第6期 刘经纬，等：规则推理与神经计算智能控制系统改进及比较 ·831· 明：AI-CC智能控制方法随着人工智能程度的提 是在性能方面会有所损失，与不具备智能功能的经 升，在控制参数的智能能力方面具有一些优势，但 典控制相比，个别性能会略有下降。 表6多种AI-CC智能控制系统仿真结果对比 Table 6 Comparison of different intelligent control systems 方法 tr平均值 ts平均值 st-er平均值 tr最小值 ts最小值 st-err最小值 E-PID 94 326 0.008839 g 326 0.008839 EA-PID 94 293 0.000977 94 293 0.000977 专家规则-PD平均值 107 400 0.004406 107 400 0.004406 专家规则-PD最小值 94 293 0.000977 94 293 0.000977 专家规则-PD最大值 158 519 0.008839 158 519 0.008839 F-PID 158 519 0.006044 158 519 0.006044 FA-PID 102 469 0.004536 102 469 0.004536 模糊规则-PID平均值 121 490 0.005050 121 490 0.005050 模糊规则-PID最小值 102 469 0.004536 102 469 0.004536 模糊规则PD最大值 158 519 0.006044 158 519 0.006044 BPNN-PID 192 804 0.008034 146 602 0.006708 RBFNN-PID 134 387 0.004160 97 222 0.001666 AWNN-PID 155 826 0.016076 106 468 0.007410 神经网络-PID平均值 160 681 0.010621 113 438 0.005611 神经网络-PD最小值 134 387 0.004160 97 222 0.001666 神经网络-PID最大值 192 826 0.016076 146 602 0.007410 表7多种AI-CC智能控制系统的对比结果综合 Table 7 Comparison results between different intelligent control systems 对比项 专家规则-PID 模糊规则-PID 神经网络-PID 配置工作内容 调试专家规则表 调试隶属度函数 无 规则配置工作量 较繁琐 最繁琐 最简单 结果对配置工作的依赖度 最高 较高 无 智能化程度 最低 适中 最高 快速性（红，ts平均值） 最快(107,400) 适中(121,490) 最慢(160,681) 稳态误差(st-err平均值) 最小(0.004406) 适中(0.005050) 最大(0.010621) 研究表明：控制系统的智能化程度的提升会牺 EA-PID、FA-PID、AWNN-PID三项改进分别在系统 牲系统所能达到的最高性能指标；系统通过精确设 的动态性能和稳态性能方面较之已有的方法有所 置，使得某项控制指标达到了极高，同时会使得系 提升。 统丧失自适应能力与智能能力。 从提出的算法稳定性和工程应用可靠性理论分 5结论 析的角度看，本研究从理论上分析了上述系统的稳 定性，给出了对E-PID、EA-PID、F-PID、FA-PID 从智能控制系统的可行性角度看，基于推理规 BPNN-PID、RBFNN-PID、AWNN-PID多种方法保 则与神经计算的人工智能方法及经典控制系统相结 证稳定性的保证算法，使得各算法具有工程应用的 合构建的AI-CC智能控制系统具有可行性。此类 可靠性保障。 方法基于经典控制，是对经典控制的升级改造，因 本研究通过对比研究的方法，将多种AI-CC人 此具有坚实的理论基础和广泛的实际应用空间。 工智能方法构建的智能控制系统进行全面对比研 从提出的算法改进的效果看，本研究提出的 究，发现了智能系统的智能化程度与性能之间此消明：AI-CC 智能控制方法随着人工智能程度的提 升，在控制参数的智能能力方面具有一些优势，但 是在性能方面会有所损失，与不具备智能功能的经 典控制相比，个别性能会略有下降。 研究表明：控制系统的智能化程度的提升会牺 牲系统所能达到的最高性能指标；系统通过精确设 置，使得某项控制指标达到了极高，同时会使得系 统丧失自适应能力与智能能力。 5 结论 从智能控制系统的可行性角度看，基于推理规 则与神经计算的人工智能方法及经典控制系统相结 合构建的 AI-CC 智能控制系统具有可行性。此类 方法基于经典控制，是对经典控制的升级改造，因 此具有坚实的理论基础和广泛的实际应用空间。 从提出的算法改进的效果看，本研究提出的 EA-PID、FA-PID、AWNN-PID 三项改进分别在系统 的动态性能和稳态性能方面较之已有的方法有所 提升。 从提出的算法稳定性和工程应用可靠性理论分 析的角度看，本研究从理论上分析了上述系统的稳 定性，给出了对 E-PID、EA-PID、F-PID、FA-PID、 BPNN-PID、RBFNN-PID、AWNN-PID 多种方法保 证稳定性的保证算法，使得各算法具有工程应用的 可靠性保障。 本研究通过对比研究的方法，将多种 AI-CC 人 工智能方法构建的智能控制系统进行全面对比研 究，发现了智能系统的智能化程度与性能之间此消 表 6 多种 AI-CC 智能控制系统仿真结果对比 Table 6 Comparison of different intelligent control systems 方法 tr平均值 ts平均值 st-err平均值 tr最小值 ts最小值 st-err最小值 E-PID 94 326 0.008 839 94 326 0.008 839 EA-PID 94 293 0.000 977 94 293 0.000 977 专家规则-PID平均值 107 400 0.004 406 107 400 0.004 406 专家规则-PID最小值 94 293 0.000 977 94 293 0.000 977 专家规则-PID最大值 158 519 0.008 839 158 519 0.008 839 F-PID 158 519 0.006 044 158 519 0.006 044 FA-PID 102 469 0.004 536 102 469 0.004 536 模糊规则-PID平均值 121 490 0.005 050 121 490 0.005 050 模糊规则-PID最小值 102 469 0.004 536 102 469 0.004 536 模糊规则-PID最大值 158 519 0.006 044 158 519 0.006 044 BPNN-PID 192 804 0.008 034 146 602 0.006 708 RBFNN-PID 134 387 0.004 160 97 222 0.001 666 AWNN-PID 155 826 0.016 076 106 468 0.007 410 神经网络-PID平均值 160 681 0.010 621 113 438 0.005 611 神经网络-PID最小值 134 387 0.004 160 97 222 0.001 666 神经网络-PID最大值 192 826 0.016 076 146 602 0.007 410 表 7 多种 AI-CC 智能控制系统的对比结果综合 Table 7 Comparison results between different intelligent control systems 对比项 专家规则-PID 模糊规则-PID 神经网络-PID 配置工作内容 调试专家规则表 调试隶属度函数 无 规则配置工作量 较繁琐 最繁琐 最简单 结果对配置工作的依赖度 最高 较高 无 智能化程度 最低 适中 最高 快速性(tr, ts平均值) 最快(107, 400) 适中(121, 490) 最慢(160, 681) 稳态误差(st-err平均值) 最小(0.004 406) 适中(0.005 050) 最大(0.010 621) 第 6 期 刘经纬，等：规则推理与神经计算智能控制系统改进及比较 ·831·