人工智能時代下關于智能控制的幾個問題

智能控制的內涵

智與能這兩個詞在中國早就出現，但智能這個詞只是近30年才有的。按字面解釋，智指巧用，而能則指能耐，泛指功能、技能與能力。

西方“智能”常用intelligence，按Websters字典的解釋為“The abilityfor perceive logical relationships and useone's knowledge to solve problems andrespond appropriatelyto novel situation（感知邏輯關系，利用自己的知識解決問題并適應新情況的能力，編者譯）”，而針對計算機的解釋為\"Capabilityof performing some functions usuallyassociated with human reasoning etc（通常能夠執行與人類推理等相關聯的一些功能，編者譯）”

因而intelligence的理解更接近屬于人的思維的一部分。但當intelligent在形容算法（algorithm）時實際上已包括了人類受自然界演化的啟發而建立起來的行之有效的算法。而人們在討論一些智能材料時有時并不用intelligence而采用smart，這表明目前在什么叫智能上無論是國內或國外并未達成通用的唯一的解釋，而處于多義多釋的情況，這可能是一切新學科出現的共性。

就控制而言，我們宜于將智能的理解更廣一些，這是基于從信息科學的層次。控制器的設計本身是控制算法的設計，因而智能控制的核心自然是指具有智能特征的控制算法，而算法自然應包括仿人思維的和自然界演化的。人工智能在英文中常用artificial intelligence.就是指用人造的辦法實現的智能，在今天它主要體現在用計算機來實現這一點上。因此智能控制其核心當是以人工智能的方法來實現的控制算法。

控制科學與技術是針對自動控制系統研究、設計、實驗、運行中形成的科學與技術，是自動化科學與技術的一個重要部分。隨著科學的發展和技術的進步，系統的復雜程度越來越高，工作要求也日益多樣化、綜合化與精確化，這樣越來越多的先進的技術特別是信息技術應用于控制系統，這使得控制系統在很多情況下不再是原有的結構相對簡單、控制目標單一的以反饋為主要特征的單回路控制系統，原有的控制理論、方法在新的形勢下不能適應要求，這為人工智能的方法與技術更多地融入到控制系統中來并發揮日益重要的作用創造了條件和提供了機遇。

如果說1936年圖靈（Turing）建立自動機理論和隨后在1 950年發表論文Cornputing machinery and intelligence時，人們還認為這是一種科學理想，并不能看清其實現的途徑和發展的規模。在經歷了半個多世紀的發展后，這種人工智能的思想已經發展成為信息領域的一個充滿生機、日新月異的領域。人們預測人工智能已經與納米技術和基因技術并列為本世紀最具影響的三大尖端技術是很有道理的。

科學的成就首先是具體的，在發展到一定階段后才可能形成新的理論框架。位于美國的Santa Fe Institute從事的復雜性研究首先揭示了一系列實際存在的復雜性現象，并從這些現象的研究中提煉出一系列不同于常規的新型的有時很有效的算法，開創了智能算法的一片天地，使很多過去看來十分困難的計算成為了可能，顯示出一種獨特的優越性。

在我國，由于信息科學技術總體上與世界先進國家差距不算太大，經過這幾年的發展，在一些領域已經處于領先地位。作為信息科學一個新的重要領域，人工智能的發展自然被上升到國家發展戰略高度進行考慮。

2014年6月9日，習近平總書記在兩院院士大會上指出：“由于大數據、云計算、移動互聯網等新一代信息技術同機器人技術相互融合步伐加快，3D打印、人工智能迅速發展，制造機器人的軟硬件技術日趨成熟，成本不斷降低，性能不斷提升。軍用無人機、自動駕駛汽車、家政服務機器人已經成為現實，有的人工智能機器人已具有相當程度的自主思維和學習能力。我們要審時度勢，全盤考慮，抓緊謀劃，扎實推進。”

