PAGEPAGE13PAGEPAGE10課后習(xí)題解答第1章 智能控制概述1-1在自動(dòng)控制發(fā)展過程中出現(xiàn)了什么挑戰(zhàn)？為什么要提出智能控制？解：傳統(tǒng)控制存在的問題：實(shí)生活中，往往很難獲得精確的數(shù)學(xué)模型，因而傳統(tǒng)控制難以取得理想效果。經(jīng)確定，不再改變，當(dāng)對象參數(shù)或環(huán)境發(fā)生變化時(shí)，控制系統(tǒng)的性能隨之下降。本提高、可靠性下降。智能控制系統(tǒng)具有自學(xué)習(xí)、自適應(yīng)和組織的功能。以找出故障位置甚至實(shí)現(xiàn)自修復(fù)，體現(xiàn)出更強(qiáng)的自適應(yīng)功能。3）智能控制系統(tǒng)對于復(fù)雜的控制任務(wù)和多傳感信息具有自組織和協(xié)調(diào)的功能。在智能控制發(fā)展過程中，哪些思想、事件和人物起到了重要作用？解：智能控制發(fā)展過程中的一些典型人物及其重要思想：1）1868年，英國物理學(xué)家Maxwell用線性微分方程來研究蒸汽機(jī)調(diào)速系統(tǒng)的穩(wěn)定性問題他指出只有當(dāng)微分方程的特征根為負(fù)實(shí)根或具有負(fù)實(shí)部的復(fù)根時(shí)系統(tǒng)才穩(wěn)定。RouthHurwitzRouthHurwitz判據(jù)。3）1892年，俄國Lyapunov發(fā)表博士論文“論運(yùn)動(dòng)穩(wěn)定性的一般問題”，對于對任意階非線性系統(tǒng)和時(shí)變系統(tǒng)，運(yùn)用Lyapunov第二方法可以不必求解系統(tǒng)狀態(tài)方程而直接判定穩(wěn)定性，是更為一般的穩(wěn)定性分析方法。41932Nyquist提出了根據(jù)系統(tǒng)開環(huán)頻率特性來判別閉環(huán)系統(tǒng)穩(wěn)定性的方法，Nyquist穩(wěn)定性判據(jù)。5）1940年，美國Bode引入了半對數(shù)坐標(biāo)系，把復(fù)數(shù)運(yùn)算轉(zhuǎn)換成代數(shù)運(yùn)算，大大地簡化頻率特性的分析。1942年，Harris引入了傳遞函數(shù)的概念。1948年，美國Evans提出根軌跡法。……智能控制分為哪幾類？其主要原理是什么？解：模糊控制、神經(jīng)網(wǎng)絡(luò)控制、專家控制系統(tǒng)、分級遞階、學(xué)習(xí)控制等。模糊控制：把人類專家對特定的被控對象或過程的控制策略總結(jié)成一系列以“IF（條件THE（作用象或過程。神經(jīng)網(wǎng)絡(luò)控制：利用人腦的某些結(jié)構(gòu)機(jī)理以及人的知識(shí)和經(jīng)驗(yàn)對系統(tǒng)的控制?？刂茊栴}視為模式識(shí)別問題，被識(shí)別的模式是關(guān)于受控的狀態(tài)、輸出或某個(gè)性能評價(jià)函數(shù)的變化信號。這些信號經(jīng)神經(jīng)網(wǎng)絡(luò)映射成控制信號。專家系統(tǒng)：一個(gè)智能計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有某個(gè)領(lǐng)域大量的專家水平的知識(shí)與經(jīng)驗(yàn)，能夠利用這些知識(shí)與經(jīng)驗(yàn)來處理該領(lǐng)域的高水平難題。專家控制系統(tǒng)：應(yīng)用專家系統(tǒng)技術(shù)而建造的控制系統(tǒng)。第2章 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)2-1RBF神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層的表達(dá)式？RBF神經(jīng)網(wǎng)的主要特點(diǎn)是什么？同BP神經(jīng)網(wǎng)相對比有什么優(yōu)點(diǎn)？解：徑向基函數(shù)（RBF）網(wǎng)絡(luò)是三層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)如圖所示，三層表達(dá)式分別為：輸入層：i iyIui i隱含層采用高斯函數(shù)：

