多智能体系统一致性综述
一 引言
多智能体系统在20世纪80年代后期成为分布式人工智能研究中的主要研究对象。研究多智能体系统的主要目的就是期望功能相对简单的智能体系统之间进行分布式合作协调控制，最终完成复杂任务。多智能体系统由于其强健、可靠、高效、可扩展等特性，在科学计算、计算机网络、机器人、制造业、电力系统、交通控制、社会仿真、虚拟现实、计算机游戏、军事等方面广泛应用。多智能体的分布式协调合作能力是多智能体系统的基础，是发挥多智能体系统优势的关键，也是整个系统智能性的体现。
在多智能体分布式协调合作控制问题中，一致性问题作为智能体之间合作协调控制的基础，具有重要的现实意义和理论价值。所谓一致性是指随着时间的演化，一个多智能体系统中所有智能体的某一个状态趋于一致。一致性协议是智能体之间相互作用、传递信息的规则，它描述了每个智能体和其相邻的智能体的信息交互过程。当一组智能体要合作共同去完成一项任务，合作控制策略的有效性表现在多智能体必须能够应对各种不可预知的形式和突然变化的环境，必须对任务达成一致意见，这就要求智能体系统随着环境的变化能够达到一致。因此，智能体之间协调合作控制的一个首要条件是多智能体达到一致。
近年来，一致性问题的研究发展迅速，包括生物科学、物理科学、系统与控制科学、计算机科学等各个领域都对一致性问题从不同层面进行了深入分析，研究进展主要集中在群体集、蜂涌、聚集、传感器网络估计等问题。
目前，许多学科的研究人员都开展了多智能体系统的一致性问题的研究，比如多智能体分布式一致性协议、多智能体协作、蜂涌问题、聚集问题等等。下面，主要对现有文献中多智能体一致性协议进行了总结，并对相关应用进行简单的介绍。
1.1 图论基础
多智能体系统是指由多个具有独立自主能力的智能体通过一定的信息传递方式相互作用形成的系统；如果把系统中的每一个智能体看成是一个节点，任意两个节点传递的智能体之间用有向边来连接的话，智能体的拓扑结构就可以用相应的有向图来表示。
用)(A E,V,G =来表示一个有向加权图，其中}{n 21v ,,v ,v V =代表图的n 个顶
点；V V E ??是边集合，如果存在从第i 个顶点到第j 个顶点的信息流，则有E v ,v e j i ij ∈=)(；A 是非负加权邻接矩阵0>?∈ij ij a E e ；节点i v 的邻居集定义为})({E v ,v |v N j i j i ∈=。如果对所有的E e ij ∈意识着E e ji ∈，则称G 是无向图。
2个不同的节点i v 和j v 之间有有向路径是指存在1个有序节点序列
)()()(j k k k k 1v ,v v ,v v ,v l 211，，， ；
如果图G 中任意两个不同的结点间都存在1条有向路径，则称G 是强连通图；如果G 是无向的，则称G 是连通图。图G 有有向生成树指的是图G 存在1个包含所有定点的子图，除了唯一的根节点以外，其余节点有且仅有1个父节点。
二．主要研究内容
2.1多智能体系统一致性问题描述
令q i R x ∈表示图中第i 个顶点i v 的状态且满足)u ,f(x x i i = ，这样可利用二元组
)(x G,来表示动态多智能体网络系统，其中T T n T 2T 1x ,,x ,x x )( =，系统状态方程为
u)F(x,x = 。如果对于所有的j i,，都有0)()(=-∞
