1. 智能控制的产生

传统控制方法包括经典控制和现代控制缺乏灵活性和应变能力，适于解决线性、时不变性等相对简单的控制问题。传统控制方法在实际应用中遇到很多难以解决的问题，主要表现以下几点：

⑴ 实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，无法获得jingque的数学模型。

⑵ 某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。

⑶ 针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。

⑷ 实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如智能机器人控制、社会经济管理系统等无能为力。

在生产实践中，复杂控制问题可通过熟练操作人员的经验和控制理论相结合去解决，由此，产生了智能控制。

智能控制采取了人的思维方式，建立逻辑模型，使用类似人脑的控制方法来进行控制。

智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法适应对象的复杂性和不确定性。

智能控制是控制理论发展的gaoji阶段，它主要用来解决那些用传统控制方法难以解决的复杂系统的控制问题。

智能控制研究对象具备以下特点：

⑴ 不确定性的模型：智能控制适合于不确定性对象的控制，其不确定性包括两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。

⑵ 高度的非线性：采用智能控制方法可以较好地解决非线性系统的控制问题。

⑶ 复杂的任务要求：例如，智能机器人要求控制系统对一个复杂的任务具有自行规划和决策的能力，有自动躲避障碍运动到期望目标位置的能力。再如，在复杂的工业过程控制系统中，除了要求对各被控物理量实现定值调节外，还要求能实现整个系统的自动启停、故障的自动诊断以及紧急情况下的自动处理等功能。

2. 智能控制的几个重要分支

⑴ 模糊控制

以往的各种传统控制方法均是建立在被控对象jingque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jingque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，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。

基于模糊控制的发展可分为三个阶段：

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溶入到控制器中，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，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。

⑵ 神经网络控制

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。神经网络具有并行机制、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。

⑶ 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，其优点和机制的独特，为具有搜索问题提供了切实可行的解决方案。