u1111y0111y01wiijjwjhhyh0ly0mnmjyHj

e

(yc)

ui其中cij為神經(jīng)元中心，j為神經(jīng)元半徑。輸出層：hyOh

lj1l

OH uwynjhjwynRBF神經(jīng)網(wǎng)的主要特點(diǎn)是只有輸出層有連接權(quán)值，隱含層不具有連接權(quán)值，但隱層神經(jīng)元非線性函數(shù)具有中心值和半徑寬度值，用于對輸入層的輸入值進(jìn)行和分類。如果RBF神經(jīng)網(wǎng)隱層神經(jīng)元的中心值和半徑寬度可以提前設(shè)置，則其神經(jīng)網(wǎng)絡(luò)的權(quán)值只有輸出層權(quán)值，整體權(quán)值要比BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練少很多，提高了計(jì)算速度。111yO111yO1wiij wjjhhyhOthlyOm解：BP神經(jīng)網(wǎng)絡(luò)：基于誤差反向傳播學(xué)習(xí)算法的多層前饋神經(jīng)網(wǎng)絡(luò)，它能夠逼近任意非BP神經(jīng)網(wǎng)絡(luò)一般分為三層，輸入層、隱含層和輸出層。其輸入層到隱含層具有權(quán)值、隱含層到輸出層具有權(quán)值，網(wǎng)絡(luò)的結(jié)構(gòu)主要由隱含層的神經(jīng)元的個(gè)數(shù)、不同層之間的權(quán)值所決定。權(quán)先計(jì)算輸出層權(quán)值，再計(jì)算輸入層權(quán)值。誤差準(zhǔn)則函數(shù)以期望輸出即有教師的輸出

u1uiunn mBP神經(jīng)網(wǎng)絡(luò)示意圖與網(wǎng)絡(luò)的輸出的差值為核心，構(gòu)成二次平方函數(shù)并求和。1Q q O q2

1Qm

q O q22F(w) t2q1

y(u)

thyh(u)2q1h12瞬時(shí)誤差準(zhǔn)則函數(shù)：1 O 2 1m O 2F(w) t(k)y((k) th(k)h(k)2 2h1權(quán)值的計(jì)算采用梯度下降法計(jì)算，首先計(jì)算輸出層權(quán)值，F(xiàn)(w)wOjhww(k)wO(kwO(k) wO(k)F(w)wOjhww(k)jh jh jh h j然后再計(jì)算隱含層權(quán)值，wH(kwH(k)

=wH(k)H(k)u(k)FF(w)wHijww(k)判斷是否滿足終止條件，1m 1O 22F((k) th(k)h(k)2h1

或kc若滿足，則學(xué)習(xí)結(jié)束；否則，k=k+1，回到梯度下降運(yùn)算。對于如下仿射非線性離散時(shí)間系統(tǒng)：y(k)0.5y(ky(ku(k1exp[0.25y(k試明確神經(jīng)網(wǎng)絡(luò)輸入輸出，并設(shè)計(jì)RBF網(wǎng)絡(luò)，實(shí)現(xiàn)上述動(dòng)態(tài)系統(tǒng)建模。解：網(wǎng)絡(luò)輸入為x[u(k),y(k)]，輸出為y(k1)RBF網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為2-5-1。取控制輸入u(k)sint，tkts，其采樣時(shí)間t0.001。根據(jù)網(wǎng)絡(luò)輸入范圍，高斯函數(shù)參數(shù)為c

3 2

1 01 2 3，s i 3 2 1 01 2 3 bi1.5，初始權(quán)值取0.10，學(xué)習(xí)參數(shù)設(shè)置為0.50，0.05。訓(xùn)練樣本數(shù)取NS3000，測試樣本數(shù)量為NT3000，進(jìn)行模型訓(xùn)練和測試。第3章 模糊控制系統(tǒng)為什么要用取大運(yùn)算求并集，用取小運(yùn)算求交集？解AB的并集ABABAB所包含的“最大”模糊集合。若用取大運(yùn)算，那么求得的模糊集合一定是包含A和B的“最小”的模糊集合。證明AB(x(xB(xAB(xA(xAB(xB(xABAB。現(xiàn)在假設(shè)C是任意一個(gè)包含A和B的模糊集合，則有(x)A(x) (x)B(x)從而(x(xB(x)]CAB(xB(xABABAB所包含的“最大”模糊集合。：給定模糊集合