→t x t x lim j i t ，则称多智能体系统实现一致性。
2.2一致性协议
2.2.1一阶一致性
在早期关于一致性问题的研究中，绝大多数研究工作针对智能体为一阶智能体的情形，分析不同网络拓扑结构下实现一致性需要满足的条件和一致性实现时的收敛值。
（1）连续时间情形 当网络中的智能体均具有形如：
i i u x =)(R x i ∈ （1）
的状态方程时，经常采用一致性协议为：
∑-=∈N
i i j ij i x x a u )( （2）
因此，在上述一致性协议下的闭环系统为Lx x -= ，系统（1）的解为)()(0x e t x Lt =，
可以利用线性系统理论来分析系统的一致性问题。
在固定拓扑结构下，一致性的相关结论为：
定理1 假定G 有一个有向生成树，L 为其拉普拉斯矩阵且有01=L ，0L T =γ，11T =γ，则在协议（2）作用下，多智能体系统可实现一致性，且(0))(x γt x lim T i t =∞
→。特别地，当G 为无向连通图或强连通平衡图时，多智能体系统
可实现平均一致性，即∑==∞→n
1i i i t x t x lim (0))(。 许多场合下，由于节点间连接的建立或失败，多智能体系统的拓扑结构往往是动态发生变化的。拥有动态网络的系统一般称之为切换网络，切换网络可以用
)(t G 0来表示，其中m},{1,2,
J R :)( =→t σ为切换信号，}{m 21G ,,G ,G 为所有可能的拓扑结构组成的集合。在协议（2）的作用下，且有切换拓扑结构的闭环系统为：
x G L x
k )(-= （3） 如果上述系统仅在离散时刻)(02121t ,,,n n ≤<<<ττττττ 处切换，则系统（3）的解为：
(0)e e e e )t (x 10(1)120(2)1-1)0()0()L()-)(L()-)(L()))(L(x G τG τG τt G h h h h h τττ------=
系统一致性分析转化为多个具有非负对角的随机矩阵乘积的极限问题的分析。 在切换拓扑结构下，一致性的相关结论为：
定理2 假定切换网络在任意长度有上界的时间间隔内均有一个有向生成树，则在协议（2）作用下，切换多智能体系统可渐进实现一致性。
（2）离散时间情形 当网络中的智能体均具有形如：
)((k))(k u x 1k x i i i +=+ （4） 的状态方程时，采用一致性协议：
∑∈=i
N j i j ij i k x k x a u ))(-)((ε （5）
因此，在上述一致性协议下形成的闭环系统为：
)()(k Px 1k x =+ （6） 式中，?<<-=1ε0εL,I P ，?是网络节点的最大出度。
在固定拓扑和切换拓扑结构下，多智能体系统有类似定理1和定理2相应的结论。
（3）其他研究热点 除了上述关于一致性的经典结论外，还有学者分别考虑带时滞的一致性、有一个动态领导者、多个静态或者动态领导者的一致性问题。
2.2.2二阶一致性
多智能体系统二阶一致性的研究中假设智能体具有下列形式的状态方程： ???==i i i i u x
v x n i ,1,2, = （7） 采用一致性协议：
∑∈-+=i
N j i j ij i i )x (x a kv u （8）
则闭环系统的矩阵形式为：
[]ξξξΦ=?+?=BF L BK A I n -)(
其中，??????=0010A ，??
