智能控制有哪些演算法

㈠ 智能控制包括哪些

具體的我也不清楚，不過我覺得用智能控制生活很方便的，我家就用的英國OLBLO的智能控制系統，它們的智能控制面板很不錯，南京這邊有賣的，上海、北京、廣州、深圳都有賣

㈡ 大家能給窮舉一下自動控制領域有哪些控制演算法嗎

還有非線性控制，自適應控制，模型預測控制，數字控制，智能控制（神經網路，貝葉斯模型，模糊演算法，機器學習，進化，遺傳等等）。這些分類之間都有交集。

演算法只是理論而已，和復雜的實際情況還不是一回事。

㈢ 控制演算法都有哪些

控制演算法分為模糊PID控制演算法和自適應控制演算法。各自的特點如下：模糊PID控制演算法的特點：

1、簡化系統設計的復雜性，特別適用於非線性、時變、滯後、模型不完全系統的控制。

2、不依賴於被控對象的精確數學模型。

3、利用控製法則來描述系統變數間的關系。

4、不用數值而用語言式的模糊變數來描述系統，模糊控制器不必對被控制對象建立完整的數學模式。

5、模糊控制器是一語言控制器，便於操作人員使用自然語言進行人機對話。

6、模糊控制器是一種容易控制、掌握的較理想的非線性控制器，具有較佳的魯棒性、適應性、強健性(Robustness)及較佳的容錯性(FaultTolerance)。自適應控制演算法的特點：1、實現了控制器參數的在線自動整定。2、與常規PID控制器有相同的結構。3、採用單片微機實現了控制演算法,實用性強,可靠性好。

㈣ 智能控制的類型

分級遞階智能控制是在自適應控制和自組織控制基礎上，由美國普渡大學Saridis提出的智能控制理論.分級遞階智能控制（Hierarchical Intelligent Control）主要由三個控制級組成，按智能控制的高低分為組織級，協調級，執行級，並且這三級遵循伴隨智能遞降精度遞增原則。
組織級（organization level）：組織級通過人機介面和用戶（操作員）進行交互，執行最高決策的控制功能，監視並指導協調級和執行級的所有行為，其智能程度最高.
協調級（Coordination level）：協調級可進一步劃分為兩個分層：控制管理分層和控制監督分層.
執行級（executive level）：執行級的控制過程通常是執行一個確定的動作. 專家指的是那些對解決專門問題非常熟悉的人們，他們的這種專門技術通常源於豐富的經驗，以及他們處理問題的詳細專業知識.
專家系統主要指的是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的經驗方法來處理該領域的高水平難題.它具有啟發性，透明性，靈活性，符號操作，不一確定性推理等特點.應用專家系統的概念和技術，模擬人類專家的控制知識與經驗而建造的控制系統，稱為專家控制系統.
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。 神經網路是指由大量與生物神經系統的神經細胞相類似的人工神經元互連而組成的網路；或由大量象生物神經元的處理單元並聯互連而成.這種神經網路具有某些智能和仿人控制功能.
學習演算法是神經網路的主要特徵，也是當前研究的主要課題.學習的概念來自生物模型，它是機體在復雜多變的環境中進行有效的自我調節.神經網路具備類似人類的學習功能.一個神經網路若想改變其輸出值，但又不能改變它的轉換函數，只能改變其輸人,而改變輸人的唯一方法只能修改加在輸人端的加權系數.
神經網路的學習過程是修改加權系數的過程，最終使其輸出達到期望值，學習結束.常用的學習演算法有：Hebb學習演算法，widrow Hoff學習演算法，反向傳播學習演算法一BP學習演算法，Hopfield反饋神經網路學習演算法等。
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． 所謂模糊控制，就是在被控制對象的模糊模型的基礎上，運用模糊控制器近似推理手段，實現系統控制的一種方法.模糊模型是用模糊語言和規則描述的一個系統的動態特性及性能指標.
模糊控制的基本思想是用機器去模擬人對系統的控制.它是受這樣事實而啟發的：對於用傳統控制理論無法進行分析和控制的復雜的和無法建立數學模型的系統，有經驗的操作者或專家卻能取得比較好的控制效果，這是因為他們擁有日積月累的豐富經驗，因此人們希望把這種經驗指導下的行為過程總結成一些規則，並根據這些規則設計出控制器.然後運用模糊理論，模糊語言變數和模糊邏輯推理的知識，把這些模糊的語言上升為數值運算，從而能夠利用計算機來完成對這些規則的具體實現，達到以機器代替人對某些對象進行自動控制的目的。
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。 學習是人類的主要智能之一，人類的各項活動也需要學習.在人類的進化過程中,學習功能起著十分重要的作用.學習控制正是模擬人類自身各種優良的控制調節機制的一種嘗試. 所謂學習是一種過程，它通過重復輸人信號，並從外部校正該系統，從而使系統對特定輸人具有特定響應.學習控制系統是一個能在其運行過程中逐步獲得受控過程及環境的非預知信息，積累控制經驗，並在一定的評價標准下進行估值，分類，決策和不斷改善系統品質的自動控制系統。
（1）遺傳演算法學習控制
智能控制是通過計算機實現對系統的控制，因此控制技術離不開優化技術。快速、高效、全局化的優化演算法是實現智能控制的重要手段。遺傳演算法是模擬自然選擇和遺傳機制的一種搜索和優化演算法，它模擬生物界/生存競爭，優勝劣汰，適者生存的機制，利用復制、交叉、變異等遺傳操作來完成尋優。遺傳演算法作為優化搜索演算法，一方面希望在寬廣的空間內進行搜索，從而提高求得最優解的概率；另一方面又希望向著解的方向盡快縮小搜索范圍，從而提高搜索效率。如何同時提高搜索最優解的概率和效率，是遺傳演算法的一個主要研究方向。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。
（2）迭代學習控制
迭代學習控制模仿人類學習的方法、即通過多次的訓練，從經驗中學會某種技能，來達到有效控制的目的。迭代學習控制能夠通過一系列迭代過程實現對二階非線性動力學系統的跟蹤控制。整個控制結構由線性反饋控制器和前饋學習補償控制器組成，其中線性反饋控制器保證了非線性系統的穩定運行、前饋補償控制器保證了系統的跟蹤控制精度。它在執行重復運動的非線性機器人系統的控制中是相當成功的。

