單位：西安交通大學人工智能與機器人研究所 西安 710049 （E-mail: nnzheng@mail.xjtu.edu.cn） 摘 要 簡要介紹了控制科學的發展狀況；討論了傳統控制理論在解決實際問題中的一些局限性以及控制科學當前面臨的挑戰；闡述了控制科學與人工智能和認知科學等新興學科的結合將對處理復雜系統和社會經濟中的一些重大課題提供有價值的科學理論和方法；強調了控制科學的進一步發展仍然要依賴于重大需求導向，使其在我國信息化帶動工業化和現代化的進程中發揮重要的作用。 關鍵詞 經典控制，智能控制，人工智能，智能信息處理 A Survey Of Control Science And Technology ZHENG Nan-Ning JIA Xin-Chun YUAN Ze-Jian （Institute of the artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an 710049） （E-mail: nnzheng@mail.xjtu.edu.cn） Abstract In this paper, the development of control science is briefly introduced, and the limitations of traditional control theory and the challenge that control science faces are discussed. It is shown that integrating control science with artificial intelligence and cognitive science will provide valuable theories and methods for solving some important and knotty problems in complex systems and social economy. To insist on the demand-driven policy for further developing control science and technology will play an increasingly important role in the process of promoting and accelerating Chinese information industrialization and driving industrialization and modernization by information. Key words Classical control, intelligence control, artificial intelligence, intelligence information processing 1 控制科學與技術的發展狀況 控制科學與技術在20世紀的人類科技進步中起到了舉足輕重的作用，為了解決當今社會的許多挑戰性問題產生了積極的影響，提供了科學的思想方法論；為許多產業領域實現自動化奠定了理論基礎，提供了先進的生產技術和先進的控制儀器及裝備。特別是數字計算機的廣泛使用，為控制科學與技術開辟了更廣泛的應用領域。 回顧近百年來的工程技術的發展，可以看到，20世紀的控制科學與技術是在實踐的重大需求驅動下快速發展的，他經歷了若干重要的發展時期，如20世紀初的Lyapunov穩定理論和PID控制律概念；20年代的反饋放大器；30年代的Nyquist與Bode圖；40年代維納的控制論；50年代貝爾曼動態規劃理論和龐特里亞金極大值原理；60年代卡爾曼濾波器、系統狀態空間法、系統能控性和能觀性；70年代的自校正控制和自適應控制；80年代針對系統不確定狀況的魯棒控制；90年代基于智能信息處理的智能控制理論。中國控制學科界的許多學者為控制理論和技術的發展也做出重要的貢獻[1, 2]。隨著計算機科學、網絡和智能信息處理技術的進步，以及社會生產力發展的強烈需求，在如何解決日益增加的復雜系統、網絡系統、多傳感器信息融合、生物、基因、量子計算、社會經濟與生態等重大問題上，控制科學和自動化領域的研究者們在21世紀初面臨著更重大的、更為迫切的挑戰。 近30年來，控制科學在非線性系統控制、分布參數系統控制、系統辨識、隨機與自適應控制、魯棒控制、離散事件系統和混合系統、智能控制等研究方向上取得了許多重要進展。在21世紀初的十幾年，這些方向仍將是控制科學發展的主要研究方向[1, 2]，它們之間的交叉與結合，將形成許多應用性更強的重要研究方向。 非線性控制是控制理論中一個重要的研究分支[3]，目前在該方向的一些研究成果已應用于機器人、直升飛機與電力系統控制等實際控制工程中[4-8]。可以預見，非線性控制理論的進一步發展，將對多機器人系統協調操作與大型網絡穩定安全為背景的非線性系統的控制工程等產生重大影響。混沌系統作為非線性系統的重要組成部分，在混沌生成、混沌抑制、混沌同步化、混沌通訊應用以及混沌信息編碼等方面已經取得一些突破性的進展[5-7]。這些研究成果將對復雜系統的深入研究提供了有意義的借鑒。 自20世紀70年代開始，國內外學者開始重視分布參數系統的研究。分布參數系統是無窮維系統，一般由偏微分方程、積分方程、泛函微分方程或抽象空間中的微分方程所描述[9, 10]。我國學者在細長體彈性振動系統的建模和振動控制、振動系統的譜分析、能控性和反饋鎮定、一般無窮維系統的極大值原理、人口系統控制、人口預測和控制等方面都做出了重要貢獻。 由于實際系統的復雜性，人們往往很難（或不可能）從基本的物理定律出發直接推導出系統的數學模型，這就需要利用可以測量的系統輸入和輸出數據，來構造系統內結構及參數的估計，并研究估計的可靠性和精度等問題，這就是系統辨識的任務。