????=10B ，[]k K 0,=，[]1,0=F ，[]T n 21n 21v ,v ,v ,x ,,x ,x =ξ 以Jordan 标准型理论为基础分析闭环线性系统的一致性，相应结论为：
定理3 当系统具有固定无向连通拓扑结构时，协议（8）可实现平均一致性，
即当∞→t 时，0)(v )(n 1)t (x i 1
i →→∑=t ,0x n
i i 。当网络结构在无向连通图之间切换时，协议（8）可解决平均一致性。
在上述结论的基础上，有学者进一步拓展了上述一致性算法，考虑了有界控制输入，无相对速度测量时的各种二阶一致性问题。
2.2.3 高阶一致性
近来，许多研究人员对多智能体系统一致性问题的研究转移到了智能体为n 阶智能体的情况，并以线性矩阵不等式给出系统一致性需要满足的条件，在一定假设分析给出线性矩阵不等式的可解性，并通过实例验证了算法的有效性。
考虑智能体具有状态方程：
i i i Bu Ax x += （9）
或：
i i i Bu Ax x +=i i Cx y = （10）
对方程（9）用状态反馈：
∑∈+=i
N j j b i i b i i x K x K u
对方程（10）静态输出反馈：
∑∈+=i
N j j b i i b i i y K y K u
或动态输出反馈：
y B x A x
D D += Lcy D x C u D D ++= 其中，n c I L L ?=
2.3 一致性的应用
2.3.1 一致性在协作控制中的应用
一致性是多智能体实现协同合作、完成共同制定任务的基础。目前，有许多学者开展了关于一致性应用问题的研究，如聚集问题、蜂涌问题、编队控制问题等。聚集问题要求对每一个智能体同时达到指定的位置，文献[9]采用一致性搜索思想讨论了同步情形和异步情形下的聚集问题；文献[10]分别就固定拓扑结构和切换拓扑结构下，分别讨论了一类速度恒定，通过局部反馈校正方向的智能体系统的峰拥问题。
2.3.2 同步问题
同步问题主要是在假定信息交换拓扑结构在完全图的情况下，通过智能体之间的信息交换，修正智能体的动力学，最终实现同步性。
笔者所研究的随机连接的多智能体系统，和以往确定性的框架不同的是多智能体系统中的多智能体是具有马尔科夫性质，行为是随机的。每个多智能体的状态随时间变化建模成一个有限维的连续马尔科夫链。在这种情形下，一致性是当所有多智能体的概率向量达到一个共同的稳定的概率向量，因此在完全随机的背景下，讨论概率一致性才是有意义的。
三．结束语
对现有文献中的一致性协议进行了比较详细的总结和分析，由于多智能体一致性相关研究问题的多样性，本文仅对具有代表性的一部分智能体相关的一致性协议进行了综述。此外，关于多智能体系统一致性问题，还有许多的研究方向和研究热点如随机一致性，非线性一致性协议等。关于多智能体一致性问题，还有许多的问题亟待研究和解决。
四．参考文献
[1]Cvetkovic D, Rowlinson P, Simic S, et al. Algebraic Graph Theory[M]// Algebraic graph theory. Cambridge University Press, 1974:xvi+298
[2]Ren W, Beard R W, Atkins E M. A survey of consensus problems in multi-agent coordination[C]// American Control Conference, 2005. Proceedings of the. IEEE, 2005:1859-1864 vol. 3
[3]Olfati-Saber R, Fax J A, Murray R M. Consensus and Cooperation in Networked Multi-Agent Systems[J]. Proceedings of the IEEE, 2007, 95(1):215-233
[4]Xiao F, Wang L. Consensus protocols for discrete-time multi-agent systems with time-varying delays[J]. Automatica, 2008, 44(10): 2577-2582
[5]Ren W, Atkins E. Second-order consensus protocols in multiple vehicle systems with local interactions[C]//AIAA Guidance, Navigation, and Control Conference and Exhibit. 2005: 6238
