智能控制基礎理論與未來技術

前言

第1章 緒論1

1.1 智能控制的發展歷程與研究現狀1

1.1.1 智能控制的發展歷程1

1.1.2 智能控制的研究現狀2

1.1.3 智能控制的未來發展趨勢3

1.2 智能控制與傳統控制的比較4

1.2.1 理論基礎與設計理念的根本差異4

1.2.2 系統結構與信息處理方式對比5

1.2.3 性能表現與應用領域差異5

1.3 智能控制的應用前景——以智能空調系統為例6

1.3.1 多變量耦合與非線性問題6

1.3.2 個性化智能調控6

1.3.3 能源效率化的智能決策系統7

1.3.4 其他7

1.4 本書的主要內容8

第2章 基於模糊邏輯的智能控制10

2.1 模糊控制系統概述10

2.2 模糊邏輯基礎11

2.2.1 模糊集合與模糊概念11

2.2.2 模糊集合的基本運算和性質12

2.2.3 隸屬函數的常用類型14

2.3 模糊關系與模糊推理17

2.3.1 模糊關系的定義及表示方法17

2.3.2 模糊推理20

2.3.3 模糊推理的基本方法21

2.3.4 模糊推理的性質22

2.3.5 模糊判決23

2.4 模糊控制原理25

2.4.1 模糊控制系統組成25

2.4.2 模糊控制工作原理26

2.4.3 模糊控制的魯棒性與穩定性分析29

2.5 本章小結31

第3章 基於模糊的智能建模與控制32

3.1 基於模糊的智能建模32

3.1.1 自適應經模糊推理系統32

3.1.2 基於ANFIS的溶液除濕器智能建模34

3.2 基於模糊的系統控制39

3.2.1 自適應模糊PID控制39

3.2.2 自適應模糊PID控制在鍋爐水位控制中的應用42

3.2.3 自適應模糊滑模控制45

3.3 本章小結49

第4章 經網絡基礎51

4.1 經網絡發展簡史51

4.2 經網絡基本概念52

4.2.1 經網絡征52

4.2.2 經網絡原理和組成結構53

4.3 經網絡學習算法55

4.3.1 Hebb學習規則55

4.3.2 感知器學習規則55

4.3.3 Delta學習規則55

4.4 前饋經網絡56

4.4.1 感知器56

4.4.2 BP經網絡57

4.4.3 GMDH網絡59

4.4.4 RBF經網絡60

4.5 反饋經網絡62

4.5.1 Hopfield經網絡62

4.5.2 循環經網絡（RNN）64

4.5.3 長短期記憶網絡（LSTM）65

4.5.4 門控循環單元（GRU）66

4.6 卷積經網絡67

4.6.1 卷積與池化68

4.6.2 AlexNet70

4.6.3 時間卷積網絡（TCN）71

4.6.4 MobileNetV273

4.7 圖經網絡76

4.7.1 圖的基本概念76

4.7.2 圖卷積經網絡（GCN）77

4.7.3 GraphSAGE79

4.7.4 圖註意力網絡（GAT）80

4.7.5 圖子結構網絡（GSN）82

4.8 本章小結84

第5章 基於經網絡的智能控制85

5.1 經網絡建模基礎85

5.1.1 函數逼近問題與經網絡逼近問題85

5.1.2 物理系統建模的基本問題88

5.1.3 基於經網絡的物理系統建模思想89

5.2 物理信息經網絡建模90

5.2.1 物理信息經網絡：將物理知識融合到深度學習中91

5.2.2 基於PINN的橡膠擠出壓延系統建模93

5.3 覆雜動態系統的經網絡預測建模95

5.4 經網絡建模的應用98

5.4.1 基於征提取和深度學習的單區域室內溫度預測模型構建98

5.4.2 單區域室內溫度預測驗證102

5.5 經網絡控制與應用105

5.5.1 經網絡控制系統結構105

5.5.2 基於經網絡的控制器設計109

5.6 經網絡控制系統分析116

5.6.1 基於反饋線性化的經網絡控制系統能控性分析116

5.6.2 經網絡反饋線性化控制系統的穩定性分析118

5.7 經網絡控制的應用121

5.7.1 基於力矩計算法的經網絡補償控制121

5.7.2 經網絡補償器訓練與驗證123

5.8 本章小結126

第6章 群體智能基礎128

6.1 群體智能化理論基礎128

6.2 遺傳算法129

6.2.1 生物的進化與遺傳129

6.2.2 遺傳算法的基本概念129

6.2.3 遺傳算法的基本作130

6.3 粒子群化算法132

6.3.1 粒子群化的基本思想132

6.3.2 粒子群化算法原理134

6.4 其他化算法138

6.4.1 自適應差分進化算法138

6.4.2 鯨魚化算法140

6.5 本章小結143

第7章 群體智能化及控制145

7.1 基於群體智能算法的智能控制案例145

7.1.1 基於自適應差分算法的中央空調系統化策略145

7.1.2 基於改進鯨魚化算法的中央空調系統化策略154

7.2 遺傳算法在模糊控制器設計中的應用161

7.2.1 對解進行編碼162

7.2.2 對解進行尋163

7.2.3 及結果163

7.3 本章小結164

第8章 強化學習控制166

8.1 強化學習的基本概念166

8.1.1 馬爾可夫決策過程166

8.1.2 強化學習常用術語167

8.1.3 動作值函數與狀態值函數169

8.2 基於值的強化學習算法170

8.2.1 Q-learning算法與SARSA算法170

8.2.2 深度Q網絡算法174

8.3 基於策略的強化學習算法177

8.3.1 REINFORCE算法177

8.3.2 Actor-Critic 算法179

8.4 處理連續動作的強化學習算法180

8.4.1 深度確定性策略梯度算法180

8.4.2 近端策略化算法184

8.4.3 SAC算法186

8.5 基於強化學習算法的智能控制案例188

8.5.1 基於強化學習的多區域建築暖通空調系統控制188

8.5.2 基於強化學習的質子交換膜燃料電池供氣系統控制194

8.6 本章小結200

第9章 預測控制202

9.1 預測控制基礎理論202

9.1.1 預測模型203

9.1.2 滾動化203

9.1.3 反饋校正204

9.2 預測控制的分類205

9.2.1 動態矩陣控制206

9.2.2 廣義預測控制212

9.2.3 基於狀態方程的預測控制219

9.3 分布式預測控制的框架223

9.3.1 分散式模型預測控制224

9.3.2 分布式預測控制224

9.4 預測控制的應用226

9.4.1 LDAC系統經濟模型預測控制與節能化研究226

9.4.2 LDAC系統分布式模型預測控制研究233

9.4.3 多區域空調系統溫濕度的分布式模型預測控制研究239

9.5 本章小結245

第10章 智能控制未來技術與發展趨勢246

10.1 智能控制面臨的機遇與挑戰246

10.1.1 智能控制面臨的機遇246

10.1.2 智能控制面臨的挑戰247

10.2 未來技術與發展趨勢248

10.2.1 趨勢一：從數據驅動到知識融合的認知智能248

10.2.2 趨勢二：從雲端集中到泛在分布的具身智能249

10.2.3 趨勢三：從“黑箱”決策到可信可控的智能249

10.3 未來應用250

10.4 本章小結251

參考文獻253