20世紀90年代，線性系統辨識理論趨于成熟，而非線性系統的辨識仍處于發展階段。近10年來，系統辨識領域有3個熱點研究方向：基于魯棒控制的數學模型要求的魯棒辨識，基于特殊信號驅動下的系統辨識[11]和基于智能信息處理的非線性系統辨識[12, 13]。 當實際系統受到的外界干擾和系統模型誤差被看作為隨機噪聲時，我們把這類系統稱為隨機系統[14]。近年來，在非線性濾波、隨機極大值原理、隨機最優控制綜合等方面已有新的進展。人們為了尋求能夠實際應用并且性能良好的控制算法，由“分離思想”和“必然等價思想”發展了自適應控制的理論和方法[15]。在科學研究和工程實踐中，自適應算法已經成為一種非常有效的重要方法。 一般地，系統的數學模型與實際系統存在著參數或結構等方面的差異，而我們設計的控制律大多都是基于系統的數學模型，為了保證實際系統對外界干擾、系統的不確定性等有盡可能小的敏感性，導致了研究系統魯棒控制問題。近年來，對非線性系統的魯棒適應控制[16]的研究已成為一個熱點方向。人工神經網方法、滑動模（sliding-mode）方法及魯棒控制方法的結合可以設計出對一大類連續時間非線性系統穩定的自適應控制律[17]。20世紀80年代出現的H∞設計方法和變結構控制（滑摸控制）推動了魯棒控制理論的發展[18.19]。現在，系統H∞范數已成為系統的重要性能指標[20]。如何有效利用過程信息來降低系統的不確定性，是魯棒控制研究的重要內容。由于許多控制問題可歸結為線性矩陣不等式（LMI）的研究，20世紀90年代中期出現了關于LMI的控制軟件工具。近幾年，非線性系統、時滯飽和系統、時滯故障系統的魯棒綜合控制問題已經成為新的熱點研究方向[21-25]，而且已經有不少應用實例，例如，核反應堆的溫度跟蹤魯棒控制、導彈系統的魯棒自適應最優跟蹤設計、機器人操作的魯棒神經控制[26-29]。 系統的狀態隨離散事件發生而瞬時改變，不能用通常的動態方程來描述，一般稱這類系統為離散事件動態系統（DEDS）[30]。對它的研究始于20世紀80年代初。目前已發展了多種處理離散事件系統的方法和模型，例如有限狀態馬爾科夫鏈、Petri網、排隊網絡、自動機理論、擾動分析法、極大代數法等。其理論已經應用于柔性制造系統、計算機通信系統、交通系統等。離散事件系統的研究雖然取得較大進展，但還沒有一套完整的理論體系來評價離散時間系統模型與實際對象的差異。離散事件動態系統自然延伸就是混合動態系統。 包含離散事件動態系統（DEDS）和連續變量動態系統（CVDS）、兩者又相互耦合作用的系統稱為混合動態系統（HDS）。關于混合系統最早的文獻出現在1966年[31]。1979年瑞典人Cellier[8]首先引入混合系統結構的概念，把系統分為離散、連續和接口3個部分。1989年Golli[32]針對計算機磁盤驅動器模型引入混合系統的概念，把連續部分和接口部分結合起來進行研究。雖然混合系統的研究取得了一些成果，但仍處于發展階段，其理論和應用研究仍是未來幾年的研究熱點。最近，混合系統的離散監督控制、離散時間混合系統的最優控制有了一些新的突破[13，33]，并且混合控制理論已逐步應用于電力系統的電壓安全控制和機器人協調控制等領域[34，35]。 現代工程技術、生態或社會環境等領域的研究對象往往是十分復雜的系統，對這類系統難以用常規的數學方法來建立準確的數學模型，需要用學習、推理或統計意義上的模型來描述實際系統，這就導致了智能控制的研究。智能控制的主要目標是使控制系統具有學習和適應能力。現在，智能控制理論雖然取得了不少研究成果，但智能控制的理論體系還不夠成熟。最近，基于模糊推理的系統建模[36]、神經網絡模型參考自適應控制、神經網絡內模控制[37]、神經網絡非線性預測控制、混沌神經網絡控制[38]等方面已有不少重要研究成果。智能控制理論有著廣泛的應用，例如，基于神經動態規劃的直升機的鎮定控制[39]和航天軌道操作器的基于知識的分層控制[40]等。模糊推理、神經網絡和遺傳算法均具有模擬人類思維結構的方式的特點，將三者結合是智能控制研究的主要方向之一[26，41]。 2 傳統與現代控制理論的局限性 傳統控制器都是基于系統的數學模型建立的，因此，控制系統的性能好壞很大程度上取決于模型的精確性，這正是傳統控制的本質。現代控制理論可以解決多輸入、多輸出（MIMO）控制系統地分析和控制設計問題，但其分析與綜合方法也都是在取得控制對象數學模型基礎上進行的，而數學模型的精確程度對控制系統性能的影響很大，往往由于某種原因，對象參數發生變化使數學模型不能準確地反映對象特性，從而無法達到期望的控制指標，為解決這個問題，自適應控制、魯棒控制的研究便成為控制理論的研究熱點。20世紀80年代由加拿大學者Zames等人創始的H∞控制理論是魯棒控制理論的重要發展。但這些方法本質上還是沒有擺脫基于數學模型的定量化思想。傳統控制，包括經典反饋控制、現代控制理論等，在應用中遇到不少難題。機理建模所不可避免的模型誤差將導致估計器工作效果時好時壞，難以設計可靠、穩定的控制系統。 2.1 傳統控制理論面臨的問題 1）控制對象的復雜性 傳統控制理論的思想是建立在精確數學模型基礎上的，然而對實際應用中的非線性、時變性、不確定性和不完全性的系統，一般無法獲得精確的數學模型。對含有對象復雜性和不確定性的控制過程，很難用傳統數學建模方法來解決建模問題。 2）控制方法和手段單一性 在研究一個實際的控制對象時，為了得到理論上性能良好的控制器，經常提出一些比較苛刻的假設，然而這些假設在應用中往往與實際情況不相吻合。 根據現有的理論和技術描述復雜的控制過程會出現片面性、單一性，建立的模型有可能與實際過程相差甚遠。 傳統的控制對象往往局限于單一的、有確定的物理規律的系統。對于復合型系統，傳統的控制方法就顯得力不從心。 