2015年第十二屆人大三次會上，李克強總理在政府工作報告上講：“人工智能技術將為基于互聯網和移動互聯網等領域的創新應用提供核心基礎，未來人工智能技術將進一步推動關聯技術和新興科技、新興產業的深度融合，推動新一輪的信息技術革命，勢必成為我國經濟結構轉型升級的新支點。”一方面是國家對人工智能的關心與重視，另一方面是控制科學發展面臨的巨大挑戰，這兩者的碰撞意味著發展智能控制的大好時機的到來，我們應緊緊抓住這個機遇，迎頭創新，使我們能在新的一代控制科學發展上占據制高點，從而在一些原始創新上取得決定性的進展。

人工智能是一個很大的領域

人工智能在今天已經發展成一個很大的領域，這個領域的幾乎所有分支都與自動化有著千絲萬縷的聯系。這種聯系既有為自動化服務的智能元件與技術，也有與自動化技術結合在一起形成的系統。

人工智能從功能上分大致可以有：

感知類。視覺、語音識別等。

信息提取、理解與鑒別。指紋、人臉識別，虹膜、掌紋識別，搜索功能，語言圖像等的理解，模式識別等。

推理決策及其實現。機器證明，自動程序設計，智能控制，自動組織、管理、規劃與決策等。

與自動化結合的系統形成了一系列新的應用領域。例如操作機械手、服務型機器人、智能安檢系統等。

從廣義上理解今日的控制，已經是一個復雜、多結構、多尺度、多模式混合的系統，而控制的要求已不再單一，目標多樣且可能互相制約，這預示控制系統的新模式將呈現出將決策、管理、通信與控制一體化的趨勢，因而智能與控制的結合就有著一種廣義的理解。如果控制只是原有動態過程的控制，這樣智能控制就具有明確的但相對狹義的定位。

我們在現階段，人工智能與控制的結合研究還在初級階段，并不宜將其劃分得十分清晰，而隨著學科的進一步發展，其中的差異可能會更不重要，人們可能更關注廣義的更為復雜的智能控制系統。

從研究的角度，正確的步驟自然應該是首先弄清狹義的智能控制，進而在此基礎上擴展為智能自動化或廣義的智能控制。無論是智能自動化還是智能控制，都是由兩類技術科學的學科結合而成，因而其本身的發展必將符合技術科學的發展規律。而其結論的科學價值首先是在科學的前提下能用和好用，這里的科學性自然不是指數學的公理體系與形式邏輯的推演。

研究人的智能的形成可以看到這是由人的學習過程而形成的。人類的學習一般可以分為兩類，首先是繼承性的學習，這是指人從小開始通過大人的說教、上學、讀書以相當快捷的速度將父母、他人乃至社會長期積累得到的經驗、知識等變成自己的認知資源。這種學習好壞的標志常表現為記性好、想得起來、舉一反三乃至用時就能想起。這種繼承性學習在計算機上則歸結為建立專家庫、數據庫、知識庫和規則庫等。在這些庫中存儲了所需要的各種資源，而作為人工智能必須能靈活方便地從這些龐大的存儲中找到自己所需的信息，這就要求系統具有搜索、對比、歸類、分析、比較、尋優等功能，以便快、全、準地尋求相關信息和具有一定的信息加工能力，同時對有用的信息分析、存儲和更新等。

另一種學習過程是一種自主式的學習過程。這個過程形成智能是通過不斷迭代改進形成的。它通過自身的感知，對確定要做的事（或目標）進行分析確定達到目標的策略。將每次結果進行記憶并與原有的進行比較以便更新，這是一個不斷改進以達到目的的過程。這種學習過程對人類來說有些是通過大腦的思想過程，有些只是在神經系統乃至神經系統的下游就可以完成，甚至有些可以形成一種反射機制。雖然人類社會經過幾千年的歷史積累已經形成對物理、化學、生物與生態的很多基礎性認識并以繼承性學習的方式傳承下來，但這些自主式的學習可以完全不依賴于這些積累而自主從無到有地學習并形成一種智能。例如雜技團的演員在頂竹竿時，他一般并不清楚頂竹竿的動力學在一些合理的假定下可以用倒立擺的方程進行描述，自然他控制竹竿的動作也不是基于倒立擺方程設計的，而是通過反復訓練學習以掌握頂竿的本領。

