21世纪进入了智能时代，智能控制作为自动控制和人工智能、计算智能等交叉融合的前沿学科，被誉为继经典控制、现代控制之后的第三代控制理论，它在智能自动化领域占有极其重要的地位。
本书论述了智能控制的基本概念、原理、方法、技术及应用实例。全书共8章，内容包括：从传统控制到智能控制；基于模糊逻辑的智能控制；基于神经网络的智能控制；专家控制与仿人智能控制；递阶智能控制与学习控制；智能优化原理与算法；最优智能控制原理与设计；智能控制的工程应用实例。本书立意新颖，取材广泛，内容丰富，结构严谨，自成系统，特色鲜明；内容深入浅出，论述精辟，逻辑严密，辩证分析，启迪思维。
本书是全国工程专业学位研究生教育国家级规划教材，既可作为自动化、自动控制及相关工程专业研究生教材，也可供智能科学、人工智能、计算机应用、电子工程、信息工程、机电工程等专业高年级本科生和科技人员学习参考。
李士勇，哈尔滨工业大学二级教授、博士生导师，哈尔滨工业大学教学名师。黑龙江省优秀专家。国家模糊控制生产力促进中心专家组专家、JOURNAL OF MEASUREMENT SCIENCE AND INSTRUMENTATION编委。近四十年来一直从事自动控制、模糊数学、模糊控制、智能控制、智能优化、智能制导、复杂适应系统的理论及其在工业过程与国防高技术领域中应用方面的教学、科研和研究生指导工作。获2项国家级科研和教学成果奖、7项省部级奖。发表近200篇学术论文。作为第一作者出版15部教材和专著。在智能控制方面百万字的代表作《模糊控制·神经控制和智能控制论》荣获1999年“全国优秀科技图书奖”暨“科技进步奖（科技著作）”，已被6000余篇论文引用，曾跻身于十大领域中国科技论文引用频次最高的前50部专著与译著排行榜。美国IEEE FELLOW、田纳西大学J.C.HUNG（洪箴）教授曾指出：“李士勇教授在模糊控制、神经网（络）控制及智能控制方面有深入的理论研究和特殊的学术造诣及贡献。”在智能优化方面已出版的著作有《蚁群算法及其应用》《量子计算与量子优化算法》《智能优化算法原理与应用》《智能优化算法与涌现计算》。
第1章 从传统控制到智能控制
1.1 自动控制的基本问题
1.1.1 自动控制的概念
1.1.2 自动控制的目的及要求
1.1.3 自动控制中的矛盾问题
1.2 自动控制的基本原理
1.2.1 控制论的创立
1.2.2 反馈是自动控制的精髓
1.2.3 反馈在闭环控制中的作用
1.2.4 反馈控制的基本模式
1.3 控制理论发展的历程
1.3.1 经典控制理论
1.3.2 现代控制理论
1.3.3 智能控制理论
1.4 智能控制理论的基本内容
1.4.1 智能控制的基本概念
1.4.2 智能控制的多学科交叉结构
1.4.3 智能控制的基本原理
1.4.4 智能控制的基本功能
1.4.5 智能控制的基本要素
1.4.6 智能控制系统的结构
1.4.7 智能控制的类型
启迪思考题
第2章 基于模糊逻辑的智能控制
2.1 模糊控制概述
2.1.1 模糊控制的创立与发展
2.1.2 模糊控制器的分类
2.2 模糊逻辑基础
2.2.1 基于二值逻辑的经典集合
2.2.2 模糊集合与模糊概念
2.2.3 模糊集合及其运算
2.2.4 模糊矩阵与模糊向量
2.2.5 模糊关系
2.2.6 模糊逻辑推理
2.2.7 模糊系统的万能逼近特性
2.3 模糊控制的原理
2.3.1 模糊控制系统的组成
2.3.2 模糊控制的工作原理
2.3.3 模糊控制的鲁棒性和稳定性
2.4 经典模糊控制器的设计方法
2.4.1 模糊控制器的结构设计
2.4.2 模糊控制规则的设计
2.4.3 Mamdani模糊推理法
2.4.4 精确量的模糊化及量化因子
2.4.5 模糊量的清晰化及比例因子
2.4.6 查表式模糊控制器设计
2.4.7 解析式模糊规则自调整控制器
2.5 TS型模糊控制器设计
2.5.1 TS模糊模型
2.5.2 基于TS模型的模糊推理
2.5.3 TS型模糊控制系统设计
