接著我們這個單元要介紹計算智慧
在這個單元裡面我們會介紹
計算智慧的發展歷史以及它的種類
我們會介紹人工智慧裡面硬計算軟計算的差別
以及深度學習 機器學習的差別
另外我們也會分析
為什麼我們需要用人工智慧的方法
來設計自動控制系統
傳統控制有什麼樣的缺點
也是我們在這個單元裡面會為大家所介紹的
首先介紹傳統控制的特性
第一數學模型是傳統控制系統
進行分析和設計所必須的
例如經典控制系統是利用轉移函數
而現代控制系統則是利用狀態空間模型來設計
第二點發展解析控制策略以滿足控制規範
例如上升時間 最大超越量 安定時間和穩態誤差等等
而傳統控制的缺點如下
第一需要知道數學模型的全部知識
而且控制器設計僅仰賴此模型
第二多目標最佳化不容易實現
第三控制律的設計缺乏專家經驗
定性的資訊以及啟發法常識等等
所謂的啟發法指的是依照不完整的資訊
但是在短時間之內找到問題解決方案的方法
基於AI控制的原因有以下三點
第一人們可以通過使用不完整 不準確和模糊的信息
來進行很好的控制
第二人們可以從專業知識 反覆試驗
和其他人的經驗中學習和推理
第三基於人工智慧的控制可以模仿人類的思維
利用把不完整的信息與專業知識結合
來實現最佳的響應
接著我們來介紹人工智慧的大事紀
首先在1950年代圖靈發表了所謂圖靈測試
也就是說如果機器可以與人交談
並且無法識別為機器則這個機器就被認為是智慧的
而在1956年代在達特茅斯會議
首次提出了人工智慧的這個名詞
而在1970年代出了所謂專家系統
專家系統分為兩個子系統
推理引擎和知識庫
接著在1990年代IEEE類神經網絡委員會
提出了計算智慧的概念
而2015年的時候Amazon亞馬遜
推出了自己的機器學習平台
在2016年的時候Google使用了深度學習技術
提出了AlphaGo程式在圍棋比賽中擊敗了職業棋士
接著我們來介紹在智慧控制中常見的術語
首先所謂系統中的智慧
指的是其學習 推理 適應和解決問題的能力
而人工智慧AI是機器展示的智慧
通常在電腦系統中利用程式來實現
接著我們來介紹所謂的硬計算
硬計算就是傳統計算的方法
它是基於實體二進制邏輯
而且需要精確的分析模型的一種演算法
而所謂的軟計算我們有時候我們稱之為計算智慧
它是可以容忍不精確 不確定
部分真實和近似的一種演算法
更進一步的說計算智慧是一組自然啟發的計算方法
與傳統AI也就是用符號的方式來計算的AI形成對比
包括模糊邏輯理論 類神經網路以及進化式演算法
例如基因演算法和粒子群最佳化等
我們這學期會著重在利用模糊邏輯
類神經網路和演化式計算來設計自動控制系統
機器學習是一種演算法
它使機器能夠改進具有大數據的工作
包含了監督學習 無監督學習和強化學習這三種
而深度學習是機器學習研究的一個新領域
它應用了多層類神經網路來執行語音還有影像的識別
人工智慧的領域
人工智慧包含了計算智慧與機器學習兩大領域
計算智慧又稱為軟計算
例如模糊邏輯 進化演算法以及類神經網路等
而機器學習包含了決策樹的演算法
支援向量機的演算法以及類神經網路等
而深度學習是兩者的交集
比方說最有名的CNN也就是迴旋類神經網路
就是深度學習的代表
智慧型控制的優點有以下五點
首先第一我們不需要有受控體的數學模型
系統行為可以由一組規則 知識庫或者是
輸入輸出的數據也就是隱式模型來描述
第二控制策略可以利用不完整的信息
與專家知識及經驗相結合來設計
第三多目標最佳化可應用學習和進化的方法加以實現
第四智慧型控制適用於大規模和複雜的系統
因為這種系統它的數學建模並不容易
第五智慧型控制系統它具有強健性
可以抵抗系統模型不確定性以及外部訊號的干擾
接著我們在這個單元做個總結
首先我們會了解了傳統控制它有哪些特性以及缺點
基本上傳統控制最大的缺點就是它需要一個數學模型
這個數學模型是由拉式轉換
或者是狀態空間方程式所獲得的
問題是我們都知道實際的工程問題它是非線性的
因此我們用數學模型來解決工程問題是不務實的
另外我們也解釋了為什麼我們需要用
人工智慧的方法來設計控制系統
因為我們都知道科技始終來自於人性
利用人工智慧的方式
我們可以讓機器可以像人類一樣
具有思考跟學習的能力
也使得我們的控制系統能夠像人類一樣
具有智慧的能力
另外我們也介紹了人工智慧發展的歷史
尤其是深度學習它的基礎
是來自於所謂的迴旋類神經網路
以及有關於智慧型控制的一些術語
最後我們介紹了智慧型控制它的優點
智慧型控制最大的優勢就是
第一個它不需要建立所謂的數學模型
第二個它可以解決多目標最佳化的問題
第三個因為它是模仿人類思考學習的方式
使得我們的自動控制系統
具有像人類一樣的智慧能力