[6]Ren W. Consensus based formation control strategies for multi-vehicle syst- ems[C]//American Control Conference, 2006. IEEE, 2006: 6 pp
[7]Zhai G, Okuno S, Imae J, et al. Consensus algorithms for multi-agent systems: A matrix inequality based approach[C]//Networking, Sensing and Control, 2009. ICNSC'09. International Conference on. IEEE, 2009: 891-896
[8]Zhai G, Okuno S, Imae J, et al. A new consensus algorithm for multi-agent systems via dynamic output feedback control[C]//Control Applications,(CCA) & Intelligent Control,(ISIC), 2009 IEEE. IEEE, 2009: 890-895
[9]Lin J, Morse A S, Anderson B D O. The multi-agent rendezvous problem. Part 2: The asynchronous case[J]. SIAM Journal on Control and Optimization, 2007, 46(6): 2120-2147
[10]RenW, Beard RW. Distributed consensus in multi-vehicle cooperative con-tr ol[M]. Springer-Verlag, London, 2008
[11]肖峰. 多智能体网络系统的一致性[D]. 北京大学, 2008
现代智能优化算法课程群智能优化算法综述 学生姓名： 学号： 班级： 2014年6月22日
摘要 工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词：群智能；最优化；算法
目录 摘要 (1) 1 概述 (3) 2 定义及原理 (3) 2.1 定义 (3) 2.2 群集智能算法原理 (4) 3 主要群智能算法 (4) 3.1 蚁群算法 (4) 3.2 粒子群算法 (5) 3.3 其他算法 (6) 4 应用研究 (7) 5 发展前景 (7) 6 总结 (8) 参考文献 (9)
1 概述 优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2.1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求： ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中， i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的 可行域。
关于“智能台灯的设计与开发”的文献综述 一、前言部分 毕业设计是大学四年最后一个阶段特别重要的一个作业，它能让我们将大学四年学习的课本知识联系到具体的应用当中去。它是对我们大学阶段所学知识的一次综合运用，不但能使我们各方面的知识系统化，而且使所学知识实践化。要求我们了解并掌握硬件知识，软件知识，培养我们独立分析解决实际问题的能力及创新能力，并锻炼我们调查研究，搜集资料、查阅资料及阅读中、外文文献的能力等，为以后独立工作贡献社会做大学期间最后的准备。 我选择的设计题目是智能台灯的设计与开发。随着智能化时代的到来，智能产品层出不穷，已逐步渗入到人们工作和生活的方方面面。当前，患有近视眼的人数越来越多，我国近视眼发病率尤其突出。由于没有正确使用台灯，当光线变得昏暗时忘记及时打开台灯，或者长时间在高亮度的台灯下工作，久而久之，都会对视力产生一定的影响。虽然市场上已出现了具有调亮功能概念的台灯，但其仍不具备成熟的自动调亮功能。本设计所制作的智能台灯具备手动和自动调节两种模式，同时还加入了人体检测功能，可实现人走灯灭。