人類的智能就是由上述兩種學習方式（繼承的和自主的）經歷長時間的發展過程而形成的。

針對自主式學習的過程，人們一開始用計算機建立一些計算單元來模仿人的神經活動，即用人造的神經元形成網絡來實現人類或動物個體的相關活動。由于構成神經元的單元是一種非線性元件，因而將神經元組合在一起，就能形威聯想功能與學習功能。人們利用這種功能可以創造出不少具有智能特征的部件，特別是將神經元組成多層神經網絡可以將學習功能深化以便充分利用計算機容量大和速度快的巨大優勢，從而彌補人類在大容量的博弈智能方面的不足。

AlphaGo戰勝圍棋世界頂級高手是人工智能的杰出表現，它一方面采用多層神經網絡進行深度自主學習，同時它所用的棋譜正是繼承了數百年人類在這方面的智慧的結晶。

用計算機進行學習與形成智能，不僅可以利用仿人神經元的多層結構，而且可以利用自然界，包括物理、化學、生物與生態的演化過程來構建人造的智能算法。這方面有針對局部搜索可能導致局部極值而改進的模擬退火、遺傳算法、禁忌搜索以便尋求在一定條件下如 何能達到全局最優的方法。這些方法并不是萬能驗方，而是對一些問題有效而對另一些則可能完全無效的方法。作為遺傳算法的擴展，進化計算成為了智能算法中一個重要的組成部分。這種算法通過借鑒自然界優勝劣汰的思想建立起來，在一段時間里屬于它的遺傳算法、進化策略和進化編程并沒有引起人們的關注，后來發現它們在解決一些著名的疑難問題中顯示出特別有效的能力才引起了業界巨大的興趣。隨著計算機處理問題在容量和速度上的飛速發展加之遺傳編程的出現，使得這些基于同樣思想但又各具特色的分支，互相碰撞溝通使得進化計算發展迅速并應用廣泛。

Von Neumann在20世紀50年代發明元胞自動機，它的出現不同于有嚴格定義的物理方程或函數確定的動力學系統，它是指在一空間時間均離散的系統中，由大量元胞通過簡單的相互作用而使系統發生演化。由于元胞自動機中的單元的多樣性以及相互作用的不同，這種模型可以成功地模擬生物群體活動的演化過程.并在物理、化學、生物與生態和信息科學的很多領域內取得成功應用。

上述智能算法在應用到一些科學問題時具有一些共同的需要認真研究的問題，這表現在：

（1）如何確定其適用范圍，即使用什么類型的智能算法到什么樣的實際系統是比較有效的，這種適用性的研究的目的是弄清楚特定的智能算法的適用范圍與條件，在方法上首先應該利用計算機進行反復實驗而不是嚴格的數學證明作為主要研究手段。

（2）這些智能算法常常與系統的復雜性研究有關，開始于20世紀80年代的關于系統復雜性的研究，其基本思想為超越還原論這些對研究工作長期的影響。其討論的對象是一定量非線性元件之間由于相互作用而出現的例如系統無序到動態有序的現象或從混沌到有序的現象、物質進化過程的不可逆性及其機制、復雜系統的適應性特征等。對這些現象的出現所進行的研究在方法論上與傳統的數學、物理等科學研究不同，需要一種新的思維方法和理論，而這些方法與智能算法有時有相當好的契合。

（3）人們常將具有嚴格定義的物理、化學、生物界確定的方程、函數或泛函作為對象，具有十分確定的數學公式而建立起來的算法稱為傳統的算法。智能算法的特點則是不以確定的方程、函數或泛函為對象，也不具有確定的數學公式，而是根據規則之類的有時具有不確定性的方法利用計算機作為手段進行計算的，因而智能算法是否有效主要不是依靠建立在公理體系上的嚴格的數學證明，而是更接近于其他自然科學研究的方法論，即以計算運行來對算法進行實驗并從中尋求帶規律性的東西來改進計算。這也是智能算法更多是由物理學家而不是傳統意義下的計算數學家創立的原因。在相對簡單的問題中，傳統計算與智能計算之間的差別比較清楚，但對于日益復雜的大規模計算可能會呈現出一種“你中有我、我中有你”的復雜交叉情況。

