智能控制理论讲稿,第3章

《智能控制理论讲稿,第3章》由会员分享，可在线阅读，更多相关《智能控制理论讲稿,第3章（16页珍藏版）》请在装配图网上搜索。

1、第三章分级递阶智能控制分级递阶（人的中枢神经系统是按分级递阶结构组织起来的）智能控制系统（HierarchicallyIntelligentControlSystem）是在研究早期学习控制系统的基础上，并从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐形成的，是智能控制的最早理论之一。现有两种分级递阶控制理论：（1）基于知识/解析混合多层智能控制理论；（2）“精度递增伴随智能递减”的分级递阶智能控制理论（由G.N.Salisis，美国普渡大学，PurdueUniversity,于1977年提出）。该理论主要应用于解决大型复杂系统的控制问题,复杂系统的结构特点是：系统阶

2、次高，其子系统相互关联，系统的滞价目标多但又有可能相互冲突、含有不确定性因素。一.递阶控制的一般原理1. 系统递阶结构描述递阶控制系统是指系统各子系统的控制作用是由按照一定优先级和从层关系安排的决策单元实现的。同级决策单元之间可平行工作（对下级实施作用），并受上级干预，各子系统可通过上级交换信息。其多层描述结构图（图1）如下：自动选择模型结构与控制，适应环境改变关于模型和控制规律的自适应确定控制器的设定值图1多层控制结构各被控子单元将图1展开后形成多级多目标结构（图2），如图示:即：当系统由若干可分且相互关联的子系统组成时，可将所有决策单元杰一定支配关系递阶排列，同一级各单元要受上一级的干预，

3、同时又对下一级决策单元施加影响，同一级决策单元若有互相冲突的决策目标，由上一级决策单元加以协调，所以便于多级多目标结构，形成金字塔形，同级间不交换信息，上下级间交换信息，协调的最终目标是使全局达到优化或近似优化。从图中看出，所谓多层描述，实际是对一个复杂系统的决策问题纵向分解，按任务的复杂程度分成若干个子决策层（r层）。而多级描述则是考虑各自系统的关联，将决策问题进行横向分解（n级）。2. 递阶控制的一般原理其基本原理是把一个总体问题P分解成有限数量的子问题Pi,P的目标应使复杂系统的总体准则取得极值。（1）是不考虑各子问题Pi之间的关联时，各子问题的解就是总体问题P的解：即P1，P2，,Pn

4、的角UP的解。（2）是考虑各自问题Pi之间的关联时（实际情况也是如此），因而产生冲突（即耦合作用），所以就必须引入一个干预向量或协调参数入，用以解决由于关联而产生的冲突，即P1（入），P2（入），Pn（入）*的解P的解。递阶控制中的协调问题就是选择入，使入从某个初值入0经迭代达到终值入*，从而使递阶控制达到最优。协调方法很多，但均基于两个原则:（1）并联预测协调原则a）协调器要预测各子系统的关联输入/输出变量b）下层各决策单元根据预测的关联变量求解各自的决策问题，然后将达到的性能指标值送给协调器。c）协调器修改（修正）关联预测值，直到总体目标最优，此协调模式称为直接干预模式，可在线应用。（2）

5、并联平衡协调原则下层各单元在求解各自的优化问题时，把关联变量当作独立变量，即不考虑关联结束条件，依靠协调器的干预信号来修正各决策单元的优化指标，以保证最后关联约束得以满足，此时目标函数中修正值应趋于零，又称目标协调法。二、分级递阶智能控制系统结构三层理论将高层决策，数学建模和综合方法以及处理不精确和不完全信息的语言方法结合到一起，形成一种适合工程需要的统一方法，其结构如图3所示：用户指令C噪声fc图3典型分层递阶结构由组织级、协调级、执行级三个层次组成，并按自上而下“精度递增件随智能递减”的原则进行设计。组织级结构（如图4所示）图4组织级结构其作用是仿人的行为功能：推理、规划、决策、长期记忆信

6、息的交换、通过外界信息和下级反馈信息进行学习。系统结构分解图（如图5所示）图5分级递阶系统结构基于知识的组织级第一级协调器1协调器n第二级J1r控制器1控制器n第三级iiL11r1过程1过程n被控过程图5分级递阶系统结构2控制原理该控制系统的智能主要体现在高层上（即第一级）。在这一层遇到的问题大都有不确定性，所以需要采用基于知识的组织级，便于利用人的直觉推理逻辑和经验等知识，其工作过程可从两个方面来描述： 从横向上看，把一个复杂系统分解成若干相互关联的子系统，单独配置控制器，便于直接控制，使复杂问题得以简化。 从纵向上看，把控制整个复杂系统所需要的知识的多少（或所需的智能的程度）从高到低进行分