在保护视力的同时，也为节能环保做出了一份贡献。 二、主题部分 2.1传统台灯与智能台灯的区别 传统的台灯的功能比较单一，主要就是为了实现照明，既不节约也不环保。而智能灯的主要含义是除了智能灯体，还有一个手持智能控制设备，智能灯控制设备具备计算能力和网络联接能力，通过应用程序，功能可以不断扩展。智能灯的核心功能是控制、灯光效果、创作、分享、光与音乐互动、光提升健康和幸福。 2.2智能台灯的发展方向 2.2.1、走向以人为本的科学化照明 智能化灯将从纯粹的智能功能的发展转向更注重人的行为的智能灯控。以人的行为、视觉功效、视觉生理心理研究为基础，开发更具有科学含量的，以人为本的高效、舒适、健康的智能化照明。 2.2.2、满足个性化、层次化的照明 智能技术与灯光控制的结合使照明更进一步地满足不同个体、不同层次群体的照明需求，是使照明从满足一般人的需求到满足个体、个性需求的必不可少的技术手段。这也应该是智能灯的发展方向。 2.2.3、智能技术与新光源及新照明技术的结合，创造崭新的照明文化 智能技术和电子开关等新照明光源和照明技术的结合，将构筑崭新的照明技术平台，其应用领域从智能家居照明到智能化的城市照明，有无限广阔的前景，并且正在创造一种崭新的高技术和高科学思想含量的照明文化。智能化照明的出现是灯具市场的发展趋势。 2.3此款台灯的有关技术知识 本人设计的智能台灯涉及的主要内容有热释电红外传感器技术，PWM脉冲宽度调制技术，模—数转换技术，电子电路技术以及有关的编程知识。 2.3.1热释电红外传感器 它主要是由一种高热电系数的材料，如锆钛酸铅系陶瓷、钽酸锂、硫酸三甘钛等制成尺寸为2*1mm的探测元件。在每个探测器内装入一个或两个探测元件，并将两个探测元件以反极性串联，以抑制由于自身温度升高而产生的干扰。由探
智能控制在汽车上应用的进展综述 一、简介 1.1汽车智能化综述 从上个世纪的末期，全球的汽车以汽车的电动化、智能化、网联化为主题进入一个重大的历史时期。到本世纪初，随着ICT技术的发展，汽车的智能化和网联化系统随之诞生，由此产生了一种新型的交通系统。 “智能汽车”是在普通汽车的基础上增加了先进的传感器、控制器、执行器等装置，通过车载传感系统和信息终端实现与人、车、路等的智能信息交换，使汽车具备智能的环境感知能力，能够自动分析汽车行驶的安全及危险状态，并使汽车按照人的意愿到达目的地，最终实现替代人来操作的目的。 从汽车自身的智能化来讲，我们现在处于这种汽车的一种智能化的初级阶段，即智能驾驶辅助这个阶段，其终极目标就是无人驾驶。另外从智能汽车发展模式来讲是两种模式，一种是依靠自身车载传感决策和控制系统，来实现自动驾驶。另外一种是通过协同的方式，借助通信的技术，利用车联网和物联网的整合，来实现它的整个一种智能化的驾驶。 总之，汽车的智能化可以归结为两轴或者两个发展，一个是纵轴，就是由现在的部分功能的替代到以后完全的无人化驾驶，另外一个就是自身的提升，单车的智能化并不能解决交通的问题，所以必须通过网联化把汽车和交通系统，交通所有参与者在一个平台上一个系统下进行完全的可控可调，这样才能彻底地改变交通社会现在面临的诸如安全、拥堵、节能的问题。所以未来期望或者目标的实现是一个智能网联的汽车。 智能汽车它会带来对我们社会产业带来什么样的变化？首先我们关注的是安全，通过汽
车的智能化、网联化，交通事故可以降低到目前的1%。现在每年因为交通事故死亡人数大概130万，也就是说在不远的将来也许二十年三十年以后，全球交通事故死亡率会低于1万甚至更低，未来接近的目标是零死亡零事故。第二，对于交通拥堵、油耗，对于整个经济，还有对于人的生活方式的影响都有非常高的期待。 1.2国内外汽车智能化研究现状 就汽车智能化发展而言，从美国来讲，从本世纪初他们对于智能汽车提出了一个定义，把它分为五个等级，第一个等级就是没有智能化，第二个等级是具有特殊功能的一些驾驶辅助，第三个等级是一个部分的自动驾驶，然后是高度自动驾驶到完全自动驾驶，以及无人驾驶这样五个等级，它设计的目标是到2025年能够实现完全智能驾驶。所以基于此，美国专门成立了交通变革研究中心，另外其交通部将推动汽车智能化网联化的发展作为一个国家战略，在。对于欧盟来讲，它制定了详细的发展路径图，就是从当下现有的驾驶辅助到2030年实现无人驾驶，或者能够产生无人驾驶的这种技术和产品，这是它的愿景。从日本来讲，不光从车，还从车和路两端来进行协调的发展，日本这一个计划详细地定义了从汽车、道路到各种法规协调发展的一个庞大的技术。 发展汽车智能化一个强劲的动力是标准，汽车这个技术持续的迭代是依托于标准的，一个是排放的法规，一个是碰撞的法规，现在主动安全或智能安全的一些项目，已经纳入了汽车的法规评定体系DSRC里，这是对于技术持续进步的一个强大的推进力。 从欧美整个发展情况比较来看各有特色，美国主打推动IT企业，并在该领域独领风骚，另外它在程序还有法规方面也是领先一步，从日本来讲，它的信息化体系是全球做得最为完备的，它现在有一个VICS，交通系统信息，现在整个汽车是8千多万辆，有4千万辆已经入网，对于大数据信息化它有很强的一些设备支持。另外以丰田、日产这些汽车企业主导智