在人的學習與研究過程中常常會出現靈感這一現象，王國維借辛稼軒的詞《元夜》中的詞句“眾里尋她千百度，驀然回首，那人卻在燈火闌珊處”來形容這種百思不得其解突然就像得到上帝的啟示一樣找到了解答的現象。復雜性研究的人將此種現象歸結為思索過程中的涌現行為并認定這是非線性復雜性引起的，但至今在計算機仿人的思維中并未能揭示或復現這一有時非常有價值的過程。

經典控制與智能控制

控制界在近年來的共識認為控制器的設計從信息科學的層面看，其核心是控制算法的設計，控制算法主要根據系統的輸入與輸出信息、系統及其可能產生變化的信息、系統工作環境的信息，以及對系統所提任務和要求變化的信息，經過采集、加工、分析、計算以形成系統能接受并可據此進行工作的控制命令。控制命令的形成，一個是對形成命令所需信息的齊備，這中間首先是對控制對象的認知，即對系統進行建模，而對無論是輸入、輸出、環境變化等一系列信息的認知都涉及信息采集與加工、信息的傳輸等。無論是關于建模等為控制命令的形成所需的信息準備工作，還是在信息相對齊備后形成控制命令的過程，都包含了各種必須行之有效的計算機算法。這些算法由于問題的特點，既可以是傳統的也可以是智能的，這自然取決于使用這些算法的具體條件與要求。

從控制器研究與應用的歷史分析，人們發現要對系統進行控制，傳統的想法是必須首先對系統有所認識，但這種認識也可以基于對系統的工作原理及其性質的分析，而未必一定要用數學方程表述出來。1788年Watt針對蒸汽機制造出離心調速器并未真正從方程和穩定性分析出發，直到1 868年物理學家Maxwell針對離心調速器和機械鐘表的擒縱機構寫出“論調節器”一文才首次在世界上利用理論工具對這兩類系統進行了分析。

自從20世紀開始，先是機電工業，繼之是交通航空等工業的發展，按當時系統工作的條件與要求，促使以反饋為核心思想的單回路單變量控制系統得到發展，而積分變換及其在電力系統中所適用有效的運算微積的方法使在系統中常用的微分、積分和經過微分方程等的運算和相當復雜的元部件聯結的關系可簡單地化成傳遞函數的代數運算并用簡明的標上傳遞函數的方框圖表示出來，這就使得以傳遞函數或頻率特性為主要工具并有很好工程直觀的經典控制理論得以發展成熟，而這一方法在理論上并無特別深刻的理論內涵，但卻能十分有效地解決當時控制工程上提出的眾多問題，并形成了一套系統地解決控制器設計的方法，當時的實踐表明該方法的有效性。而這一理論方法由于只能處理單回路控制系統，在面對日益復雜的控制對象時迎來了挑戰。

這一方面最著名的挑戰就是關于衛星的姿態控制，由于描述衛星姿態的3個Euler角在動力學上存在非線性的耦合效應，這使它不能像亞音速飛機在巡航飛行時那樣實現解耦，于是采用任何線性單回路控制的技術處理大范圍姿態控制均被認為是不合適的。衛星自然只是指出建立在單回路系統之上的調節原理不再合適的一個例子，面對這一挑戰應運而生的就是多變量和非線性控制的理論的出現，這個理論的特征就是模式的一般化，系統性能要求也只能以一般化的方法給出。正由于此立即吸引了大量數學家的興趣，這種興趣使得控制理論特別是控制的數學理論取得了極其豐富的成果，自然這些成果中確有不少對控制工程起到了促進作用，但從總體上講，數學上有價值的成果常常與工程實際的需求差之過遠。

與此同時由于計算機技術的突飛猛進，為控制工程實際工作者提供了新的更加有效又便捷的工具，把控制工程實際的傳統且行之有效的方法利用計算機使其變得更加方便好用。使得控制工程的工作者對控制理論一方面感到高不可及和生疏陌生，另一方面感到這些理論又完全不能滿足實際需求而日益對其疏遠與漠不關心。