B0.10.40.71.00.70.32 3 4 5 6 7試用加權(quán)平均法求其清晰值。N解：按照加權(quán)平均法去模糊化，其清晰值為：N(yii(yi)) 20.130.440.751.060.770.3y*i1 4.84NNi1

i(yi)

0.10.40.71.00.70.3：倒立擺如下圖所示，數(shù)學(xué)模型為：mgsincsfml/1802sin p

180(4/3)mlmplcos2 控制任務(wù)是產(chǎn)生合適的力f，使倒立擺保持直立狀態(tài)，即設(shè)計(jì)合理的模糊控制器，使得0。f圖3-13倒立擺示意圖解：模糊控制器設(shè)計(jì)主要涉及以下五個(gè)方面1）建立模糊集對于：“負(fù)大NL)隸屬度為1，在時(shí)隸屬度為0；“負(fù)小NS)時(shí)隸屬度為1，到時(shí)線性減小到0；“零(Z)時(shí)隸屬度為1，在時(shí)線性減小到0；“正小(PS)時(shí)隸屬度為1，到時(shí)線性減小到0；“正大(PL)時(shí)隸屬度為1，隨后隨著減小，時(shí)線性減小到0。對于：“負(fù)大NL)/s時(shí)，隸屬度為1，到/s時(shí)線性減小到0；“負(fù)小NS)/s時(shí)隸屬度為1，到/s時(shí)線性減小到；“零(Z)/s時(shí)隸屬度為1，在/s時(shí)線性減小到0；“正小(PS)/s時(shí)隸屬度為1，到/s時(shí)線性減小到0；“正大(PL)/s時(shí)，隸屬度為1，/s時(shí)線性減小到0。f：“負(fù)大NL)f0N時(shí)，隸屬度為1，到fN時(shí)線性減小到0；“負(fù)小NS)fN時(shí)隸屬度為1，到f0N時(shí)線性減小到0；“零”(Z)f0N時(shí)隸屬度為1，到fN時(shí)線性減小到0；“正小(PS)fN時(shí)隸屬度為1，在fN時(shí)線性減小到0；“正大(PL)fN時(shí)隸屬度為1，從fN到fN時(shí)線性減小到0。2）確定隸屬度函數(shù)以三角形隸屬函數(shù)為例，對于的“負(fù)大(NL)”模糊集，其隸屬函數(shù)可以表示為：1,NL 15(30))NL 15(30),

30301515同樣可以寫出其他模糊集的隸屬函數(shù)表達(dá)式。對于和f的隸屬函數(shù)也采用類似的三角形形式，根據(jù)上述定義的區(qū)間和隸屬度變化情況進(jìn)行確定。3）建立模糊規(guī)則庫基于對倒立擺系統(tǒng)的物理特性和控制目標(biāo)的理解，建立以下模糊規(guī)則(部分示例)IFsNLandsZ,thenfsNL；ifisNSandisZ,thenfisNS；ifisNSandisPS,thenfisZ；ifisZandisNL,thenfisNL；ifisZandisNS,thenfisNS；ifisZandisZ,thenfisZ；ifisZandisPS,thenfisPS；ifisZandisPL,thenfisPL；ifisPSandisNS,thenfisZ；ifisPSandisZ,thenfisPS；ifisPLandisZ,thenfisPL。規(guī)則庫應(yīng)盡可能全面地涵蓋各種可能的輸入組合情況，以保證控制器在不同狀態(tài)下都能做出合理的控制決策。4）模糊推理假設(shè)當(dāng)前時(shí)刻倒立擺的角度20，角速度10/s。對于20，根據(jù)隸屬函數(shù)計(jì)算其在各個(gè)模糊集中的隸屬度：(20)1 (20)1 (20)0(20)0 (20)0NL 3 NS 3 Z PS PL對于10/s，根據(jù)隸屬函數(shù)計(jì)算其在各個(gè)模糊集中的隸屬度：(10/s)0(10/s)2