3）無法滿足控制性能的高要求 通常，控制系統需要具有所期望的控制精度、穩定性及動態性能。為了提高系統性能，傳統控制系統可能變得相當復雜，從而使得系統的可靠性與其它系統性能成為不可調和的矛盾。 控制系統能夠處理數值的、符號的、定性的、定量的、確定的和模糊信息等各類信息，即要求控制系統具有多層次的信息處理結構。傳統的控制方法是很難做到這一點的。 2.2 現代控制理論面臨的問題 1）控制對象與控制對象所處的環境的變化 隨著計算機網絡技術普及與發展，基于網絡的遠程控制受到人們的關注。在網絡環境下存在延時、數據的丟失、數據時序或序的變化及數據的非等間隔采樣，使得網絡環境的空地變得十分復雜和困難。同時，網絡自身的安全與控制也是一個十分重要和非常棘手的問題。 不同性質、不同控制對象組合而成的混雜系統還缺乏理論支持和相應的技術手段。 多任務、多機器人的協調控制問題。 2）理論問題 由于復雜系統的建模、穩定性與系統設計缺乏理論支撐和指導，有必要綜合應用其他學科，如數學、信息科學、系統科學與認知科學的最新進展來建立一個解決復雜性問題的完整理論。 3）控制要求 具有多種信息或傳感信息的綜合能力；具有自學習和自適應能力，能夠自主調整控制機構；高可靠性；控制系統本身應該具有良好的控制特性；在出現故障和意外時，能及早進行自我故障診斷及排除。 現代控制系統應該具有良好的容錯性和魯棒性。 在一些情況下需要構造一個合理的人機協作的控制系統。 基于上述問題，控制科學界多年來一直在探索著新的方法，尋求更加符合實際的“發展軌跡”。近十年來，人工智能學科新的進展給人們帶來了希望。由于得益于計算機科學技術和智能信息處理的高速發展，智能控制逐漸形成一門學科，并在實際應用中顯示出強大的生命力。與此同時，許多控制學科領域的工作者也開始認識到，在許多系統中，復雜性不只是表現在高維性上，更多的則是表現在系統信息的模糊性、不確定性、偶然性和不完全性上。能否用人工智能的人工神經網絡、模糊邏輯推理、啟發式知識、專家系統等理論去解決難以建立精確數學模型的控制問題一直是我們十多年來追求的目標。 3 智能信息處理技術和控制科學的交融與結合 隨著許多復雜的社會經濟與生態問題和全球網絡信息安全問題的出現及對許多復雜系統“涌現”機理的研究，許多科學家對傳統的控制理論與非線性分析、隨機系統、統計學習、人工智能、認知科學等學科的結合產生了極大興趣，特別是將人工神經網絡、模糊邏輯、遺傳計算、專家系統、混沌和其它常規信號信息處理相結合，在新的層次上實現控制的自適應和反饋。 20世紀70年代，傅京孫教授提出把人工智能的直覺推理方法用于機器人控制和學習控制系統，并將智能控制概括為自動控制和人工智能的結合。傅京孫、Glorioso和Sardi等人從控制理論的角度總結了人工智能技術與自適應、自學習和自組織控制的關系，正式提出了建立智能控制理論的構想。1967年，Leondes和Mendel首次正式使用“智能控制”一詞。1985年8月在美國紐約IEEE召開的智能控制專題討論會，標志著智能控制作為一個新的學科分支正式被控制界公認。智能控制不同于經典控制理論和現代控制理論的處理方法，它研究的主要目標不僅僅是被控對象，同時也包含控制器本身。控制器不再是單一的數學模型，而是數學解析和知識系統相結合的廣義模型，是多種知識混合的控制系統。 經驗主義和理性主義的模型與解釋在很大程度上影響著人類的認知過程。人的經驗是在多次的“反饋”過程中逐步積累。因此，對于智能和控制的關系，應該合理地發揮經驗的作用，從進化的角度把智能活動看成動態發展的過程，即實現控制系統的“反饋”應是動態、分層、綜合的過程。智能信息處理技術為“反饋”提供了更“聰明”的實現形式。 長期以來，人們在信息處理中的認知模型和基于感知的智能化信息處理研究領域作了不少工作，取得了很大進展，但其水平距人們所期望的還相差甚遠。這主要是由于所使用的方法與人腦的認知信息處理過程有這種大差別，如頻譜分析方法、句法分析和傳統的人工智能方法等不具有開放性、動態性和靈活性等智能信息處理方法所應有的特征，因而它們只在特殊的應用領域內取得有限的成功。 事實上，人類的許多科學成就都來自對自然界中相應事物的觀察和深入研究，例如人類由鳥類的飛行得到啟發從而發明了飛機。同樣，對信息的加工處理和智能控制系統的設計，自然界也給我們提供了一個非常完美的范例——人腦。因而智能信息處理系統的研究與發展需要借助于對大腦認知功能深入全面的研究。人對外部世界的認知過程，本質上是一個多傳感信息的融合過程。人腦通過對多通道信息的相互監督（self-supervision）完成學習，從而獲得對外部事物的知識；通過對多傳感信息的融合，實現對目標的識別與解釋；并可以根據已有知識對各傳感器實行控制。這種前饋和反饋過程的完美結合，使人腦具有極高的智能水平，即使在噪聲環境下或傳感信息不可靠時，人腦也能有效地完成其智能活動。這為構造智能系統提供了完美的典范。自從人工智能形成一個學科以來，科學家們遵循著一條明確的指導思想，，即研究和總結人類思維的普遍規律，并用計算機模擬它的功能實現。正如飛機并不是簡單模擬鳥而發明的，因此智能信息處理系統的研究也不應該機械照搬人腦認知模式。 3.1 智能控制系統的基本功能特點 1） 容錯性。對復雜系統（如非線性、快時變、復雜多變量和環境擾動等）能進行有效的全局控制，并具有較強的容錯能力。 2） 多模態性。定性決策和定量控制相結合的多模態組合控制。 3） 全局性。從系統的功能和整體優化的角度來分析和綜合系統。 4） 混合模型和混合計算。對象是以知識表示的非數學廣義模型和以數學模型表示的混合控制過程，人的智能在控制中起著協調作用，系統在信息處理上既有數學運算，又有邏輯和知識推理。 5） 學習和聯想記憶能力。對一個過程或未知環境所提供的信息，系統具有進行識別記憶、學習，并利用積累的經驗進一步改善系統的性能和能力。 6） 動態自適應性。對外界環境變化及不確定性的出現，系統具有修正或重構自身結構和參數的能力。 