2.6 模糊PID控制
2.6.1 模糊PID复合控制
2.6.2 基于模糊推理优化参数的PID控制
2.7 自适应模糊控制
2.7.1 模糊系统辨识
2.7.2 自适应模糊控制的基本原理
2.7.3 模型参考自适应模糊控制
2.8 模糊控制的实现技术
2.8.1 模糊控制软件开发工具
2.8.2 模糊控制芯片
2.9 基于MATLAB的模糊控制系统设计
2.9.1 MATLAB模糊逻辑工具箱
2.9.2 基于MATLAB的模糊控制系统仿真
启迪思考题
第3章 基于神经网络的智能控制
3.1 神经网络系统基础
3.1.1 神经网络研究概述
3.1.2 神经细胞结构与功能
3.1.3 人工神经元模型
3.1.4 神经网络的特点
3.1.5 神经网络结构模型
3.1.6 神经网络训练与学习
3.1.7 神经网络的学习规则
3.2 控制和识别中的常用神经网络
3.2.1 感知器
3.2.2 前馈神经网络
3.2.3 径向基神经网络
3.2.4 反馈神经网络
3.2.5 小脑模型神经网络
3.2.6 大脑模型自组织神经网络
3.2.7 Boltzmann机
3.2.8 深度信念网络
3.2.9 卷积神经网络
3.2.10 循环神经网络
3.2.11 递归神经网络
3.3 基于神经网络的系统辨识
3.3.1 神经网络的逼近能力
3.3.2 神经网络系统辨识的原理
3.3.3 基于BP网络的非线性系统模型辨识
3.4 基于神经网络的智能控制
3.4.1 神经控制的基本原理
3.4.2 基于神经网络智能控制的类型
3.4.3 基于传统控制理论的神经控制
3.5 神经元PID控制
3.5.1 神经元PID控制
3.5.2 自适应神经元PID控制
3.6 神经自适应控制
3.6.1 模型参考神经自适应控制
3.6.2 神经自校正控制
3.7 基于MATLAB的神经控制系统设计
3.7.1 MATLAB神经网络工具箱
3.7.2 基于MATLAB的模型参考神经自适应控制系统仿真
启迪思考题
第4章 专家控制与仿人智能控制
4.1 专家系统的基本概念
4.1.1 专家与专家系统
4.1.2 专家系统的基本结构
4.2 专家控制系统的结构与原理
4.2.1 专家控制系统的特点
4.2.2 专家控制系统的结构
4.2.3 专家控制系统的原理
4.2.4 实时过程控制专家系统举例
4.3 专家控制器
4.3.1 专家控制器的结构
4.3.2 一种工业过程专家控制器设计
4.4 仿人智能控制原理与结构
4.4.1 从常规PID控制谈起
4.4.2 仿人智能控制的原理
4.4.3 系统动态行为识别的特征变量
4.4.4 仿人智能控制器的结构
4.5 仿人智能控制的多种模式
4.5.1 仿人智能积分控制
4.5.2 仿人智能采样控制
4.5.3 仿人极值采样智能控制
启迪思考题
第5章 递阶智能控制与学习控制
5.1 大系统控制的形式与结构
5.1.1 大系统控制的基本形式
5.1.2 大系统控制的递阶结构
5.2 分层递阶控制的基本原理
5.2.1 协调的基本概念
5.2.2 协调的基本原则
5.3 递阶智能控制的结构与原理
5.3.1 递阶智能控制的结构
5.3.2 递阶智能控制的原理
5.4 蒸汽锅炉的递阶模糊控制
5.4.1 模糊变量与规则间的数量关系
5.4.2 递阶模糊控制规则
5.4.3 蒸汽锅炉的两级递阶模糊控制系统
5.5 学习控制系统
5.5.1 学习控制的基本概念
5.5.2 迭代学习控制
5.5.3 重复学习控制
5.5.4 其他学习控制形式
5.6 基于规则的自学习控制系统
5.6.1 产生式自学习控制系统
5.6.2 基于规则的自学习模糊控制举例
启迪思考题
第6章 智能优化原理与算法
6.1 智能优化算法概述
6.1.1 从人工智能到计算智能
6.1.2 智能优化算法的产生、种类及特点
6.1.3 仿人智能优化算法
6.1.4 进化算法
6.1.5 群智能优化算法
6.1.6 仿自然优化算法