(10/s)1

(10/s)0 (10/s)0NL NS

3 Z 3

PS PL再根據(jù)對應(yīng)的規(guī)則來求出對應(yīng)的激活強(qiáng)度即可，根據(jù)激活強(qiáng)度，對輸出模糊集進(jìn)行加權(quán)平均，得到輸出控制力f在各個(gè)模糊集中的隸屬度。5）清晰化采用重心法進(jìn)行清晰化，假設(shè)經(jīng)過模糊推理后，輸出控制力f在“負(fù)大(NL)”模糊集中的隸屬度為NL(f)，在“正大(PL)”模糊集中的隸屬度為PL(f)等。則清晰化后的控制力f的值為：fifii(f)ii(f)其中fi是各個(gè)模糊集的中心值，通過計(jì)算得到一個(gè)具體的控制力數(shù)值，用于控制倒立擺。第4章 專家控制系統(tǒng)什么是專家系統(tǒng)？什么是專家控制系統(tǒng)？兩者有何關(guān)系與相似之處？解：專家系統(tǒng)是一個(gè)計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部存有領(lǐng)域?qū)＜宜降拇罅恐R(shí)與經(jīng)驗(yàn)，能夠利用人類專家的知識(shí)和解決問題的技術(shù)方法來處理該領(lǐng)域相關(guān)問題。即，專家系統(tǒng)是一個(gè)存有大量的專門知識(shí)與經(jīng)驗(yàn)的計(jì)算機(jī)程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個(gè)或多個(gè)專家提供的知識(shí)和經(jīng)驗(yàn)，進(jìn)行推理和判斷，模擬人類專家的決策過程，從而解決需要人類專家處理的復(fù)雜問題。專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計(jì)算機(jī)程序系統(tǒng)。專家控制系統(tǒng)是一種將專家知識(shí)和經(jīng)驗(yàn)與控制技術(shù)相結(jié)合的先進(jìn)控制系統(tǒng)。主要包含知識(shí)庫與推理機(jī)。其中知識(shí)庫用來存儲(chǔ)著大量的專家知識(shí)、經(jīng)驗(yàn)、規(guī)則和模型等，是系統(tǒng)進(jìn)行決策的基礎(chǔ)。推理機(jī)依據(jù)知識(shí)庫中的內(nèi)容進(jìn)行邏輯推理和判斷，以生成控制策略。專家控制系統(tǒng)是專家系統(tǒng)在控制領(lǐng)域的應(yīng)用。專家系統(tǒng)提供了知識(shí)表示和推理的基礎(chǔ)框架，專家控制系統(tǒng)利用這個(gè)框架，并結(jié)合控制理論和實(shí)際控制需求，實(shí)現(xiàn)對被控對象的控制?？梢哉f專家控制系統(tǒng)是專家系統(tǒng)的一個(gè)具體應(yīng)用方向。專家系統(tǒng)和專家控制系統(tǒng)都依賴知識(shí)庫來存儲(chǔ)和表示知識(shí)，并且都通過推理機(jī)制來利用這些知識(shí)解決問題；都體現(xiàn)了一定的智能特性；都有一定的解釋功能。專家系統(tǒng)通常以離線方式進(jìn)行工作，只對專門領(lǐng)域的問題完成咨詢作用，協(xié)助用戶進(jìn)行工作。專家系統(tǒng)的推理是以知識(shí)為基礎(chǔ)的，其推理結(jié)果為知識(shí)項(xiàng)、新知識(shí)項(xiàng)或?qū)υR(shí)項(xiàng)的變更知識(shí)項(xiàng)。然而，專家控制系統(tǒng)需要獲取在線動(dòng)態(tài)信息，并對系統(tǒng)進(jìn)行實(shí)時(shí)控制，需要獨(dú)立和自動(dòng)地對控制作用做出決策，其推理結(jié)果可為變更的知識(shí)項(xiàng)，或?yàn)閱?dòng)（執(zhí)行）的某些解析算法。專家系統(tǒng)由哪些部分組成？各部分作用如何？解：專家系統(tǒng)由于不同的系統(tǒng)分類，組成部分也不盡相同。專家系統(tǒng)的簡化結(jié)構(gòu)由知識(shí)庫和推理機(jī)兩部分組成。