多智能体系统及其协同控制研究进展 摘要：:对多智能体系统及其协同控制理论研究和应用方面的发展现状进行了简要概述.首先给出Agent及多Agent 系统的概念和特性等,介绍了研究多Agent系统协同控制时通常用到的代数图论;然后综述了近年来多Agent系统群集运动和协同控制一致性方面的研究状况,并讨论了其在军事、交通运输、智能机器人等方面的成功应用;最后,对多Agent系统未来的发展方向进行了探讨和分析,提出几个具有理论和实践意义的研究方向,以促使多Agent系统及其协同控制理论和应用的深入研究. 关键词：多Agent系统(MAS)；协同控制；代数图论；群集运动；一致性协议 Advances in Multi-Agent Systems and Cooperative Control Abstract: Progress in multi-Agent systems with cooperative controlwas reviewed in terms of theoretical research and its applications. Firs,t concepts and features used to define Agents and multi-Agents were analyzed. Then graph theory was introduced, since it is often used in research on cooperative control of multi-Agent systems. Then advances in swarming/flocking as well as the means used to derive a consensus among multi-Agents under cooperative control were summarized. The application of these abilitieswas discussed for the military, transportation systems,and robotics. Finally, future developments for multi-Agent systemswere considered and significant research problems proposed to help focus research on key questions formulti-Agent systemswith cooperative control. Key words:Multi-Agent system (MAS) ; Cooperative control; Graph theory; Swarming/ flocking; Consensus protocol 分布式人工智能是人工智能领域中一个重要的研究方向,而多Agent系统(multi-Agent systemMAS)则是其一个主要的分支. 20世纪90年代,随着计算机技术、网络技术、通信技术的飞速发展,Agent及MAS的相关研究已经成为控制领域的一个新兴的研究方向.由于Agent体现了人类的社会智能,具有很强的自治性和适应性,因此,越来越多的研究人员开始关注对其理论及应用方面的研究.目前,人们已经将MAS的相关技术应用到交通控制电子商务、多机器人系统、军事等诸多领域.而在MAS中,Agent之间如何在复杂环境中相互协调,共同完成任务则成为这些应用的重要前提.近年来,从控制的角度对MAS进行分析与研究已经成为国内外众多学术机构的关注热点,人们在MAS协同控制问题上做了大量的研究工作,特别是在MAS群集运动控制和协同控制一致性问题方面取得了很大的进展.目前对MAS的研究总体上来说还处于发展的初步阶段,离真正的实用化还有一定的距离;但其广泛的应用性预示着巨大的发展潜力,这必将吸引更多专家、学者投入到这一领域的研究工作中,对MAS的理论及应用做进一步探索.根据上述目的,本文主要概述了多智能体系统(MAS)在协同控制方面的研究现状及其新进展. 1Agent与MAS的相关概念 1.1Agent的概念 Agent一词最早可见于Minsky于1986年出版的《Social of Mind》一书中.国内文献中经常将Agent翻译为:智能体、主体、代理等,但最常见的仍是采用英文“Agent”；因为Agent的概念尚无统一标准,人们对于
