含不确定复杂系统的建模与控制。由于神经网络本身的结构特点，在神经网络控制中，可以使模型与控制的概念合二为一。

神经网络在控制系统中往往应用于以下几方面：

（1）用于建立被控对象模型，结合其他控制器对系统进行控制。

（2）直接作为控制器替代其他控制器，实现系统控制。

（3）在传统控制系统中起优化计算作用。

（4）与其他智能控制算法相结合，实现参数优化、模型推理及故障诊断等功能。

神经网络控制器一般分为两类：一类是直接神经网络控制器，它以神经网络为基础形成独立的智能控制系统；另一类称为混合神经网络控制器，它利用神经网络的学习和优化能力来改善其它控制方法的控制性能。

4）学习控制

学习控制是智能控制的重要分支，旨在通过模拟人类自身优良调节机制实现优化控制。学习控制可以在运行过程中逐步获得系统非预知信息，积累控制经验，并通过一定评价指标来不断改善控制效果的自动控制方法。学习控制算法有很多，如基于神经网络的学习控制、重复学习控制、迭代学习控制、强化学习控制等。

5）智能算法

智能算法是人们受自然界和生物界规律的启发，模仿其原理进行问题求解的算法，包含了自然界生物群体所具有的自组织、自学习和自适应等特性。在用智能算法进行问题求解过程中，采用适者生存、优胜劣汰的方式使现有解集不断进化，从而获得更优的解集，具有智能性。1962年美国Holland教授模拟自然界遗传机制提出了一种并行随机搜索算法，即遗传算法（genetic algorithm，GA），获得成功。经过多年发展，大量优秀的智能算法被广泛应用于各个领域。一些经典智能算法包括差分进化算法（differential evolution，DE）、粒子群优化算法（particle swarm optimization，PSO）、模拟退火算法（simulate anneal，SA）等。

以遗传算法为例，智能算法的应用基本流程如下：

（1）依据问题模型，确定个体的编码和解码方式，建立适应度函数。遗传算法一般采用二进制编码。

（2）初始化。设置种群规模、终止条件和搜索空间等条件，为种群个体赋值。一般情况下，为种群个体进行随机赋值。

（3）个体评价。基于适应度函数计算个体的适应度数值。适应度函数用来评价个体的好坏。

（4）选择。依据适应度大小，选择父辈群体执行遗传操作，适应度越高越容易被选择。

（5）交叉。从父辈群体中随机选取两个个体进行交叉运算，交换基因信息。

（6）变异。为防止群体趋向单一化，导致收敛过快，可以依据概率将个体中某一位基因进行变异运算，获得新种群。

（7）根据终止条件（如迭代次数）判断是否结束，若没有满足终止条件则返回第（3）步。

「4. 智能控制在智能制造中的应用」

智能制造要求能对制造系统的运行过程进行合理控制，实现提升产品质量、提高生产效率和降低能耗的目标。因此，高水平的控制技术对实现智能制造至关重要。国际上制造业发达国家越来越重视制造系统控制及相关技术的发展，我国虽然起步较晚、基础较弱，但经过近几年的持续攻关与发达国家的差距正在逐渐缩小。目前，国内制造系统控制技术与国外相比仍存在以下几方面差距。

（1）缺乏具有自主知识产权的核心基础零部件研发能力。例如，制造系统核心硬件（如控制器）和软件依赖进口，受制于人；网络化接口技术和标准化不足，导致各种控制单元无法实时进行通信，形成信息化孤岛。

（2）制造系统智能化、数字化、网络化水平较低。以数字化车间、智能工厂、网络协同制造为代表的传统制造业转型升级在全球范围内兴起，国内尚处于跟进与探索阶段。

针对上述问题，国家制造业中长期发展战略规划《中国制造 2025》中强调开展新一代信息技术与制造装备融合的集成创新和工程应用，实现生产过程智能优化控制。智能控制技术的应用，对于提高制造系统的智能化水平以满足智能制造需求具有重要意义。实际上，智能控制技术已经被应用于我国制造业各个领域，取得了显著成果。以下是几个典型的应用方向。

1)智能控制在工业自动化过程控制中的应用

近年来，自动化生产对安全要求越来越高，智能控制的应用可以对生产过程进行检测，发生问题自动报警，且能依据历史信息准确分析问题产生的原因。这样，一方面提高了生产工艺，另一方面也确保了生产人员的安全性。智能控制技术在过程控制中具体应用在以下几个方面：

（1）生产过程信息的获取。传统生产过程信息化程度不高，采用智能控制技术自动获取生产过程的信息并进行分析，可以有效提高信息化程度，基于数据对系统进行自动调整，从而提高生产效率，降低成本。

（2）系统建模和监控。依据采集的数据，利用智能控制技术对生产系统的运行状态进行监控，当出现严重故障时，可以立即停止作业，保护产线和人员的安全。

（3）动态控制。智能控制相较传统控制方法体现出更优异的控制水平。近年来，工业生产中的动态控制不仅包含工艺加工，更是参与了对生产过程的管控。智能控制的应用，为高效动态控制提供了条件，从而实现对工艺生产过程的精确控制。

例如，结合模糊控制和PID控制对石油化工某反应单元的温度进行智能控制，控制对象如图4所示。需要通过控制蒸汽流量，实现对反应器温度的精准控制。传统控制方案采用温度-流量串级控制，然而，由于串级控制存在强耦合，且温度测量和汽包的惯性带来滞后，导致控制效果不理想。因此，可以基于工程师手动控制经验总结出一般控制规则，从而建立模糊规则实现对PID控制器参数的自整定，不仅简化操作流程，也减小了控制上的延迟，提高了温度控制精度。