6.1.7 仿植物生长算法
6.2 智能优化算法的理论基础
6.2.1 系统科学
6.2.2 复杂适应系统理论
6.2.3 复杂适应系统的运行机制
6.2.4 复杂适应系统理论的特点
6.2.5 智能优化算法的原理
6.3 遗传算法
6.3.1 生物的进化与遗传
6.3.2 遗传算法的基本概念
6.3.3 遗传算法的基本操作
6.3.4 遗传算法实现步骤
6.3.5 遗传算法用于函数优化
6.3.6 遗传算法和模糊逻辑及神经网络的融合
6.4 RBF神经网络优化算法
6.4.1 RBF神经网络
6.4.2 RBF网络学习算法
6.4.3 RBF神经网络在控制中的应用
6.5 粒子群优化算法
6.5.1 粒子群优化的基本思想
6.5.2 粒子群优化算法原理
6.5.3 PSO算法步骤
6.5.4 PSO算法的改进及应用
6.6 免疫优化算法
6.6.1 免疫学的基本概念
6.6.2 免疫系统的组织结构
6.6.3 免疫机制与克隆选择理论
6.6.4 人工免疫模型与免疫算法
6.6.5 免疫应答中的学习与优化
6.6.6 免疫克隆选择算法
6.6.7 免疫优化算法的应用
6.7 教学优化算法
6.7.1 教学优化算法的原理
6.7.2 教学优化算法的数学描述
6.7.3 教学优化算法的实现步骤
6.8 正弦余弦算法
6.8.1 正弦余弦算法的原理
6.8.2 正弦余弦算法的数学描述
6.8.3 正弦余弦算法的实现步骤
6.9 涡流搜索算法
6.9.1 涡流搜索算法的原理
6.9.2 涡流搜索算法的数学描述
6.9.3 涡流搜索算法的实现流程
6.10 阴阳对优化算法
6.10.1 阴阳对优化的哲学原理
6.10.2 阴阳对优化算法的描述
6.10.3 阴阳对优化算法实现步骤
启迪思考题
第7章 最优智能控制原理与设计
7.1 最优智能控制的原理与结构
7.1.1 最优智能控制的原理
7.1.2 最优智能控制的结构
7.2 最优智能控制中的快速智能优化算法
7.3 基于粒子群算法的模糊控制器优化设计
7.3.1 PSO算法
7.3.2 模糊控制器的设计原理
7.3.3 PSO优化的模糊控制器在主汽温控制中的应用
7.4 基于RBF神经网络优化PID控制参数
7.4.1 RBF神经网络对被控对象的辨识
7.4.2 RBF网络优化PID控制参数的算法实现
7.5 基于免疫克隆优化的模糊神经控制器
7.5.1 免疫克隆选择算法的优化机理
7.5.2 改进的免疫克隆选择算法
7.5.3 基于免疫克隆选择算法的模糊神经控制器优化设计
7.5.4 仿真结果及结论
启迪思考题
第8章 智能控制的工程应用实例
8.1 基于神经网络推理的加热炉温度模糊控制
8.1.1 基于神经网络推理的模糊控制
8.1.2 模糊控制器的神经网络实现
8.1.3 现场运行效果
8.2 神经网络在车底炉燃烧控制中的应用
8.2.1 燃烧控制系统的设计
8.2.2 神经网络模型的建立
8.2.3 神经网络的训练过程
8.2.4 神经网络在车底炉燃烧控制中的应用实例
8.3 专家控制在静电除尘器电源控制系统中的应用
8.3.1 高压直流静电除尘电源控制系统
8.3.2 专家控制系统控制器设计
8.3.3 控制结果及其分析
8.4 学习控制在数控凸轮轴磨床上的应用
8.4.1 FANUC数控系统学习控制功能
8.4.2 学习控制的实现
8.4.3 学习控制效果
8.5 仿人智能温度控制器在加热炉中的应用
8.5.1 仿人智能控温系统的组成
8.5.2 仿人智能温度控制算法
8.5.3 实际应用结果及性能对比
8.6 深度神经网络及强化学习在计算机围棋AlphaGo Zero中的应用
8.6.1 AlphaGo Zero的深度神经网络结构
8.6.2 异步优势强化算法A3C
8.6.3 AlphaGo Zero的蒙特卡罗树搜索
8.6.4 AlphaGo Zero的训练流程
8.6.5 AlphaGo Zero 的启示
启迪思考题
参考文献
[
我的消息
购物车