本书较全面地介绍智能控制的基本理论、方法和应用。全书共12章,主要内容为:专家控制的基本原理和应用;模糊控制的基本原理和应用;神经网络控制的基本原理和应用;智能算法及其应用;迭代学习控制原理及应用。本书系统性强,突出理论联系实际,叙述深入浅出,适合初学者学习。书中给出了一些智能算法的Matlab仿真程序,并配有一定数量的思考题与习题。 本书可作为高等院校自动化、计算机应用、电子工程等专业研究生和高年级本科生的教材,也可供自动化领域的工程技术人员阅读和参考。

第1章 绪论 1.1 智能控制的发展过程 1.2 智能控制的重要分支 1.3 智能控制的特点、研究工具及应用 思考题与习题1 第2章 专家系统与专家控制 2.1 专家系统 2.1.1 专家系统概述 2.1.2 专家系统的构成 2.1.3 专家系统的建立 2.2 专家控制 2.2.1 专家控制概述 2.2.2 专家控制的基本原理 2.2.3 专家控制的关键技术及特点 2.3 专家PID控制 2.3.1 专家PID控制原理 2.3.2 仿真实例 思考题与习题2 本章附录(程序代码) 第3章 模糊控制的理论基础 3.1 概述 3.2 模糊集合 3.2.1 模糊集合的概念 3.2.2 模糊集合的运算 3.3 隶属函数 3.4 模糊关系及其运算 3.4.1 模糊矩阵 3.4.2 模糊矩阵的运算与模糊关系 3.4.3 模糊关系的合成 3.5 模糊推理 3.5.1 模糊语句 3.5.2 模糊推理方法 3.5.3 模糊关系方程 思考题与习题3 本章附录(程序代码) 第4章 模糊控制 4.1 模糊控制的基本原理 4.1.1 模糊控制原理 4.1.2 模糊控制器的组成 4.1.3 模糊控制系统的工作原理 4.1.4 模糊控制器的结构 4.2 模糊控制系统分类 4.3 模糊控制器的设计 4.3.1 模糊控制器的设计步骤 4.3.2 模糊控制器的Matlab仿真 4.4 模糊控制应用实例——洗衣机的模糊控制 4.5 模糊自适应PID控制 4.5.1 模糊自适应PID控制原理 4.5.2 仿真实例 4.6 T-S模糊模型 4.7 基于LMI的非线性系统T-S模糊控制 4.7.1 T-S模糊控制器的设计 4.7.2 倒立摆系统的T-S模糊模型 4.7.3 基于LMI的单级倒立摆T-S模糊控制器设计 4.7.4 不等式的转换 4.7.5 LMI设计实例 4.7.6 基于LMI的倒立摆T-S模糊控制 4.8 模糊控制的应用 4.9 模糊控制发展概况 4.9.1 模糊控制发展的转折点 4.9.2 模糊控制的发展方向 4.9.3 模糊控制面临的主要任务 思考题与习题4 本章附录(程序代码) 第5章 自适应模糊控制 5.1 模糊逼近 5.1.1 模糊系统的设计 5.1.2 模糊系统的逼近精度 5.1.3 仿真实例 5.2 简单的自适应模糊控制 5.2.1 问题描述 5.2.2 模糊逼近原理 5.2.3 控制算法设计与分析 5.2.4 仿真实例 5.3 间接自适应模糊控制 5.3.1 问题描述 5.3.2 控制器的设计 5.3.3 仿真实例 5.4 直接自适应模糊控制 5.4.1 问题描述 5.4.2 控制器的设计 5.4.3 自适应律的设计 5.4.4 仿真实例 5.5 机器人关节数学模型 5.6 基于模糊补偿的机械手自适应模糊控制 5.6.1 系统描述 5.6.2 基于模糊补偿的控制 5.6.3 基于摩擦补偿的控制 5.6.4 仿真实例 思考题与习题5 本章附录(程序代码) 第6章 神经网络的理论基础 6.1 神经网络发展简史 6.2 神经网络原理 6.3 神经网络的分类 6.4 神经网络学习算法 6.4.1 Hebb学习规则 6.4.2 Delta(δ)学习规则 6.5 神经网络的特征及要素 6.6 神经网络控制的研究领域 思考题与习题6 第7章 典型神经网络 7.1 单神经元网络 7.2 BP网络 7.2.1 BP网络特点 7.2.2 BP网络结构 7.2.3 BP网络逼近 7.2.4 BP网络的优缺点 7.2.5 BP网络逼近仿真实例 7.2.6 BP网络模式识别 7.2.7 BP网络模式识别仿真实例 7.3 RBF网络 7.3.1 RBF网络结构与算法 7.3.2 RBF网络设计实例 7.3.3 RBF网络的逼近 7.3.4 高斯基函数的参数对RBF网络逼近的影响 7.3.5 隐含层节点数对RBF网络逼近的影响 7.3.6 控制系统设计中RBF网络的逼近 