7） 組織協調能力。對于復雜任務和分散的傳感信息，系統具有自組織和協調能力，體現出系統的主動性和靈活性。 3.2 智能控制的主要研究分支 1） 模糊邏輯控制 傳統的控制問題一般是基于系統的數學模型來設計控制器，而大多數工業被控對象是具有時變、非線性等特性的復雜系統，對這樣的系統進行控制，不能僅僅建立在平衡點附近的局部線性模型，需要加入一些與工業狀況有關的人的控制經驗。這種經驗通常是定性的或定量的，模糊推理控制正是這種控制經驗的表示方法，這種方法的優點是不需要被控過程的數學模型，因而可省去傳統控制方法的建模過程，但卻過多地依賴控制經驗。此外，由于沒有被控對象的模型，在投入運行之前就很難進行穩定性、魯棒性等系統分析。近年來，一些研究者們在模糊控制模式中引入模糊模型的概念，出現了模糊模型。模糊模型易于表達結構性知識，成為模糊控制系統研究的關鍵問題[42-44]。最近，模糊控制理論成功地應用于飛行器的優化跟蹤設計和產品加工過程[28，45]。 2） 模糊預測控制 預測控制是為適應復雜工業過程控制而提出的算法，它突破了傳統控制對模型的束縛，具有易于建模、魯棒性好的特點，對于解決大滯后對象控制問題是一條有效的途徑。模糊建模是非線性系統建模的一個重要工具，也是復雜工業過程控制中廣泛使用的方法。把預測控制和模糊推理相結合[46]是很有吸引力的研究方向之一。 3） 神經網絡控制 神經網絡控制是研究和利用人腦的某些結構機理以及人的知識和經驗對系統的控制。一般地，神經網絡控制系統的智能性、魯棒性均較好，它能處理高維、非線性、強耦合和不定性的復雜工業生產過程的控制問題。顯示了神經網絡在解決高度非線性和嚴重不確定性系統的控制方面具有很大潛力。雖然神經網絡在利用系統定量數據方面有較強的學習能力。但它將系統控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，不易把控制經驗的定性知識融入控制過程中。近來，在神經網絡自適應控制[47]、人工神經網絡閥函數的數字設計[48]、新的混合神經網絡模型[49]等方面都有一些重要進展，如應用于機器人操作過程神經控制[28]、核反應堆的載重操作過程的神經控制[50]。近年來，神經網絡、模糊推理、各種特殊信號的有機結合，還導致了一些新的綜合神經網絡的出現。例如，小波神經網絡[51]、模糊神經網絡[46，52]和混沌神經網絡[38]的出現，為智能控制領域開辟了新的研究方向。 4） 基于知識的分層控制設計 對于復雜控制對象，單一地采用傳統控制不能獲得理想的系統性能，這時需要智能的控制策略。分層控制恰好體現了這一思想，底層采用傳統的控制方法，高層采用智能策略協調底層工作，這就是基于知識的分層控制設計。這種控制設計理論已經應用到機器人、航天飛行器等領域[53-55]。 3.3 模糊推理和神經網絡在控制中應用的區別 1） 模糊控制是基于規則的推理，神經網絡則需要大量的數據學習樣本。在有足夠的系統控制知識情況下，基于模糊規則控制較好；如果系統有足夠的各態遍歷的學習樣本，應用神經網絡通過學習可得到滿意的控制器。 2） 模糊映射在系統中是集合到集合的規則映射，神經網絡則是點到點的映射。模糊邏輯容易表達人們的控制經驗等定性知識，而神經網絡在利用系統定量數據方面有較強的學習能力。 3） 神經網絡控制將系統控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，因而控制經驗的定性知識不易融入控制中。模糊控制一般把對被控對象看作是“灰箱”。 4 控制理論的完善與控制技術的發展 自從美國科學家維納于20世紀40年代創立控制論以來，控制科學已經經歷了經典控制理論和現代控制理論兩個階段，并進入智能控制理論這一重要發展階段，盡管還不夠成熟。在處理復雜系統控制問題時，傳統控制方法對于復雜性、不確定性、突變性所帶來的問題總有些力不從心。為了適應不同技術領域和社會發展對控制科學提出的新要求，我們必須發展新的控制模式。國內外控制科學界都在探索新的控制理論，以解決各類復雜系統的控制問題。近年來，越來越多的學者已意識到在傳統控制中加入邏輯、推理和啟發式知識的重要性，把傳統控制理論與模糊邏輯、神經網絡、遺傳算法等人工智能技術相結合，充分利用人的控制知識對復雜系統進行智能化控制，逐漸形成了智能控制理論的較完整的體系[56，57]。 控制科學所面臨的挑戰問題。 1） 高度自主的復雜工程系統的設計與控制。我們面臨的復雜系統是一個由多個子系統構成，每個子系統本身都可能是一個復雜的、具有高度自主性的系統，需要有效地協調這些子系統的行為。所設計的工程系統不僅有很高的復雜度，而且同時還要能在人監督最少的情況下運行良好，表現出高度自主的行為。 2） 智能控制與基于人類行為的智能化信息處理。智能控制方法是對傳統控制方法的擴展和提高，也是設定和完成控制目標時實現高自主度所必需的，在不確定條件下的規劃、大量數據的處理中，進行有效的復雜過程控制。 3） 復雜工業系統的故障快速處理、系統重構與修復，復雜環境中仿人機器人的設計和制造，社會系統中的重大事變（戰爭、自然災害、金融危機）的應急指揮和組織系統都存在著如何適應外部世界不確定性的動態變化問題。人類的行為特征充分反映了對外界環境的反應能力。研究基于人類行為特征的信息處理原理和方法，即研究系統在不確定性動態環境中的反應能力和對外界事務充分感知的能力[58]。 4） 學習控制系統。學習是自動化系統一直追求的目標。它是指系統能夠根據環境或目標改變其行為。學習控制系統應能夠在控制過程發生變化時修改控制規律。 5） 綜合智能處理方法。目前，人們在自適應、監督與迭代式設計等方面做了大量的研究和開發工作。由于將人工智能技術引入到控制領域中，可用來處理其它一些學習特征，如估計、聚類、重構、推理、創造、刪除等功能，特別是需要綜合人工智能中的多種技術來實現上述系統功能[59，60]。 