知識(shí)庫主要用于知識(shí)存儲(chǔ)、共享與傳播、積累與更新并且用于支持推理決策；推理機(jī)主要用于知識(shí)運(yùn)用與推理、解決復(fù)雜問題、動(dòng)態(tài)決策支持與解釋推理過程。專家系統(tǒng)有哪些類型？各個(gè)專家系統(tǒng)的任務(wù)和特點(diǎn)為何？解：專家系統(tǒng)包括有基于規(guī)則的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模型的專家系統(tǒng)、基于web的專家系統(tǒng)等。利用基于規(guī)則的專家系統(tǒng)用來知識(shí)表示、問題求解與解釋生成；基于規(guī)則的專家系統(tǒng)的主要特點(diǎn)是知識(shí)直觀、推理靈活、容易擴(kuò)展與解釋性強(qiáng)。利用基于框架的專家系統(tǒng)用來知識(shí)表示、知識(shí)存儲(chǔ)與組織與推理與問題求解；基于框架的專家系統(tǒng)的主要特點(diǎn)是知識(shí)結(jié)構(gòu)化程度高、繼承性優(yōu)勢明顯、具有直觀性并且推理靈活性與復(fù)雜性并存。利用基于模型的專家系統(tǒng)用來建立模型、模擬與分析并進(jìn)行優(yōu)化與決策支持；基于模型的專家系統(tǒng)的主要特點(diǎn)是準(zhǔn)確性高、具有通用性和可擴(kuò)展性、能處理復(fù)雜因果關(guān)系與對數(shù)據(jù)和知識(shí)要求高。利用基于web的專家系統(tǒng)用來提供廣泛的在線服務(wù)、知識(shí)共享與傳播、數(shù)據(jù)收集與分析、輔助決策與問題解決；基于web的專家系統(tǒng)的主要特點(diǎn)是跨平臺(tái)訪問性好、交互性強(qiáng)、易于維護(hù)和更新、安全性要求高等。第5章 智能PID控制PIDKpKiKd對系統(tǒng)性能的影響。解Kp增大KpKp過小時(shí)，會(huì)降低響應(yīng)速度，延長調(diào)節(jié)過程。積分環(huán)節(jié)與系統(tǒng)靜態(tài)特性有關(guān)，用于消除系統(tǒng)的穩(wěn)態(tài)誤差，提高系統(tǒng)的控制精度。增KiKi和現(xiàn)象，進(jìn)而產(chǎn)生較大超調(diào)。Kd會(huì)使系統(tǒng)對噪聲過于靈敏，放大噪聲的影響。PID控制器的組成結(jié)構(gòu)及工作原理。解：專家PID控制基于增量式傳統(tǒng)PID算法，根據(jù)被控對象的特點(diǎn)及實(shí)際工況，直接運(yùn)用專家經(jīng)驗(yàn)設(shè)計(jì)控制規(guī)則，優(yōu)化調(diào)整PID算法，進(jìn)而實(shí)現(xiàn)控制目標(biāo)。通常同時(shí)考慮誤差e(ke(ke(ke(k來設(shè)計(jì)控制規(guī)則?？刂埔?guī)則設(shè)計(jì)原理簡述如下：當(dāng)誤差足夠大時(shí)，可采用數(shù)值較大的定值輸入來使響應(yīng)迅速收斂。當(dāng)誤差較大時(shí)，結(jié)合誤差的變化情況考慮。如果誤差絕對值在逐漸變大或誤差保持不變，施加較強(qiáng)的控制輸入。當(dāng)誤差處于極值附近時(shí)，僅采用較強(qiáng)的比例控制。誤差絕對值在逐漸變小時(shí)，保持控制輸入不變。當(dāng)誤差較小時(shí)，同樣結(jié)合誤差的變化情況考慮。如果誤差絕對值在逐漸變大或誤差保持不變，施加較弱的控制輸入。誤差處于極值附近時(shí)，僅采用較弱的比例控制。誤差絕對值在逐漸變小或誤差為零時(shí)，保持控制輸入不變。當(dāng)誤差足夠小時(shí)采用PI控制消除靜態(tài)誤差。專家PID控制器由規(guī)則庫和控制環(huán)節(jié)組成，根據(jù)上述規(guī)則調(diào)整控制算法，可實(shí)現(xiàn)系統(tǒng)的專家PID控制。規(guī)則庫可根據(jù)實(shí)際情況進(jìn)行調(diào)整改變。第6章 學(xué)習(xí)控制簡述學(xué)習(xí)控制的主要工作原理、主要方法。