1.1 智能控制的发展过程
1.1.1 智能控制的提出
传统控制方法包括经典控制和现代控制，是基于被控对象精确模型的控制方式，缺乏灵活性和应变能力，适用于解决线性、时不变性等相对简单的控制问题。传统控制方法在实际应用中遇到很多难以解决的问题，主要表现在以下几点。
（1）实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得精确的数学模型。
（2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。
（3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。
（4）实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如智能机器人控制、CIMS和社会经济管理系统等复杂任务无能为力。
在生产实践中，复杂控制问题可通过熟练操作人员的经验和控制理论相结合的方法去解决，因此，产生了智能控制。智能控制采取的是全新的思路，它用人的思维方式建立逻辑模型，使用类似人脑的控制方法来进行控制。智能控制将控制理论的方法和人工智能技术灵活地结合起来，这种方法适应于对象的复杂性和不确定性。
智能控制是控制理论发展的高级阶段，它主要用来解决那些用传统控制方法难以解决的复杂系统的控制问题。智能控制研究对象具备以下一些特点。
（1）不确定性的模型。
智能控制适合于不确定性对象的控制，其不确定性包括两层意思，一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。
（2）高度的非线性。
采用智能控制方法可以较好地解决非线性系统的控制问题。
（3）复杂的任务要求。
例如，智能机器人要求控制系统对一个复杂的任务具有自行规划和决策的能力，有自动躲避障碍运动到期望目标位置的能力。再如，在复杂的工业过程控制系统中，除了要求对各被控物理量实现定值调节外，还要求能实现整个系统的自动启停、故障的自动诊断以及紧急情况下的自动处理等功能。
1.1.2 智能控制的概念
智能控制是一门交叉学科，著名美籍华人傅京逊教授于1971年首先提出智能控制是人工智能与自动控制的交叉，即二元论。美国学者G. N. Saridis于1977年在二元论基础上引入运筹学，提出了三元论的智能控制概念，即
IC=AC∩AI∩OR
式中，IC——智能控制（Intelligent Control）；AI——人工智能（Artificial Intelligence）；AC——自动控制（Automatic Control）；OR——运筹学（Operational Research）。
基于三元论的智能控制如图1.1所示。
图1.1 基于三元论的智能控制
人工智能（AI）是一个用来模拟人的思维的知识处理系统，具有记忆、学习、信息处理、形式语言和启发推理等功能。
自动控制（AC）描述系统的动力学特性，是一种动态反馈。
运筹学（OR）是一种定量优化方法，如线性规划、网络规划、调度、管理、优化决策和多目标优化方法等。
三元论除了“智能”与“控制”外，还强调了更高层次控制中调度、规划和管理的作用，为递阶智能控制提供了理论依据。
所谓智能控制，即设计一个控制器（或系统），使之具有学习、抽象、推理和决策等功能，并能根据环境（包括被控对象或被控过程）信息的变化做出适应性反应，从而实现由人来完成的任务。智能控制实际只是研究与模拟人类智能活动及其控制与信息传递过程的规律，研制具有仿人智能的工程控制与信息处理系统的一个新兴分支学科。
1.1.3 智能控制的发展
智能控制是自动控制发展的最新阶段，主要用于解决传统控制难以解决的复杂系统的控制问题。控制科学的发展过程如图1.2所示。
图1.2 控制科学的发展过程
从20世纪60年代起，由于空间技术、计算机技术及人工智能技术的发展，控制界学者在研究自组织、自学习控制的基础上，为了提高控制系统的自学习能力，开始注意将人工智能技术与方法应用于控制中。
1966年，J. M. Mendal首先提出将人工智能技术应用于飞船控制系统的设计；1971年，傅京逊首次提出智能控制这一概念，并归纳了如下3种类型的智能控制系统。
（1）人作为控制器的控制系统——具有自学习、自适应和自组织的功能。
（2）人机结合作为控制器的控制系统——机器完成需要连续进行的并需快速计算的常规控制任务，人则完成任务分配、决策和监控等任务。
（3）无人参与的自主控制系统——为多层的智能控制系统，需要完成问题求解和规划、环境建模、传感器信息分析和低层的反馈控制任务，如自主机器人。
1985年8月，IEEE在美国纽约召开了第一界智能控制学术讨论会，随后成立了IEEE智能控制专业委员会；1987年1月，在美国举行第一次国际智能控制大会，标志智能控制领域的形成。
近年来，神经网络、模糊数学、专家系统和进化论等各门学科的发展给智能控制注入了巨大的活力，由此产生了各种智能控制方法。
1.1.4 智能控制的技术基础
智能控制以控制理论、计算机科学、人工智能和运筹学等学科为基础，扩展了相关的理论和技术，其中应用较多的有专家系统、模糊逻辑、神经网络和智能搜索等理论，以及自适应控制、自组织控制和自学习控制等技术。智能控制的几个重要分支为专家控制、模糊控制、神经网络控制和智能搜索算法。
专家控制系统是利用专家知识对专门的或困难的问题进行描述的控制系统，尽管专家系统在解决复杂的高级推理中获得了较为成功的应用，但是专家系统的实际应用相对还是比较少的。
模糊逻辑用模糊语言描述系统，既可以描述应用系统的定量模型，也可以描述其定性模型。模糊逻辑可适用于任意复杂的对象控制，基于模糊系统逼近的自适应模糊控制是模糊控制的更高形式。
神经网络是利用大量的神经元，按一定的拓扑结构进行学习和调整的自适应控制方法。它能表示出丰富的特性，具体包括并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织和学习或自学习。这些特性是人们长期追求和期望的系统特性。神经网络在智能控制的参数、结构或环境的自适应、自组织和自学习等控制方面具有独特的能力。
智能搜索算法作为一种非确定的拟自然随机优化工具，具有并行计算、快速寻找全局最优解等特点，它可以和其他技术混合使用，用于智能控制的参数、结构或环境的最优控制。
智能控制的相关技术与控制方式结合、或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器，这也是智能控制技术方法的一个主要特点。