7、解，形成多层次，其含义：a）被控对象具有更多层次，其中有些层次存在不确定性或未知因素。b）控制的多层次，这与系统设计，研究和运行有关，并规定各层次间实现“精度递增伴随智能递减”原则。所以，该结构控制线路明确，易于解析描述。下面介绍各级（层）的功能特点。组织级最上层，其作用是对于给定的外部命令和任务，设法找到能够完成该任务的子任务（或动作）组合，将这些子任务要求送到协调级去处理，将具体的动作要求送到执行级，完成所要求的任务。最后对任务执行结果进行性能评价，将其结果逐级向上反馈，同时对前期存储的知识信息加以修改，起到学习的作用。所以，组织级的主要作用是进行任务规划，是典型的人工智能问题求解。Moe

8、d和Saridis提出了采用Bolztmann机神经网络（BM网络）来实现组织级的功能方法：定义基元事件集合EE=e1,e2,en其中ei是最基本事件，如何表示基本动作，动作对象，动作结果等，所以，这些基元的组合就可以表示外部的任务输出要求，也可表示子任务的组合。在BM中，E表示了神经网络的节点。BM网络由三部分组成：输入节点：用于表示要求的目标，在此外部输入命令就是要求的目标。输出节点：由基元事件组成，某些基元事件的适当组织可实现要求的目标隐节点：用于实现输入和输出节点之间复杂的连接关系。每个节点都可用一个二进制随机变量Xi=0，1来表示，并令：P（Xi=1）=PiP（Xi=0）=1-Pi在

9、这里，Xi=1表示神经元节点处于激发状态Xi=0表示节点处于闲置状态。d）网络状态向量X=X1,X2,Xn表示了一组0和1的有序组合他描述了BM网络的状态。对于给定输入（任务要求），是BM网络达到稳定状态时，抽取相应输出节点的状态，便可获得最优的执行特定任务的基元事件的有序组合。e）BM网络使用能量函数作为代价函数，通过使其极小（即达到最小值）来获得最优状态。i）能量的含义：其含义表示缺乏知识的程度，即能量减小表示缺乏知识的程度越少，机知识的增加；也即知识的不确定性程度也减少，并可用能量函数值表示在给定任务下所得到的基元事件由序组合的概率。ii）能量函数的定义与作用：BM网络中各神经元相互连接

10、，其中单个神经元的特性如图6所示X1X2X3图6Bolztmann机中的一个神经元对于第I个神经元，其输入总和为：Si八jXj,Xj（j,.,n）是从其父神经元传来的输入信号;j-ij表示神经元（i,j）两者间连接权系数。由于BM网络具有对称的连接权系数，即.,=.，且=0。神经元输出Xi只能取1或0值，其概率为D:取1的概率为：P（x1）=Pi咕1+e_si/T取0的概率为：P（Xi=0）=1_Pie訂1+e其中T为温度参数（网络的）。（可见图5-16）定义能量函数：K（x）=1二二gXjXi2ij输出基元事件的有序组合是正确的概率为：PK（x）=euK（X）其中a为归一化因子。对已知样本（

11、学习与训练）S,其输入和输出节点状态Xs,相应的概率为Ps(Xs)也是已知的，则要求的能量为:Ks(Xs)-InPs(Xs)取代价函数：22J=7K(Xs)Ks(Xs)工/ijB、ij样本数BM网络能量函数“初始(样本)能量当K(Xs)=Ks(Xs)时，J取极小值。(所希望的)另外可采用以阶梯度最优算法来寻找最优的3ij,使J极小，3ij的修正规则为：.j(k1)=.旳(k)一；丄，；.0(学习速率)CCOij其中一=2K(Xs)-Ks(Xs)xisx/2:.j怎ijsXis,Xjs分别表示在s样本时(训练样本)，第i个和第j个状态分量。小结：BM网络在使用前必须进行学习和训练，即给出一组样本

12、S,每个样本S必须包含三部分内容：输入的任务要求：由输入节点的状态来表示。输出的基元事件组合：由输出节点的状态来表示。输入输出对的概率：反映该约束条件下BM的能量。在BM网学习好后，可用来进行任务规划，过程：(1) 将要求的任务转换为一定的基元组合，作为BM的输入约束向量。(2) 对BM网络进行网络搜索计量，找出能量函数的最小值。设此时的网络状态为乂计算能量函数K(X*)计算输入输出对的概率PK(X*)，最大值。求得一组最大可能完成该任务的子任务组合*有关该部分内容参见5.3.2Boltzmann机网络协调级其结构如图7所示，是一种树形结构组织级分派器协调级分派器D是根节点，Ci是子节点的有限