6） 復雜系統的理論體系的形成。復雜系統的主要特征歸納為：系統動力學模型的不確定性、測量信息的粗糙性和不完整性、動態行為或擾動的隨機性、離散層次和連續層次的混雜性、系統動力學的高度非線性、狀態變量的高維性和分布性、子系統及層次多樣性和個子系統間的強耦合性、部分子系統的無法建模性等。復雜系統控制在規模上、復雜性及靈活性上將大大突破傳統的自動控制在概念和方法上的局限性。它要求控制系統對被控對象的動力學模型要有“學習”和“識別”能力，對環境和擾動的變化要有“適應”和“魯棒”能力。 一般地，提高系統的智能度主要有兩種途徑：一是在基于古典精確邏輯的基礎上，通過增加并行度來加快系統的演化速度，從而提高系統的智能；二是開發新的高智能的邏輯形式。前者，主要是考慮計算速度，這同樣有兩種途徑，一方面在原有算法基礎上開發相應的并行算法；另一方面是設計出高效且具有高并行度的新型算法。后者，主要是從系統本身出發來提高它的智能度，其主要手段是通過對人或高等動物以及自然界的研究中得到一些啟示，并應用于新系統的設計中。綜合智能信息處理將以神經網絡并行分布處理和基于專家系統等人工智能符號邏輯推理為兩種重要的基本方式，并與模糊邏輯、進化計算、混沌動力學、信號處理與變換等方法綜合集成，特別是軟計算（神經網絡、模糊邏輯和概率推理）、不確定性推理與自組織及仿生計算等。 5 結束語 20世紀以來，控制科學與工程技術對近代世界技術文明的許多成就作出了巨大貢獻，發展了許多研究方法和開創了不少交叉科學，它是現代技術科學的思想基石和方法學。控制科學與工程技術的歷史是輝煌的，但我們應該面對客觀世界的現實，更加積極地、嚴謹地開拓和創造未來。控制科學在解決21世紀的社會復雜問題上及跨學科問題方面具有不可替代的重要作用，也是能夠提供最適當、最聰明方法的學科領域之一。今后的控制科學方法需要以一種集成的方式來考慮系統以及相關的設計要求。將控制科學與其它領域密切結合，解決我國經濟與社會發展中基礎技術科學、工業、農業、能源、國防、乃至國家安全所涉及的控制與自動化的重大基礎理論問題，帶動社會全面信息化和工業化的一些關鍵技術的發展。 復雜系統和智能系統的研究是21世紀控制科學發展的主要方向，宋健院士在北京IFAC大會上所作的“智能控制——跨越世紀的目標”的報告，在一定程度上指明了今后控制科學發展的方向。控制科學的發展面臨著嚴峻問題與挑戰，又存在良好發展機遇。為了解決面臨的難題，第一要把傳統的控制科學的研究進一步深化、綜合化，重視控制硬件、軟件和智能信息處理方法的結合，實現控制系統的智能化；第二要大力推進控制科學與計算機科學、信息科學、系統科學以及人工智能的有機結合，為控制科學的發展提供新思想、新方法和新技術；第三要以重大需求為導向推動控制科學與技術的更高層次的發展，使控制科學與技術在我國以信息化帶動工業化和社會經濟的快速健康發展中發揮重要作用。 參考文獻 1 Bennett S. A brief history automatic control. IEEE Control Systems, 1996, 16（3）:17-25 2 陳翰馥，郭雷。現代控制理論的若干進展及展望。科學通報，1998，43（1）：1-7 3 Isidori A. Nonlinear Control Systems. Berlin: Springer-Verlag,1989 4 Huang C Q, Wang X G, Wang Z G. A further result of the nonlinear mixed H2/Hinfinity tracking control problem for robotic system. Journal of Robotic Systems, 2002, 19（1）:25-36 5 Carroll T L. Using the cyclostationary properties of chaotic signals for communication. IEEE Trans. Circuits and Systems I, 2002, 49（3）:357-362 6 Williams C. Chaotic communications over radio channels. IEEE Trans.Circuits and Systems I, 2001, 48（12）:1394-1404 7 Tang S, Chen H F et al. Message encoding and decoding through chaos modulation in chaotic optical communications. IEEE Trans. Circuits and Systems I, 2002, 49（2）:163-169 8 Cellier F E. Combined continuous/discrete system simulation by use of digital computer: Techniques and tools. Zurich, Switzerland: Swiss Federal Institute of Technology, 1979 9 Bensoussan A, Prato G D, Delfour M C et al. Representation and Control of Infinite Dimensional Systems, Volumes 1 and 2. Boston: Birkhauser, 1992 10 Li S J, Yu J Y, Zhu G T. Stabilization of high eigenfrequencies of a beam equation with generalized viscous