解：學(xué)習(xí)控制是指通過各種技術(shù)或方法，在系統(tǒng)運(yùn)行過程中能夠?qū)W習(xí)環(huán)境和被控對象的各種未知不確定性信息，然后將學(xué)到的信息作為“經(jīng)驗(yàn)”用于未來決策或控制以改進(jìn)控制性能。學(xué)習(xí)控制的主要方法包括重復(fù)學(xué)習(xí)控制、迭代學(xué)習(xí)控制、強(qiáng)化學(xué)習(xí)控制等。簡述重復(fù)控制與迭代學(xué)習(xí)控制的區(qū)別與聯(lián)系，描述各自適用的應(yīng)用場景。解：重復(fù)控制的整個(gè)過程是連續(xù)的，即前一周期的控制終點(diǎn)是后一周期的控制起點(diǎn)。而迭代學(xué)習(xí)控制中每次控制行為是相互獨(dú)立的。重復(fù)控制的應(yīng)用場景包括磁盤驅(qū)動(dòng)控制、伺服運(yùn)動(dòng)控制等，迭代學(xué)習(xí)控制的應(yīng)用場景包括機(jī)器臂的重復(fù)定位和抓取控制等。AlphaGo為例,描述強(qiáng)化學(xué)習(xí)的主要工作原理。解：AlphaGo是一個(gè)基于強(qiáng)化學(xué)習(xí)的人工智能程序，其主要工作原理可以概括為以下幾個(gè)步驟。1）數(shù)據(jù)準(zhǔn)備：AlphaGo首先需要準(zhǔn)備大量的圍棋歷史數(shù)據(jù)，包括人類玩家的棋譜和自己與自己對弈的數(shù)據(jù)。這些數(shù)據(jù)經(jīng)過預(yù)處理后，被用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。2）模型構(gòu)建：AlphaGo采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來提取棋盤特征，并根據(jù)這些特征預(yù)測下一步棋的勝率。采用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）來建模棋局的時(shí)間序列模型。3）模型訓(xùn)練：AlphaGo采用監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)相結(jié)合的方法來訓(xùn)練模型。4）決策過程：AlphaGo根據(jù)當(dāng)前棋局狀態(tài)，使用已經(jīng)訓(xùn)練好的CNN模型提取局面特征，然后使用RNN模型預(yù)測下一步棋的勝率，最好根據(jù)勝率和其他因素（如局面評估、對手水平等）綜合選擇最優(yōu)的行動(dòng)方案。5）蒙特卡洛樹搜索（MCTS：AlphaGo結(jié)合深度神經(jīng)網(wǎng)絡(luò)和蒙特卡洛樹搜索來進(jìn)行決策制定。6）自我對弈學(xué)習(xí)過程：AlphaGo通過自我對弈的方式進(jìn)行學(xué)習(xí)，這是一種典型的強(qiáng)化學(xué)習(xí)策略。7）無監(jiān)督學(xué)習(xí)：AlphaGo不依賴于標(biāo)記的訓(xùn)練數(shù)據(jù)集，而是通過自我對弈生成數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)來不斷地優(yōu)化神經(jīng)網(wǎng)絡(luò)。通過這些步驟，AlphaGo能夠在圍棋游戲中達(dá)到超越人類專家水平的表現(xiàn)，并且通過自我對弈方式發(fā)現(xiàn)了圍棋史上從未見過的策略和布局。第7章 基于智能優(yōu)化算法的智能控制智能優(yōu)化算法是如何解決局部最優(yōu)陷阱問題的？解：不同智能優(yōu)化算法解決局部最優(yōu)問題的方法不同，但總體來說都是通過引入一定（如遺傳算法和差分進(jìn)化算法法為在變異階段給種群后代增加一定的隨機(jī)性，通過隨機(jī)變異、物競天擇的方式避免種群陷入局部最優(yōu)。智能優(yōu)化算法是如何實(shí)現(xiàn)并行計(jì)算的？解：智能優(yōu)化算法從算法特性而言天然適合并行計(jì)算，因?yàn)槠浯蠖嗷谌后w迭代的思路，遺傳算法和差分進(jìn)化算法是基于種群基因的迭代優(yōu)化，粒子群算法則是粒子群的迭代優(yōu)化。