13、集合，即协调器，其特点是每个协调器均与分派器有双向联系，而协调器之间没有直接联系。a）分派器接收由组织级传送来的命令（即基元事件组合），并负责对协调器进行控制与通信将命令基元事件序列翻译为协调器的控制动作；选择时将控制动作送入协调器在任务执行完毕后，负责向组织级反馈信息。分派器功能：i）通信功能：对上层和下层接受和发送信息。ii）数据通信功能：对上层的命令信息和下层的反馈信息进行描述，并为分配器的决策单元提供信息和修改其信息。iii）任务处理功能：对要执行的任务进行识别，为相应的协调器选择合适的控制步骤，并向上层反馈必要信息。iv）学习能力：能根据任务的不断执行所取得的经验来逐渐减小决策过程的

14、不确定性，以达到不断进行任务执行的能力。b）协调器每个协调器均与一定的装置相联系。对这些装置进行操作和数据传输；协调器可看作是在特定领域实现具体功能的专家，根据工作模型的约束条件和时间要求，有能力从多种方案中选择一种合适方案，完成任务（分派器按不同方法结合同一种任务）；并将面向协调器的控制动作序列翻译成面向执行级的实时操作序列，并连同相关数据一起送至执行级（具体装置）；在任务执行完成后，负责向分配器报告执行的结果。协调器和分派器具有完全相同的结构。只不过协调器是在较低和较具体的层次上实现分派器的功能。C）任务（语言）翻译分派器将基元事件序列翻译成控制动作序列，送至协调器;协调器将控制动作序列翻

15、译成实时操作序列，送至执行级。由于二者处在树形结构的不同层次上，因而在进行语言翻译的时间尺度也不相同。例如：分派器的一步工作可以变为协调器的许多步工作。所以协调器必须在分派器的统一管理下协同工作。图8表示了协调级的任务翻译过程。图8语言翻译过程d）分派器（协调器）结构如图9所示，由数据处理器，任务处理器，学习处理器组成来自上层的命至上层的反馈X任务执行的u至下层的控反馈信息制命令图9分派器和协调器的统一结构数据处理我器：其功能是提供被执行任务的信息和当前系统的状态，它完成三个层次的描述：i）任务描述：给出了来自上层的任务清单ii）提供了每个任务执行的先决条件和按照某种抽象形式给出的系统的状态。

16、iii）数据描述：给出状态描述的具体数值。这三种描述的信息构成形式，对于任务处理器中的分层决策是非常有用的。另外，数据处理器中还包括一个监控器，它会根据上层命令信息和下层反馈信息对三层描述进行维护和修改，同时还负责数据处理器与任务处理器的连接任务处理器：其功能是为下层单元提供控制命令的准确描述，它采用分层决策的步骤：i）任务调度（Scheduling）：通过检查任务描述及其前件和后件来识别要执行的任务。此时，并不需要具体数值（状态及其数值描述）。ii）任务翻译（Translation）:根据当前状态，以适合方式将任务分解为控制作用。通过搜索数据库中的数据描述给控制作用赋予实际数值，从而实现任务

17、的准确描述，并传到下层。iii）任务的准确描述（Fomulation）:分层决策处理清晰、快速.同样，在任务处理器中，也包括一个监控器来组织反馈信息，送至上层，并负责与学习处理器的连接。学习处理器:其功能是用来改善任务处理器的性能和减少决策和信息的不确定性。可采用不同的学习机制，以完成其功能。其输入:任务命令、数据流（控制效果）、控制流（准确的控制描述）执行级又称运动控制级，它直接控制局部过程并完成任务，这一级必须高精度的执行局部任务，而不要求更多的智能，可采用常规的优化控制。小结：a）在递阶智能控制中，为了用“熵”进行总体评价（评估），可将传统的最优控制描述方法转化为用熵进行描述。具体的讲，反馈控制问题的平均性能测度是一个熵函数，最优控制对应熵最小，所以，两种描述方法是一致的，同时确立了两者的系统度量关系，以及性能度量标准（共同的）。b）应用：视觉反馈的机械手的三级递阶智能控制系统，如图10所示。c）可采用BM网络实现组织级，采用Petti网工具实现协调级。高级命令过程过程