damping. SIAM J. Control and Optimization, 1999, 37（6）:1767-1779 11 Zhiwen Z, Leung H. Identification of linear systems driven by chaotic signals using nonlinear prediction. IEEE Trans. Circuits and Systems I, 2002, 49（2）:170-180 12 Siettos C I, Bafas G V, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Seta and Systems, 2002, 126（1）:89-104 13 Liu R H, Zhang Q, Yin G. Asymptotically optimal controls of hybrid linear quadratic regulators in discrete time. Automatica, 2002, 38（3）:409-419 14 Chen H F, Guo L. Identification and Stochastic Adaptive Control. Boston: Birkhauser, 1991 15 Landau I D, Lozano R, M’Saad M. Adaptive Control. London: Springer, 1998 16 Han H, Su C-Y. Robust fuzzy control of nonlinear systems using shape adaptive radial basis functions. Fuzzy Sets and Systems, 2002, 125（1）:23-38 17 Ge S S, Wang Cong. Adaptive NN control of uncertain nonlinear pure-feedback systems. Automatica, 2002, 38（4）:671-682 18 Zhou K, Doyle J C, Glover K. Robust and Optimal Control. Englewood, Clifls: Prentice-Hall, 1996 19 Byrnes C I, Priscoli F D, Isidori A. Output Regulation of Uncertain Nonlinear Systems. Boston: Birkhauser, 1997 20 Bolzern P, Colaneri P et al. Guaranteed Hinfinity robustness bounds for Wiener filtering and prediction. International Journal of Robust and Nonlinear Control, 2002, 12（1）:41-56 21 Raffaella D S, Alberto I. On the output regulation for linear systems in the presence of input saturation. IEEE Trans. Automatic Control, 2001, 46（1）:156-160 22 Yong Y C, Zongli L, Tingshu H. Stability analysis of linear time-delay systems subject to input saturation. IEEE Trans. Circuits and Systems I,2002, 49（2）:233-240 23 Liu D, Molchanov A. Criteria for robust absolute stability of time –varying nonlinear continuous-time systems. Automatica, 2002, 38（4）:627-637 24 Niculescu S-I, Verriest E I, Dugard L, Dion J-D. Stability and robust stability of time-delay systems: A guided tour. In: Stability and Control of Time-Delay Systems. Eds. London: Springer-Verlag, 1997, 228 25 Jia Xinchun, Zheng Nanning. Reliable grading robust stabilization for uncertain time-varying system Via dynamic compensater. Progress on Natural Science （Chinese）, 2002, 12（9）:60-67 26 Chang W, Jin B P, Young H J, Chen G. Design of robust fuzzy-model-based controller with sliding mode control for SISO nonlinear systems. Fuzzy Sets and Systems, 2002, 125（1）:1-22 27 Sampath V, Palanki S, Cockbum J C, Corriou J-P. Robust controller design for temperature