第1章 绪论 1
1．1智能控制的发展 1
1．1．1智能控制问题的提出 1
1．1．2智能控制的发展 2
1．2智能控制的几个主要分支 5
1．2．1基于知识的专家系统 5
1．2．2模糊控制 5
1．2．3神经元网络控制 6
1．2．4学习控制 7
1．3智能控制系统的构成原理 7
1．3．1智能控制系统结构 7
1．3．2智能控制系统的特点 9
1．3．3智能控制系统研究的主要数学工具 10
习题和思考题 11
第2章 模糊控制论 12
2．1引言 12
2．2模糊集合论基础 14
2．2．1模糊集的概念 14
2．2．2模糊集合的运算 18
2．2．3模糊集合运算的基本性质 19
2．2．4隶属度函数的建立 20
2．2．5模糊关系 26
2．3模糊逻辑、模糊逻辑推理和合成 32
2．3．1二值逻辑 33
2．3．2模糊逻辑的基本运算 34
2．3．3模糊语言逻辑 36
2．3．4模糊逻辑推理 41
2．3．5模糊关系方程的解 50
2．4模糊控制系统的组成 53
2．4．1模糊化过程 54
2．4．2知识库 54
2．4．3决策逻辑 58
2．4．4精确化过程 59
2．5模糊控制系统的设计 61
2．5．1模糊控制器的结构设计 61
2．5．2模糊控制器的基本类型 63
2．5．3模糊控制器的设计原则 64
2．5．4模糊控制器的常规设计方法 65
2．6模糊PID控制器 70
2．6．1模糊控制器和常规PID的混合结构 70
2．6．2常规PID参数的模糊自整定技术 73
2．7模糊控制器的应用 74
2．7．1流量控制的模糊控制器设计 75
2．7．2倒立摆的模糊控制 77
习题和思考题 80
第3章 人工神经元网络控制论 83
3．1引言 83
3．1．1神经元模型 85
3．1．2神经网络的模型分类 86
3．1．3神经网络的学习算法 87
3．1．4神经网络的泛化能力 90
3．2前向神经网络模型 91
3．2．1多层神经网络结构 91
3．2．2多层传播网络的BP学习算法 95
3．2．3快速的BP改进算法 103
3．2．4BP学习算法的MATLAB例程 107
3．3动态神经网络模型 109
3．3．1带时滞的多层感知器网络 111
3．3．2Hopfield神经网络 112
3．3．3回归神经网络 128
3．4CMAC神经网络 131
3．4．1小脑网络的感知器模型 132
3．4．2CMAC的映射原理 135
3．4．3CMAC网络的学习算法 141
3．5RBF神经网络模型 142
3．5．1具有固定中心的RBF神经网络的训练 143
3．5．2径向基神经网络训练的随机梯度逼近法 145
3．6神经网络控制基础 146
3．6．1引言 148
3．6．2神经网络的逼近能力 151
3．7非线性动态系统的神经网络辨识 156
3．7．1神经网络的辨识基础 156
3．7．2神经网络辨识模型的结构 158
3．7．3非线性动态系统的神经网络辨识 164
3．8神经网络控制的学习机制 170
3．8．1监督式学习 171
3．8．2增强式学习 174
3．9神经网络控制器的设计 175
3．9．1神经网络直接逆模型控制法 175
3．9．2直接网络控制法 177
3．9．3多神经网络自学习控制法 179
3．10单一神经元控制 182
习题和思考题 184
第4章 专家控制 186
4．1引言 186
4．2专家控制的基本原理 187
4．2．1专家控制系统的基本内容 187
4．2．2知识表达 188
4．2．3知识推理 190
4．2．4专家控制系统的设计 192
4．3专家控制应用举例 194
4．3．1PID专家控制系统设计 194
4．3．2过程专家控制系统 196
4．4仿人智能控制 197
4．4．1仿人智能控制的引入 197
4．4．2仿人智能控制的基本概念 199
4．4．3仿人智能控制的实现 203
4．4．4仿人智能控制的应用举例 209
习题和思考题 211
上机实验题 212
第5章 分层递阶智能控制 213
5．1引言 213
5．2递阶智能控制的基本原理 214
5．3递阶智能控制的组织和协调 215
5．3．1递阶智能控制的组织级 215
5．3．2递阶智能控制的协调级 216
5．3．3递阶智能控制的执行级 216
5．4分层递阶智能控制的应用举例 218
5．4．1智能机器人系统的递阶控制 218
5．4．2集散递阶智能控制系统 222
习题和思考题 224
第6章 学习控制 225
6．1迭代学习控制 225
6．1．1迭代学习控制的基本思想 225
6．1．2线性时变系统的迭代学习控制 226
6．1．3一类非线性动态系统的迭代学习控制 231
6．1．4多关节机械手的迭代学习控制 237
6．1．5迭代学习控制面临的挑战 241
6．2增强学习 241
6．2．1增强学习的基本思想 241
6．2．2增强学习的主要算法 246
6．2．3增强学习在控制中的应用 251
习题和思考题 255
上机实验题 256
第7章 模糊神经网络控制与自适应神经网络 257
7．1模糊神经网络控制 257
7．1．1神经网络与模糊控制系统 257
7．1．2模糊神经网络的学习算法 261
7．2基于神经元网络的自适应控制 267
7．2．1神经网络的模型参考自适应控制 268
7．2．2神经网络的自校正控制 271
7．3自适应神经网络结构学习 273
7．3．1神经网络结构设计准则 274
7．3．2神经网络结构设计方法 275
第8章 进化算法 277
8．1引言 277
8．2遗传学习原理与算法 279
8．2．1遗传学习的基本思想 279
8．2．2遗传学习算法的理论基础 285
8．2．3遗传学习算法的改良 289
8．2．4遗传学习算法的应用 297
8．3人工免疫进化算法 300
8．3．1免疫系统的基本概念 300
8．3．2人工免疫进化的引入和算法的提出 304
习题和思考题 309
第9章 多智能体系统控制 310
9．1引言 310
9．1．1多智能体系统的概念 310
9．1．2多智能体系统的发展 312
9．2多智能体系统的理论 313
9．2．1多智能体系统的理论模型 313
9．2．2多智能体系统的通信 316
9．2．3多智能体系统的协调与协作 319
9．3多智能体控制系统 323
9．3．1基于符号推理的多智能体控制系统 323
9．3．2基于行为主义的多智能体控制系统 327
9．3．3基于进化思想的多智能体控制系统 334
9．4多智能体控制系统的应用举例 337
9．4．1多机器人控制系统 337
9．4．2交通管理系统 338
习题和思考题 340
上机实验题 340
参考文献 341