1.1 智能控制的提出和发展

实际系统存在复杂性、非线性、时变性和不确定性等特征，往往无法获得精确的数学模型，采用常规的控制方法难以获得令人满意的控制效果。随着智能机器人、计算机集成制造系统（Computer Integrated Manufacturing System，CIMS）、复杂工业过程控制系统、航空航天控制系统、社会经济管理系统、交通运输系统等许多复杂系统对控制性能要求的不断提高，智能控制在控制论、信息论、人工智能、运筹学和计算机科学技术发展的基础上，从20世纪60年代开始逐渐形成，其发展过程可以划分为下面3个阶段。

1. 萌芽阶段（1960—1969年）

1965年，美国加利福尼亚大学伯克利分校的L.A.扎德（L.A. Zadeh）教授提出了模糊集合论，奠定了模糊控制的数学基础。数学是人工智能的基础，经典集合论只能表达清晰的概念，扎德教授提出的模糊集合论，将外延从精确集合扩展成模糊集合，在数学上消除了计算机不能处理模糊概念的禁锢，让计算机程序能够使用人类日常的语言进行推理和决策。模糊集合论的诞生是人工智能发展史上的一个重要里程碑。

1965年，美国斯坦福大学计算机科学家费根鲍姆（Feigenbaum）与美国化学家J.莱德伯格（J.Lederberg）开始研制世界上第一个用于推断化学分子结构的专家系统DENDRAL，标志着人工智能学科中“专家系统”分支学科即将孕育而生。1968年，DENDRAL成功问世，开启了人工智能学科一个新的分支即“专家系统”。

1965年，美国普渡大学傅京孙教授首先提出把人工智能中基于符号操作和逻辑推理的启发式推理规则应用于学习控制系统。

美国南加利福尼亚大学电子工程系J.M.孟德尔（J.M. Mendel）教授主要从事二型模糊逻辑系统理论及其应用方面的研究，包括智能油田技术、语言计算以及模糊集定性比较分析等，并在智能科学与计算、控制系统等领域取得了卓越的研究成果。1966年，孟德尔教授在空间飞行器学习系统中应用了人工智能技术，并提出了“人工智能控制”的概念。

1967年，利昂兹（Leondes）等人首先正式使用“智能控制”一词，并把记忆、目标分解等一些简单的人工智能技术用于学习控制系统，提高了系统处理不确定性问题的能力。这标志着智能控制已经处于萌芽阶段。

2. 形成阶段（1970—1979年）

1970年，傅京孙又提出把人工智能的直觉推理方法用于机器人控制和学习控制系统，并将智能控制概括为自动控制和人工智能的结合。傅京孙、格洛廖索（Glorioso）和萨尔迪（Sardi）等人从控制理论的角度总结了人工智能技术与自适应、自学习和自组织控制的关系，正式提出了建立智能控制理论的构想，并在核反应堆、城市交通的控制中成功地应用了智能控制系统。

1974年，英国皇家学院的曼达尼（Mamdani）教授把模糊理论用于控制领域，把扎德教授提出的IF-THEN型模糊规则用于模糊推理，再把这种推理用于蒸汽机的自动运转中，通过实验取得良好的效果。

1977年，美国学者萨里迪斯（Saridis）提出了智能控制的三元结构定义，即把智能控制看作人工智能、自动控制和运筹学的交叉。

1979年，曼达尼教授又成功研制出自组织模糊控制器，使得模糊控制器具有较高的智能。

3. 发展阶段（1980年至今）

1985年，电气与电子工程师学会（IEEE）在纽约召开了第一届全球智能控制学术会议，标志着智能控制作为一个新的学科分支正式被控制界公认。

1987年，在美国费城举行的全球智能控制会议上，人们提出了智能控制是自动控制、人工智能、运筹学相结合或自动控制、人工智能、运筹学和信息论相结合的方法。此后，每年举行一次全球智能控制会议，形成了智能控制的研究热潮。

自20世纪80年代以来，智能控制的理论和方法得到了深入的研究，模糊控制、神经网络和计算智能的新方法不断涌现。例如，20世纪90年代初期，瓦普尼克（Vapnik）等人提出了以小样本学习理论为基础的支持向量机（Support Vector Machine，SVM），并应用在非线性系统控制、控制系统故障诊断和模式分类等方面。目前，智能控制已经成为自动控制领域大力发展的热点方向。

智能控制技术模拟人脑学习的过程，具有实时推理、决策、学习和记忆等功能，能适应各种复杂的控制环境。同样，智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。传统控制往往包含在智能控制之中，智能控制也利用传统控制的方法来解决较简单的控制问题，试图扩充传统控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。

智能控制理论研究主要是运用智能控制方法解决传统控制（包括经典控制、现代控制、自适应控制、鲁棒控制等）理论、方法难以解决的非线性、不确定性问题等。目前，智能控制的研究已经取得了一定的成果，但其理论方面的深化、新方法的探索有待进一步研究。作为交叉学科，随着各学科理论的不断完善与发展，智能控制也将会有更大的发展，并在实际中获得更加广泛的应用。

例如，智能控制在航空航天领域的应用中，目标探测、识别和跟踪技术应重点消除环境条件复杂、外部干扰、不确定因素的影响，常规的控制方法已不能很好地满足精确定位、智能决策、群体协同制导与鲁棒跟踪控制的要求。为解决上述挑战性问题，迫切需要深入开展面向未来航空航天武器系统的先进飞行器控制、导航、制导以及目标探测与识别相关的智能控制理论、方法与技术的研究与应用，这对增强我国制空能力、提高国防水平、促进经济发展、培养高水平国防特色人才队伍，具有极其重要的战略和军事意义。

又如，无人机系统是未来智能武器的一个重要发展方向。最近几年将人工智能与智能控制技术引入无人机系统的制导与控制系统设计中，目的是提高现有无人机系统的自主性和智能化水平，解决传统控制难以解决的复杂、多变和控制对象不确定的控制问题，有效地适应未来复杂任务需求。

深度学习是基于深度卷积神经网络架构的机器学习算法，它是机器学习的一个重要发展方向。深度学习出现之后，对机器视觉的发展起到极大的促进作用。目前，深度学习的应用领域在不断扩大，比如人脸识别技术就是深度学习中卷积神经网络的典型应用。通过深度学习，人脸识别的准确率达到99.5%以上，我们也因此进入了“刷脸”的时代。

人工智能的强化学习是指程序能够不断地进行实践和评价，从而在实践中找到最佳结果。强化学习是一个通用的决策框架，它使得计算机可以像人一样通过完全自主学习来提升自己，具备实现通用人工智能的潜力。例如，在AlphaGo中利用强化学习设计了一种走棋决策的监督学习策略网络（Policy Network）。该网络将当前棋盘落子状态作为输入，并输出当前棋盘每个位置的落子概率。2016年3月，AlphaGo以4∶1大胜围棋世界冠军李世石；2017年5月，升级版AlphaGo以3∶0完胜围棋世界冠军柯洁。至此，围棋界公认的人工智能程序AlphaGo的棋力已经超过人类职业围棋选手的顶尖水平。

目前智能控制方法还有学习控制、专家控制、多智能体控制、平行控制、数据驱动控制、自适应动态规划等，新的智能控制方法与技术的不断提出大大促进了智能控制的发展。