另一方面控制理論的研究者從數學的興趣出發，自認為這種興趣是符合實際要求的或根本不屑討論實際要求，另有些人由于自己實際所受的教育與訓練使其根本不具解決實際問題的能力退而只能研究理論，這種分離促使控制工程與控制理論這兩個本應緊密聯系的人群漸行漸遠，各自找到自己發揮聰敏才智的地方并都有滿意的獲得感，以致部分控制應用的專家針對控制的很多理論無法應用直言不諱地宣稱：“控制理論這樣搞實際上已經走到了它的盡頭”。

控制系統從本質上講具有兩重性，一方面它是一個信息系統，其中輸入輸出關系主要依靠信息及其間關系加以描述，但另一方面它又是實實在在的物質系統，物質系統的運轉必然帶有這類物質系統的特性，包括它能順利工作的環境、客觀必須遵守的約束和限制、組成系統的元部件所具有的能力等不是純粹信息層面的因素。就是從信息層面考慮系統中信息之間的關系的實現時也并不都能用簡單的數學關系式進行刻畫，因為信息本身都有載體而載體本身又都是物質的。

從數學角度研究控制如果不是針對控制系統的客觀實際，往往只是在數學上有意義而對控制的真正實現卻幫助很小，其根本原因之一在于他們沒有習慣也沒有能力去思考在他們所研究的模型基礎之上輸出信息如何能有效獲取以及輸出信息怎樣才能有效地形成控制命令并有效地對系統發生作用，而僅把興趣放在針對模型所能得到的某些與實際系統設計與運作并無直接關系的一些性質上。

這方面一個突出的例子表現在由于包括航天需求在內考慮的彈性體控制問題上，一方面從事實際工作或力學的人總把興趣集中在振型分析基礎之上的方法，由于這不僅可與物理實驗、仿真等相結合而且易于必要信息的獲取，而從事理論研究的則更樂于將其視為典型的分布參數系統的理論，而且所用數學工具由半群理論直到Riemannian幾何，文章很多真正能用的卻很少。

另一個制約理論與應用結合的因素是數學從一般式模型得到的一般化的概念與實際要求存在很大的差異，數學能證明的性質往往是一種定性的性質，例如極限與收斂，這在控制理論的很多地方均依賴其說明方法的優點，例如參數辨識與估計的收斂性，系統中運動的漸近穩定性等。但這種定性結論對于控制工程中的定量要求并不能直接給出答案。數學對于問題能否求解往往給出的證明是一種存在性的證明，無論是收斂性還是存在性，在人們研究控制問題時均具有重要的指導意義，但對于控制工程來說，僅指明方向是不夠的，人們更希望能給出具體的方法以保證落實到工程可以接受與可以用的程度，以及指出定量的結果。

數學的很多定理在比較簡單純化的情況下有明確的結論，并且很多情況下均很方便地運用來證明控制科學中的結論，但隨著控制系統復雜程度的增大、容量的擴展，使得這些方法在取得一定進展以后就陷入停步不前的狀態。

例如20世紀末控制理論上興起的切換系統，人們希望這種理論能解決有關電網穩定運行的問題，對于發生在電網中可能的切換無法預知，于是這類穩定運行的問題在理論研究上就歸結為多個系統存在公共Lyapunov函數的問題，而后者只有階次很低時才有明確的結論，而這剛好是階次很高的電網所無法接受的。

另一個例子是神經網絡的研究剛興起不久，人們也企圖利用已有的Lyapunov方法去討論神經網絡的性質，起初對于低階的系統還是有一些進展，但對于后來發展起來的多種類的乃至多層結構復雜的神經網企圖再用嚴格但理想化了的數學理論提供啟示實際上就成了天方夜譚式的愿望。

產生上面的問題并不能責怪理論數學與從事理論研究的數學家，因為任何一門學科的能耐都是有局限的，各個學科都有其成為學科的框架并有其能解決問題的范圍，如果對學科提出超越其能起作用范圍的問題和要求，那只應反省自己對該學科的定位是否恰當。