思考题与习题7 本章附录(程序代码) 第8章 **神经网络 8.1 模糊神经网络 8.1.1 模糊RBF网络结构 8.1.2 基于模糊RBF网络的逼近算法及仿真实例 8.1.3 模糊RBF网络的离线建模及仿真实例 8.2 CMAC网络 8.2.1 CMAC网络概述 8.2.2 一种典型的CMAC网络算法 8.2.3 仿真实例 8.3 Hopfield网络 8.3.1 Hopfield网络原理 8.3.2 基于Hopfield网络的路径优化 思考题与习题8 本章附录(程序代码) 第9章 神经网络控制 9.1 概述 9.2 神经网络控制的结构 9.2.1 神经网络监督控制 9.2.2 神经网络直接逆控制 9.2.3 神经网络自适应控制 9.2.4 神经网络内模控制 9.2.5 神经网络预测控制 9.2.6 神经网络自适应评判控制 9.2.7 神经网络混合控制 9.3 单神经元自适应控制 9.3.1 单神经元自适应控制算法 9.3.2 仿真实例 9.4 RBF网络监督控制 9.4.1 RBF网络监督控制算法 9.4.2 仿真实例 9.5 RBF网络自校正控制 9.5.1 神经网络自校正控制原理 9.5.2 自校正控制算法 9.5.3 RBF网络自校正控制算法 9.5.4 仿真实例 9.6 基于RBF网络的直接模型参考自适应控制 9.6.1 基于RBF网络的控制器设计 9.6.2 仿真实例 9.7 一种简单的RBF网络自适应控制 9.7.1 问题描述 9.7.2 RBF网络自适应控制原理 9.7.3 控制算法设计与分析 9.7.4 仿真实例 9.8 基于模型不确定逼近的机器人RBF网络自适应控制 9.8.1 问题的提出 9.8.2 模型不确定项的RBF网络逼近 9.8.3 控制器的设计及分析 9.8.4 仿真实例 9.9 基于模型整体逼近的机器人RBF网络自适应控制 9.9.1 问题的提出 9.9.2 针对f(x)进行逼近的控制 9.9.3 仿真实例 9.10 神经网络数字控制 9.10.1 基本原理 9.10.2 仿真实例 9.11 离散系统的RBF网络控制 9.11.1 系统描述 9.11.2 经典控制器设计 9.11.3 自适应神经网络控制器设计 9.11.4 稳定性分析 9.11.5 仿真实例 思考题与习题9 本章附录(程序代码) 第10章 智能算法 10.1 遗传算法的基本原理 10.1.1 遗传算法的设计思想 10.1.2 遗传算法的特点 10.1.3 遗传算法的发展 10.1.4 遗传算法的应用 10.2 遗传算法的设计与应用 10.2.1 遗传算法的构成要素 10.2.2 遗传算法的应用步骤 10.2.3 遗传算法求函数极大值 10.3 粒子群算法 10.3.1 标准粒子群算法 10.3.2 粒子群算法的参数设置 10.3.3 粒子群算法的基本流程 10.4 粒子群算法的函数优化与参数辨识 10.4.1 基于粒子群算法的函数优化 10.4.2 基于粒子群算法的参数辨识 10.5 差分进化算法 10.5.1 标准差分进化算法 10.5.2 差分进化算法的基本流程 10.5.3 差分进化算法的参数设置 10.6 差分进化算法的函数优化与参数辨识 10.6.1 基于差分进化算法的函数优化 10.6.2 基于差分进化算法的参数辨识 思考题与习题10 本章附录(程序代码) 第11章 智能算法的应用 11.1 TSP问题优化及关键问题 11.2 蚁群算法 11.2.1 蚁群算法的基本原理 11.2.2 基于TSP问题优化的蚁群算法 11.2.3 仿真实例 11.3 基于粒子群算法的TSP问题优化 11.3.1 TSP问题优化的粒子群算法 11.3.2 仿真实例 11.4 基于差分进化算法的TSP问题优化 11.4.1 TSP问题优化的差分进化算法 11.4.2 仿真实例 11.5 基于粒子群算法的航班降落调度 11.5.1 问题描述 11.5.2 优化问题的设计 11.5.3 仿真实例 11.6 基于差分进化算法的企业生产调度 11.6.1 问题描述 11.6.2 优化问题的设计 11.6.3 仿真实例 思考题与习题11 本章附录(程序代码) 第12章 迭代学习控制 12.1 基本原理 12.2 基本迭代学习控制算法 12.3 迭代学习控制的关键技术 12.4 机械手轨迹跟踪迭代学习控制仿真实例 12.4.1 控制器设计 12.4.2 仿真实例 12.5 线性时变