人工智能研究方法的文献综述 1、前言 本文综述了人工智能的主要研究方法，并对各方法进行分析和总结，并阐述了目前人工智能研究方法日趋多样化的研究现状。 2、主题 研究方法，对一个问题的研究方法从根本上说分为两种：其一，对要解决的问题扩展到他所隶属的领域，对该领域做一广泛了解，研究该领域从而实现对该领域的研究，讲究广度，从对该领域的广泛研究收缩到问题本身；其二，把研究的问题特殊化，提炼出要研究问题的典型子问题或实例，从一个更具体的问题出发，做深刻的分析，研究透彻该问题，再一般化扩展到要解决的问题，讲究研究深度，从更具体的问题入手研究扩展到问题本身。 人工智能的研究方法主要可以分为三类：一、结构模拟，神经计算，就是根据人脑的生理结构和工作机理，实现计算机的智能，即人工智能。结构模拟法也就是基于人脑的生理模型，采用数值计算的方法，从微观上来模拟人脑，实现机器智能。采用结构模拟，运用神经网络和神经计算的方法研究人工智能者，被称为生理学派、连接主义。二、功能模拟，符号推演，就是在当前数字计算机上，对人脑从功能上进行模拟，实现人工智能。功能模拟法就是以人脑的心理模型，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现机器智能。以功能模拟和符号推演研究人工智能者，被称为心理学派、逻辑学派、符号主义。三、行为模拟，控制进化，就是模拟人在控制过程中的智能活动和行为特性。以行为模拟方法研究人工智能者，被称为行为主义、进化主义、控制论学派。 人工智能的研究方法，已从“一枝独秀”的符号主义发展到多学派的“百花争艳”，除了上面提到的三种方法，又提出了“群体模拟，仿生计算”“博采广鉴，自然计算”“原理分析，数学建模”等方法。人工智能的目标是理解包括人在内的自然智能系统及行为，而这样的系统在实在世界中是以分层进化的方式形成了一个谱系，而智能作为系统的整体属性，其表现形式又具有多样性，人工智能的谱系及其多样性的行为注定了研究的具体目标和对象的多样性。人工智能与前沿技术的结合，使人工智能的研究日趋多样化。 3、总结 人工智能的研究方法会随着技术的进步而不断丰富，很多新名词还会被提出，但研究的目的基本不变，日趋多样化的研究方法追根溯源也就是研究问题的两种方法的演变。对人工智能中尚未解决的众多问题，运用基本的研究问题的方法，结合先进的技术，不断实现智能化。人工智能与前沿技术密切联系，人工智能的研究方法必然日趋多样化。 4、参考文献 （1）人工智能技术导论廉师友西安电子科技大学出版社2007.8 （2）人工智能研究方法及途径熊才权2005年第三期 （3）人工智能学派及其在理论、方法上的观点蔡自兴1995.5 （4）人工智能研究的主要学派及特点黄伟聂东陈英俊2001第三期 （5）人工智能研究对思维学的方法论启示尹鑫苏国辉2002.10第四期
文献综述 前言 从20世纪40年代起，特别是第二次世界大战以来，自动化随着工业发展和军事技术需要而得到了迅速的发展和广泛的应用。如今，自动控制技术不仅广泛应 用于工业控制中，在军事、农业、航空、航海、核能利用等领域也发挥着重要的 作用。例如，电厂中锅炉的温度或压力能够自动恒定的不变，机械加工中数控 机床按预定程序自动地切削工件，军事上导弹能准确地击中目标，空间技术中人 造卫星能按预定轨道运行并能准确地回收等，都是应用了自动控制技术的结果。 自动控制，是指在没有人直接参与的情况下，利用控制装置对机器设备或生产过程进行控制，使之达到预期的状态或性能要求。 双容水箱液位控制系统就是自动控制技术在液位控制方面的应用。其在化工，能源（电厂）等工业工程控制中得到了广泛应用。 过程控制的发展历程 随着过程控制技术应用范围的扩大和应用层次的深入，以及控制理论与技术的进步和自动化仪表技术的发展，过程控制技术经历了一个由简单到复杂，从低 级到高级并日趋完善的过程。 1过程控制装置的发展 1.1基地式控制阶段（初级阶段） 20世纪50年代，生产过程自动化主要是凭借生产实践经验，局限于一般的控制元件及机电式控制仪表，采用比较笨重的基地式仪表（如自力式温度 控制器、就地式液位控制器等），实现生产设备就地分散的局部自动控制。