上述分析表明控制科學的進一步發展必須在數學與計算機這兩個支撐上更加依賴計算機的作用，不僅將計算機作為復雜計算的工具，而且應充分發揮計算機在人工智能上的巨大前景，使之介入到日益復雜的控制系統設計、運行、監控中來。

當前一些數學家已經進入到這些包括大數據、搜索引擎及很多計算機智能領域，他們靈活地運用各種數學知識幫助解決計算機及相關智能問題，建立行之有效的算法，我們期待他們的合作在新一代的控制科學發展中發揮更好的作用。這種趨勢說明了一個現象，即算法工程師特別是智能算法工程師今天不僅在人工智能的領域中擔當重要角色，而且在相關的IT企業中已成為極重要的崗位。

人工智能為控制帶來的機遇和挑戰

傳統的控制的做法總是在建模后根據模型與對系統的要求等設計控制器，然后將控制器接入閉合系統后再進行適當分析、仿真和調試后，系統就可以進行正常工作了，但由于系統越來越復雜，不少影響系統運行的因素并不是事前能夠估計的，經常存在的各種干擾有時會因突發的原因而對系統產生較大的影響，這就使得一種不斷建模、驗模與控制過程同時進行的控制系統成為必然。

這種建模與控制的一體化的趨勢在建模只是重新確定系統參數的情況下已經有幾十年預測控制研究的歷史，而當今可能面臨的問題是系統在相當陌生的環境下工作，此時可能要求系統對自身和環境能做出自主判斷，也許會涉及系統模型因大的重構而改變，使得這種一體化不僅必須在線考慮而且更為復雜與困難，這為主要依靠計算機與人工智能技術的在線解決提供了機遇與形成了挑戰。

30多年前，關肇直和許國志兩位先賢針對當時流行的大系統熱就明確地指出：“系統規模大不是問題的實質，從理論上講規模大的線性系統與規模較小的線性系統并無本質上的差異，問題在于非線性，而特別值得研究的是上層由運籌學決定而下層由動力學確定的復雜系統。”

時間過去了30多年，這類系統在工業界已經出現，而且借助計算機已經進行了有效運行、管理與監控，而對應的理論卻仍在孕育之中。后來出現的離散事件動態系統（DEDS）則并非遵循以時間為序的動態過程而是以離散發生的動態事件觸發的系統，這種系統本身的研究已經表明純粹依靠嚴格數學遠不如利用計算機研究有前途，而當這種DEDS在實際應用中其下層往往是通常的動態系統，這類混雜的系統的研究其解決途徑無疑將主要依仗計算機及相應智能研究的進展。

長時間運轉的系統難免會出現亞健康乃至病態的情況，此時作為自主控制的要求就必須具有自診斷、自修復，以及帶病運行（容錯控制）的能力。此時關于在線系統重構與辨識成為必要，這種情況并不都能簡化用傳統的方法解決，有時需要進行智能式的診斷與處理，于是我們就不得不應對處于健康的、亞健康的、病態的系統一起工作并尋求恢復的局面，這種局面也只能依靠計算機以及智能技術。

現代工廠常常是一個體系在運轉，而現代的戰爭已經成為不同體系之間的對抗。一個體系常常是很復雜的，它是由多種模式構成的多重結構，從時間與空間上都會呈現出多尺度的特征，由于大的體系必然會帶來大量傳感器的使用和通信成為系統中信息傳遞所必須的形式，傳感器的大量使用帶來信息豐富的同時必然提出如何充分利用豐富的信息而提煉出最有價值的信息并經過分析與加工以產生控制、管理與決策的命令，通信的進入使得原有控制系統中信息傳遞被假定為不受任何通道限制這一條件受到了挑戰，這是因為通過信道通信方式獲取信息必然要受到信道容量和傳遞方式兩方面的影響，而這些影響在現代戰爭和現代工廠體系中是不能忽視的，這表明這種管理決策、控制與通信一體化的體系，無論是單個體系的正常運行還是體系間的對抗都將面臨新的多方面的挑戰。

