第1章 绪论 1
1.1 智能控制的基本概念 1
1.1.1 智能控制的研究对象 1
1.1.2 智能控制系统 2
1.1.3 智能控制系统的基本结构 2
1.1.4 智能控制系统的主要功能特点 3
1.1.5 智能控制研究的数学工具 4
1.2 智能控制的发展概况 4
1.3 智能控制理论 10
第2章 模糊逻辑控制 15
2.1 概述 15
2.1.1 模糊控制与智能控制 15
2.1.2 模糊集合与模糊数学的概念 15
2.1.3 模糊控制的发展和应用概况 16
2.2 模糊集合及其运算 18
2.2.1 模糊集合的定义及表示方法 18
2.2.2 模糊集合的基本运算 21
2.2.3 模糊集合运算的基本性质 22
2.2.4 模糊集合的其他类型运算 23
2.3 模糊关系 24
2.3.1 模糊关系的定义及表示 24
2.3.2 模糊关系的合成 25
2.4 模糊逻辑与近似推理 27
2.4.1 语言变量 27
2.4.2 模糊蕴含关系 28
2.4.3 近似推理 29
2.4.4 句子连接关系的逻辑运算 32
2.5 基于规则库的模糊推理 33
2.5.1 MIMO模糊规则库的化简 33
2.5.2 模糊推理的一般步骤 33
2.5.3 论域为离散时模糊推理计算举例 34
2.5.4 模糊推理的性质 36
2.5.5 模糊控制中常见的两种模糊推理模型 41
2.6 基于Mamdani模型的模糊控制 42
2.6.1 模糊控制器的基本结构和组成 42
2.6.2 模糊控制的离线计算 50
2.6.3 模糊控制的在线计算 54
2.6.4 模糊控制系统的分析和设计 55
2.7 基于T-S模型的模糊控制 67
2.7.1 T-S模糊模型的表示 68
2.7.2 T-S模糊模型的建模 71
2.7.3 基于模糊状态方程模型的系统稳定性分析 75
2.7.4 基于模糊状态方程模型的平滑控制器设计 79
2.7.5 基于模糊状态方程模型的切换控制器设计 92
2.8 自适应模糊控制 107
2.8.1 基于性能反馈的直接自适应模糊控制 108
2.8.2 基于模糊模型求逆的间接自适应模糊控制 113
第3章 神经网络控制 123
3.1 概述 123
3.1.1 神经元模型 123
3.1.2 人工神经网络 131
3.1.3 生物神经网络系统与计算机处理信息的比较 132
3.1.4 神经网络的发展概况 133
3.2 前馈神经网络 134
3.2.1 感知器网络 134
3.2.2 BP网络 137
3.2.3 BP网络学习算法的改进 139
3.2.4 神经网络的训练 140
3.3 反馈神经网络 144
3.3.1 离散Hopfield网络 144
3.3.2 连续Hopfield网络 153
3.3.3 Boltzmann机 157
3.4 局部逼近神经网络 160
3.4.1 CMAC神经网络 161
3.4.2 B样条神经网络 166
3.4.3 径向基函数神经网络 170
3.5 模糊神经网络 171
3.5.1 基于Mamdani模型的模糊神经网络 171
3.5.2 基于T-S模型的模糊神经网络 177
3.6 递归神经网络 182
3.6.1 引言 182
3.6.2 Elman网络 183
3.6.3 ESN网络 187
3.6.4 SHESN网络 190
3.7 基于神经网络的系统建模与辨识 201
3.7.1 概述 201
3.7.2 逼近理论与网络建模 202
3.7.3 利用多层静态网络的系统辨识 206
3.7.4 利用动态网络的系统辨识 209
3.7.5 利用模糊神经网络的系统辨识 209
3.8 神经网络控制 212
3.8.1 概述 212
3.8.2 神经网络控制结构 213
3.8.3 基于全局逼近神经网络的控制 219
3.8.4 基于局部逼近神经网络的控制 223
3.8.5 模糊神经网络控制 226
3.8.6 有待解决的问题 233
3.9 神经网络在机器人控制中的应用 233
3.9.1 神经网络运动学控制 234
3.9.2 神经网络动力学控制 238
3.9.3 神经网络路径规划 242
第4章 专家控制 252
4.1 概述 252
4.1.1 专家控制的由来 252
4.1.2 专家系统 252
4.1.3 专家控制的研究状况和分类 255
4.2 专家控制的基本原理 257
4.2.1 专家控制的功能目标 257
4.2.2 控制作用的实现 258
4.2.3 设计规范和运行机制 260
4.3 专家控制系统的典型结构 262
4.3.1 系统结构 262
4.3.2 系统实现 267
4.4 专家控制的示例 269
4.4.1 自动调整过程 269
4.4.2 自动调整过程的实现 274
4.5 专家控制技术的研究课题 275
4.5.1 实时推理 275
4.5.2 知识获取 277
4.5.3 专家控制系统的稳定性分析 281
4.6 一种仿人智能控制 284
4.6.1 概念和定义 285
4.6.2 原理和结构 286
4.6.3 仿人智能控制的特点 289
第5章 学习控制 290
5.1 概述 290
5.1.1 学习控制问题的提出 290
5.1.2 学习控制的表述 291
5.1.3 学习控制与自适应控制 292
5.1.4 学习控制的研究状况和分类 292
5.2 基于模式识别的学习控制 294
5.2.1 学习控制系统的一般形式 294
5.2.2 模式分类 296
5.2.3 可训练控制器 298
5.2.4 线性再励学习控制 299
5.2.5 Bayes学习控制 300
5.2.6 基于模式识别的其他学习控制方法 302
5.2.7 研究课题 304
5.3 基于迭代和重复的学习控制 305
5.3.1 迭代和重复自学习控制的基本原理 305
5.3.2 异步自学习控制 308
5.3.3 异步自学习控制时域法 311
5.3.4 异步自学习控制频域法 315
5.4 联结主义学习控制 319
5.4.1 基本思想 320
5.4.2 联结主义学习系统的实现原理 322
5.4.3 联结主义学习控制系统的结构 328
5.4.4 研究课题 330
第6章 分层递阶智能控制 331
6.1 一般结构原理 331
6.2 组织级 333
6.3 协调级 336
6.3.1 协调级的原理结构 336
6.3.2 Petri网转换器 338
6.3.3 协调级的Petri网结构 339
6.3.4 协调级结构的决策和学习 341
6.4 执行级 344
第7章 智能优化方法 346
7.1 概述 346
7.2 遗传算法 347
7.2.1 引言 347
7.2.2 遗传算法的工作原理及操作步骤 349
7.2.3 遗传算法的实现及改进 355
7.2.4 遗传算法应用举例 361
7.2.5 遗传算法中的联结关系 371
7.3 粒子群优化算法 380
7.3.1 引言 380
7.3.2 粒子群优化算法简介 380
7.3.3 粒子群优化算法应用举例 386
7.4 蚁群优化算法 387
7.4.1 引言 387
7.4.2 蚁群优化算法简介 388
7.4.3 蚁群优化算法应用举例 398
7.5 人工免疫算法 399
7.5.1 引言 399
7.5.2 人工免疫系统（AIS） 402
7.6 分布估计算法 410
7.6.1 引言 410
7.6.2 一个简单的分布估计算法 411
7.6.3 基于不同概率图模型的分布估计算法 412
7.6.4 基于联结关系检测的分布估计算法 415
7.6.5 连续域的分布估计算法 417
7.6.6 基于概率模型的其他相关算法 422
7.6.7 分布估计算法进一步需要研究的问题 422
参考文献 425