tracking problems in jacketed batch reactors. Journal of Process Control, 2002, 12（1）:27-28 28 Uang H-J, Chen B-S. Robust adaptive optimal tracking design for uncertain missile systems: A fuzzy approach. Fuzzy Sets and Systems, 2002, 126（1）:63-87 29 Barambones O, Etxebarria V. Robust neural control for robotic manipulators. Automatica, 2002, 38（2）:235-242 30 Balemi S, Kozak P, Smedinga R. Discrete Event Systems: Modeling and Control. Boston: Birkh-auser, 1993 31 Witsenhausen H S. A class of hybrid-state continuous-time dynamic systems. IEEE Trans. Automatic Control, 1966, 11（6）:665-683 32 Golli A, Varaiya P. Hybrid dynamic systems. In: Proc. of the 28th IEEE Conference on Decision and Control, Tampa Florida, USA, 1989. 2708-2712 33 Moor t, Raisch J, O’Young S. Discrete supervisory control of hybrid systems based on 1-complete approximations. Discrete Event Dynamic Systems: Theory and Applications, 2002, 12（1）:83-107 34 Popvic D H, Hill D J, Wu Q. Optimal voltage security control of power systems. International Journal of Electrical power and Energy System, 2002, 24（4）:305-320 35 Egerstedt M, Hu X. A hybrid control approach to action coordination for mobile robots. Automatica, 2002, 38（1）:125-130 36 Oh S-K, Pedrycz W, Park B-J. Hybrid identification of fuzzy rule-based models. International Journal of Intelligent Systems, 2002, 17（1）:77-103 37 Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control. IEE PROC. Control Theory and Applications, 1991, 138（5）:431-438 38 李耀勇，鄭南寧。對處于混沌狀態的神經網絡的控制。計算機學報， 1998， 21（增刊）：142-146 39 Enns R, Si J. Apache helicopter stabilization using neural dynamic programming. Journal of Guidance, Control and Dynamics, 2002, 25（1）:19-25 40 Goulet J F, De Silva C W, Modi A K, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astromnautica, 2002, 50（3）:139-148 41 Venkat A N, Gudi R D. Fuzzy segregation-based identification and control of nonlinear dynamic systems. Industrial and Engineering Chemistry Research, 2002, 41（3）:538-552 42 Rojas I, Gonzalez J, Rojas F, Damas M, Fernandez F J, Pomares H. A two-stage approach to self-learning direct fuzzy controllers. International Journal of Approximate Reasoning, 2002, 29（3）:267-289 43 Yi J Q, Yubazaki N, Hirota K. A new fuzzy controller for stabilization of parallel-type double inverted pendulum system. Fuzzy Sets and Systems, 2002, 126（1）:105-119 44 Siettos C I, Bafas G I, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Sets and Systems, 2002, 126（1）:89-104 