㈤ 智能演算法有哪些

（1）人工神經網路（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機（Boltzmann Machine）、卷積神經網路（Convolutional Neural Network）、Hopfield網路（hopfield Network）、多層感知器（Multilyer Perceptron）、徑向基函數網路（Radial Basis Function Network，RBFN）、受限波爾茲曼機（Restricted Boltzmann Machine）、回歸神經網路（Recurrent Neural Network，RNN）、自組織映射（Self-organizing Map，SOM）、尖峰神經網路（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）、高斯貝葉斯（Gaussian Naive Bayes）、多項樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators，AODE）
貝葉斯信念網路（Bayesian Belief Network，BBN）、貝葉斯網路（Bayesian Network，BN）等。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5演算法（C4.5 Algorithm）、C5.0演算法（C5.0 Algorithm）、卡方自動交互檢測（Chi-squared Automatic Interaction Detection，CHAID）、決策殘端（Decision Stump）、ID3演算法（ID3 Algorithm）、隨機森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher』s Linear Discriminant）
線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、多項邏輯回歸（Multionmial Logistic Regression）、樸素貝葉斯分類器（Naive Bayes Classifier）、感知（Perception）、支持向量機（Support Vector Machine）等。
常見的無監督學習類演算法包括：
（1） 人工神經網路（Artificial Neural Network）類：生成對抗網路（Generative Adversarial Networks，GAN），前饋神經網路（Feedforward Neural Network）、邏輯學習機（Logic Learning Machine）、自組織映射（Self-organizing Map）等。
（2） 關聯規則學習（Association Rule Learning）類：先驗演算法（Apriori Algorithm）、Eclat演算法（Eclat Algorithm）、FP-Growth演算法等。
（3）分層聚類演算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等。
（4）聚類分析（Cluster analysis）：BIRCH演算法、DBSCAN演算法，期望最大化（Expectation-maximization，EM）、模糊聚類（Fuzzy Clustering）、K-means演算法、K均值聚類（K-means Clustering）、K-medians聚類、均值漂移演算法（Mean-shift）、OPTICS演算法等。

㈥ 智能控制理論與技術主要包括哪幾種控制方法

智能控制理論與技術是一門新興的技術學科，主要包括模糊邏輯控制、神經網路控制、專家控制、學習控制、分層遞階和遺傳演算法等。

㈦ 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

㈧ 智能控制的方法有哪些

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。

㈨ 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．

㈩ 人工智慧演算法有哪些

人工智慧演算法有：決策樹、隨機森林演算法、邏輯回歸、SVM、樸素貝葉斯、K最近鄰演算法、K均值演算法、Adaboost演算法、神經網路、馬爾可夫。