算的程序，尤其是人工神經網路，是對計算機模型的一種新的詮釋，跳出了馮·諾依曼機的圈子，按照這種思想來設計的計算機有著廣闊的發展前景

J. A*演算法是智能控制演算法嗎

A*演算法是智能控制演算法