45 Kuo H C, Wu L J. Fuzzy control of a heat-bending system. Journal of Materials Processing Technology, 2002, 120（1-3）:186-201 46 Yin H, Wong S C, Xu J, Wong C K. Urban traffic flow prediction using a fuzzy-neural approach. Transportation Research Part C: Emerging Technologies, 2002, 10（2）:85-98 47 Huang S N, Tan K K, Lee T H. Adaptive motion control using neural network approximations. Automatica, 2002, 38（2）:227-233 48 Basterretxea K, Tarela J M, Del Campo I. Digital design of sigmoid approximator for artificial neural networks. Electronics Letters, 2002, 38（1）:35-37 49 Gao L, Lonev N W. New hybrid neural network model for prediction of phase equilibrium in a two-phase extraction system. Industrial and Engineering Chemistry Research, 2002, 41（1）:112-119 50 Khajavi M N, Menhaj M B, Suratgar A A. A neural network controller for load following operation of nuclear reactors. Annals of Nuclear Energy, 2002, 29（6）:751-760 51 Wai R-J, Chang J-M. Intelligent control of induction servo motor drive via wavelet neural network. Electric Power Systems Research, 2002, 61（1）:67-76 52 Jurado F, Ortega M, Cano A, Carpio J. Neuro-fuzzy controller for gas turbinein biomass-based electric power plant. Electric Power Systems Research, 2002, 60（3）:123-135 53 Goulet I F, De Silva C W, Modi V I, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astronautica, 2002, 50（3）:139-148 54 De Silva, C W, MacFarlane A G J. Knowledge-based control approach for robotic manipulators. International Journal of Control, 1998, 50（1）:249-273 55 Goulet J F. Intelligent hierarchical control of a deployable manipulator[M S Thesis]. Department of Mechanical Engineering, The University of British Columbia, Vancouver, Canada, 1999 56 李少遠，席裕庚，陳增強，袁著祉。智能控制的新進展。控制與決策，2000，15（1）：1-5 57 鄭南寧。認知過程的信息處理和新型人工智能系統。中國基礎科學，2000， 8：9-18 58 Karny M, Nagy I, Novovicova J. Mixed-data multi-modelling for fault detection and isolation. International Journal of Adaptive Control and Signal Processing, 2002, 16（1）:61-83 59 Guijarro B B, Alonso B A, Fontenla R O. Intelligent analysis and pattern recognition in cardiotocographic signals using a tight coupled hybrid system. Artificial Intelligence, 2002, 136（1）:1-27 60 Lau H C W, Ip R W L, Chan F T S. An intelligent information infrastructure to support knowledge discovery. Expert Systems with Applications, 2002, 22（1）:1-10 鄭南寧 教授，中國工程院院士。研究領域為智能信息處理、機器人視覺與模式識別等。 賈新春 教授，1988年獲中科院系統科學研究所碩士學位。研究領域為魯棒控制、智 能信息處理、廣義系統等。 袁澤劍 博士研究生。研究領域為智能信息處理、機器人視覺與模式識別等。