1.2 智能控制的几个重要分支
1.2.1 模糊控制
以往的各种传统控制方法均是建立在被控对象精确数学模型基础上的，然而，随着系统复杂程度的提高，将难以建立系统的精确数学模型。
在工程实践中，人们发现，一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果。这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。
1965年，美国加州大学自动控制系L. A. Zedeh提出模糊集合理论[1]，奠定了模糊控制的基础；1974年，伦敦大学的Mamdani博士利用模糊逻辑，开发了世界上第一台模糊控制的蒸汽机，从而开创了模糊控制的历史；1983年，日本富士电机开创了模糊控制在日本的第一项应用——水净化处理，之后，富士电机致力于模糊逻辑元件的开发与研究，并于1987年在仙台地铁线上采用了模糊控制技术，1989年，将模糊控制消费品推向高潮，使日本成为模糊控制技术的主导国家。模糊控制的发展可分为如下3个阶段。
（1）1965—1974年为模糊控制发展的第一阶段，即模糊数学发展和形成阶段。
（2）1974—1979年为模糊控制发展的第二阶段，产生了简单的模糊控制器。
（3）1979年至今为模糊控制发展的第三阶段，即高性能模糊控制阶段。
模糊逻辑控制器的设计不依靠被控对象的模型，但它却非常依靠控制专家或操作者的经验知识。模糊逻辑控制的突出优点是能够比较容易地将人的控制经验融入到控制器中，但若缺乏这样的控制经验，很难设计出高水平的模糊控制器。采用模糊系统可充分逼近任意复杂的非线性系统[2]，基于模糊系统逼近的自适应模糊控制是模糊控制的更高形式。
1.2.2 神经网络控制
神经网络的研究已经有几十年的历史了。1943年，McCulloch和Pitts提出了神经元数学模型；1950—1980年为神经网络的形成期，有少量成果，如1975年，Albus提出了人脑记忆模型CMAC网络；1976年，Grossberg提出了用于无导师指导下模式分类的自组织网络；1980年以后为神经网络的发展期，1982年，Hopfield提出了Hopfield网络[3]，解决了回归网络的学习问题；1986年，美国Rumelhart等[4]提出了BP网络，该网络是一种按照误差逆向传播算法训练的多层前馈神经网络，为神经网络的应用开辟了广阔的发展前景。
将神经网络引入控制领域就形成了神经网络控制。神经网络控制是从机理上对人脑生理系统进行简单结构模拟的一种新兴智能控制方法，具有并行机制、模式识别、记忆和自学习能力的特点，它能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性等。采用神经网络可充分逼近任意复杂的非线性系统，基于神经网络逼近的自适应神经网络控制是神经网络控制的更高形式。神经网络控制在控制领域有广泛的应用。
1.2.3 智能搜索算法
智能搜索算法是人工智能的一个重要分支。随着优化理论的发展，智能算法得到了迅速发展和广泛应用，成为解决搜索问题的新方法，如遗传算法、粒子群算法和差分进化算法等。这些优化算法都是通过模拟揭示自然现象和过程来实现的，其优点和机制的独特，为现有搜索问题提供了切实可行的解决方案。
20世纪70年代初，美国密西根大学的霍兰教授和他的学生提出并创立了一种新型的优化算法——遗传算法[5]。遗传算法的基本思想来源于达尔文的进化论，该算法将待求的问题表示成串（或称染色体），即为二进制码或者整数码串，从而构成一群串，并将它们置于问题的求解环境中，根据适者生存的原则，从中选择出适应环境的串进行复制，并且通过交换、变异两种基因操作产生出新的一代更加适应环境的串群。经过一代代地不断变化，最后收敛到一个最适应环境的串上，即求得问题的最优解。
粒子群优化算法也是一种进化计算技术，1995年由Eberhart博士和Kennedy博士提出[6]，该算法源于对鸟群捕食的行为研究。与遗传算法相似，粒子群算法也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，没有遗传算法的“交叉”和“变异”操作，通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高和收敛快等优点引起了学术界的重视，并且在解决系统辨识问题上展示了其特殊的优越性。
差分进化算法是一种新兴的进化计算技术，它是由Storn等人于1995年提出的[7]。该算法保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法无法求解的复杂环境中的优化问题。
智能算法不依赖于问题模型本身的特性，能够快速有效地搜索复杂、高度非线性和多维空间，为智能控制的研究与应用开辟了一条新的途径。