這種群體迭代的思路使智能優(yōu)化算法可以在每次迭代中并行地評估多個(gè)解的性能指標(biāo)。遺傳算法與差分進(jìn)化算法的本質(zhì)區(qū)別是什么？解：差分進(jìn)化算法是遺傳算法的一個(gè)變種，其在宏觀上依然滿足進(jìn)化類算法的整體框架，但在細(xì)節(jié)上不拘于自然規(guī)律，對變異、交叉和選擇進(jìn)行了超乎自然規(guī)律的改造，具體7.3差分進(jìn)化算法的差分體現(xiàn)在什么地方？解：差分進(jìn)化算法中的差分主要體現(xiàn)在變異操作上，其變異的來源為種群內(nèi)隨機(jī)選擇的另外兩個(gè)個(gè)體的差，具體操作參見公式（7-1。蟻群算法和粒子群中的解空間分別是什么？解：蟻群算法的解空間為初始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的所有可行路徑的集合，即可行狀態(tài)集合；粒子群算法的解空間為整個(gè)粒子群，每個(gè)粒子都是一個(gè)潛在解。智能優(yōu)化算法是否比傳統(tǒng)優(yōu)化算法更適合解決控制系統(tǒng)中的優(yōu)化問題？解：是的，因?yàn)楹芏嗫刂葡到y(tǒng)的被控對象較難抽象出完美的數(shù)學(xué)模型，且在線控制系統(tǒng)一般對優(yōu)化速度有著較高的要求，智能優(yōu)化算法更適合解決此類問題。但需注意，方法本身并無好壞之分，適合所需解決問題的才是最好的，在實(shí)際應(yīng)用中需要具體問題具體分析。第8章 機(jī)器人智能控制機(jī)器人的控制系統(tǒng)有哪些特點(diǎn)？解：機(jī)器人控制系統(tǒng)具有以下特點(diǎn)：1）機(jī)器人的控制與機(jī)構(gòu)運(yùn)動(dòng)學(xué)及動(dòng)力學(xué)密切相關(guān)應(yīng)選擇不同坐標(biāo)系，并做適當(dāng)?shù)淖鴺?biāo)變換，求解機(jī)器人運(yùn)動(dòng)學(xué)的正逆問題，并考慮各關(guān)節(jié)之間的慣性力等影響。2）機(jī)器人控制系統(tǒng)是多變量自動(dòng)控制系統(tǒng)：機(jī)器人的自由度較多，簡單的機(jī)器人結(jié)構(gòu)由3~5個(gè)自由度組成，復(fù)雜的機(jī)器人結(jié)構(gòu)有十幾個(gè)自由度。每個(gè)自由度包含一個(gè)伺服機(jī)構(gòu)，多個(gè)獨(dú)立的伺服系統(tǒng)需要協(xié)調(diào)運(yùn)動(dòng)才能完成任務(wù)。3）機(jī)器人控制系統(tǒng)是非線性的控制系統(tǒng)：描述機(jī)器人狀態(tài)和運(yùn)動(dòng)的數(shù)學(xué)模型是一個(gè)非線性模型，隨狀態(tài)和外力的變化，其參數(shù)也在變化，各變量之間還存在耦合，經(jīng)常使用重力補(bǔ)償、前饋、解耦或自適應(yīng)控制等方法。4）機(jī)器人的動(dòng)作可以通過不同的方法和路徑來完成，因而存在一個(gè)“最優(yōu)”的問題。智能機(jī)器人可以根據(jù)傳感器和模式識(shí)別的方法獲得對象及環(huán)境的工況，自動(dòng)地選擇最佳的控制規(guī)律。機(jī)器人的位置控制與力控制指的是什么？解：機(jī)器人位置控制的目的是讓機(jī)器人各關(guān)節(jié)實(shí)現(xiàn)預(yù)期規(guī)劃的運(yùn)動(dòng)，最終保證機(jī)器人末端執(zhí)行器沿預(yù)定的軌跡運(yùn)行。機(jī)器人力控制的目的是控制機(jī)器人各關(guān)節(jié)使其末端表現(xiàn)出一定的力和力矩特性。當(dāng)機(jī)器人在空間跟蹤軌跡運(yùn)動(dòng)時(shí)，可采用位置控制，機(jī)器人會(huì)嚴(yán)格按照預(yù)先設(shè)定的位置軌跡進(jìn)行運(yùn)動(dòng)。但是，當(dāng)機(jī)器人在完成一些與環(huán)境存在力作