正如一個復雜的社會常需要充滿智慧的領導一樣，要控制這類體系的運轉正常一定需要充滿智慧的計算機系統，而這也就自然地召喚智能科技的進入。

千里之行，始于足下，面對如此復雜的系統控制問題，不可能存在一個一勞永逸的良方妙藥，而必須針對每一個科學與技術問題逐個解決，在此基礎上再加以集成，而在集成的過程中也會重新對原問題的解決提出新的挑戰，這自然是一個十分困難的任務，同時也給予我們足夠的發展空間去克服由于可能出現嶄新局面而帶來的困難。

對智能控制研究的幾點建議

針對日益復雜的控制任務，人工智能的進入有可能彌補原有控制方法的不足，但人工智能與智能算法畢竟對控制來說仍然是一個需要認真研究的對象，既不能拒之不用也不能一哄而上，其中一些問題是必需認真考慮的。

（1）控制的傳統方法已經發展了近百年歷史，圍繞這個方法已經發展了成套的理論、方法及仿真實驗的手段，這是一筆寶貴的資源，而且過去的歷史已經證明在很多相對簡單的情況下也是行之有效的。從控制應用的角度考慮問題應該是誰好用誰，但為了明確誰好這一點，則應該在相對純化的環境下認真研究智能控制與傳統控制各自的優缺點與適用條件以便做到優勢互補。

模糊控制在相當一段時間里受到非議的主要原因是他們說不清什么系統用常規控制做不了只能用模糊控制，這實際上表明對于模糊控制的優點的闡述人們還常停留在思辨式的層次上進行表述，而缺乏科學意義下的檢驗。因此對于智能控制必須進行扎實的研究工作，杜絕口號式、想象式或思辨式分析作為科學依據的做法，真正發掘其優缺點與適用條件。在控制系統設計進而運行上則應將智能的與常規的控制方法結合起來實現優勢互補，我們應認清一點，并不是所有的智能技術都能用于控制，也不是所有控制都一定要用智能技術。

（2）由于智能的基礎并不在于有確定模式下的數學推演，而是同其他自然科學一樣，實驗在其中起到重要的作用，這種實驗首先是在計算機平臺上的實驗，這表明智能控制理論從方法論上應與傳統的控制理論研究有所區別，即不能依仗數學的嚴格證明而把數學的作用主要用于算法的設計上，對于智能控制的方法在提出思想以后首先是設計算法，然后在計算機上作信息層次上的實驗，用實驗來驗證理論思維的正確性。

（3）建立一個適合于智能控制研究的仿真平臺。搞控制理論的人常對什么叫仿真產生誤解，認為按方程式設計好控制器然后閉合系統利用計算機算一個例子就叫仿真。實際上仿真是指建設一個與真實世界相仿的體系，在這個仿真體系上進行仿真運算可行的控制器在接上真實的控制對象后就應有同等的效果，即仿真平臺是模仿真實場景的用計算機構成的平臺，在仿真平臺中某些單元在用真實物理部件代替后也應可以正常工作，因此仿真與實驗實際上包括計算機仿真、半物理仿真及實際接入系統的實驗。在控制工程中使用常規控制的方法時，這一系列仿真與實驗已經配套成熟，在計算機仿真層次上也有專門的仿真機。對于智能控制，類似的仿真裝置也應建立起來。對于仿真設備，首先要求的是建立仿真體系以保證實時性，并同時能對仿真結果的有效性有評估的標準與對應的算法，而且會進一步指出所用控制器改進的方向。

仿真領域已經有數十年的歷史積累，而針對智能控制的依然不多，針對智能控制的仿真平臺的建立對于有效地將人工智能用于控制領域具有不可替代的極其重要的作用，這個仿真平臺應該與傳統的仿真平臺能相容以使在實際應用中實現優勢互補。

（4）在工業實體中針對需求建立由計算機、人工智能、數學、控制和行業專業領域的人才組成的智能控制聯合研究中心，擔負發展新的智能算法、建立針對智能控制的仿真平臺和將智能控制應用于所在行業的任務，在一定程度上實現資源共享并以此中心為基礎建立智能控制的研究基地以真正落實智能控制的研究。