在设 备与设备之间或同一设备中的不同控制系统之间，没有或很少有联系，其功能往 往限于单回路控制。其过程控制的主要目的是几种热工参数（温度、压力、流量 及液位）的定值控制，以保证产品质量和产量的稳定。 1.2单元组合仪表自动化阶段 20世纪60年代出现了单元组合仪表组成的控制系统，单元组合仪表有电动和气动两大类。所谓单元组合，就是把自动控制系统仪表按功能分成若干 单元，依据实际控制系统结构的需要进行适当的组合。单元组合仪表之间用标准 统一的信号联系，气动仪表（QDZ系列）信号为0.02～0.1MPa气压信号，电动 仪表信号为0～10mA直流电流信号（DDZ-II系列）和4～20mA直流电流信号 （DDZ-III系列）因此单元组合仪表使用方便、灵活。由于电流信号便于远距离 传送，因而实现了集中监控和集中操纵的控制系统，对于提高设备效率和强化生 产过程有所促进，适应了工业生产设备日益大型化于连续化发展的需要。
人工智能的形成及其发展现状分析 冯海东 （长江大学管理学院荆州434023） 摘要：人工智能的历史并不久远，故将从人工智能的出现、形成、发展现 状及前景几个方面对其进行分析，总结其发展过程中所出现的问题，以及发展现状中的不足之处，分析其今后的发展方向。 关键词：人工智能，发展过程，现状分析，前景。 一．引言 人工智能最早是在1936年被英国的科学家图灵提出，并不为多数人所认知。 当时，他编写了一个下象棋的程序，这就是最早期的人工智能的应用。也有著名的“图灵测试”，这也是最初判断是否是人工智能的方案,因此，图灵被尊称为“人工智能之父”。人工智能从产生到发展经历了一个起伏跌宕的过程，直到目前为止，人工智能的应用技术也不是很成熟，而且存在相当的缺陷。 通过搜集的资料，将详细的介绍人工智能这个领域的具体情况，剖析其面临的挑战和未来的前景。 二．人工智能的发展历程 1. 1956年前的孕育期 (1) 从公元前伟大的哲学家亚里斯多德(Aristotle)到16世纪英国哲学家培根(F. Bacon)，他们提出的形式逻辑的三段论、归纳法以及“知识就是力量”的警句，都对人类思维过程的研究产生了重要影响。 （2）17世纪德国数学家莱布尼兹(G..Leibniz)提出了万能符号和推理计算思想，为数理逻辑的产生和发展奠定了基础，播下了现代机器思维设计思想的种子。而19世纪的英国逻辑学家布尔（G. Boole）创立的布尔代数，实现了用符号语言描述人类思维活动的基本推理法则。 （3） 20世纪30年代迅速发展的数学逻辑和关于计算的新思想，使人们在计算机出现之前，就建立了计算与智能关系的概念。被誉为人工智能之父的英国天才的数学家图灵（A. Tur-ing）在1936年提出了一种理想计算机的数学模型，即图灵机之后,1946年就由美国数学家莫克利（J. Mauchly）和埃柯特（J. Echert）研制出了世界上第一台数字计算机，它为人工智能的研究奠定了不可缺少的物质基础。1950年图灵又发表了“计算机与智能”的论文，提出了著名的“图灵测试”，形象地指出什么是人工智能以及机器具有智能的标准，对人工智能的发展产生了极其深远的影响。 （4） 1934年美国神经生理学家麦克洛奇(W. McCulloch) 和匹兹(W. Pitts )建立了第一个神经网络模型，为以后的人工神经网络研究奠定了基础。 2. 1956年至1969年的诞生发育期 (1)1956年夏季，麻省理工学院（MIT)的麦卡锡（J．McCarthy）、明斯基（M. Minshy）、塞尔夫里奇（O. Selfridge)与索罗门夫(R. Solomonff)、 IBM的洛
多智能体系统一致性综述 一 引言 多智能体系统在20世纪80年代后期成为分布式人工智能研究中的主要研究对象。研究多智能体系统的主要目的就是期望功能相对简单的智能体系统之间进行分布式合作协调控制，最终完成复杂任务。多智能体系统由于其强健、可靠、高效、可扩展等特性，在科学计算、计算机网络、机器人、制造业、电力系统、交通控制、社会仿真、虚拟现实、计算机游戏、军事等方面广泛应用。多智能体的分布式协调合作能力是多智能体系统的基础，是发挥多智能体系统优势的关键，也是整个系统智能性的体现。 在多智能体分布式协调合作控制问题中，一致性问题作为智能体之间合作协调控制的基础，具有重要的现实意义和理论价值。所谓一致性是指随着时间的演化，一个多智能体系统中所有智能体的某一个状态趋于一致。一致性协议是智能体之间相互作用、传递信息的规则，它描述了每个智能体和其相邻的智能体的信息交互过程。当一组智能体要合作共同去完成一项任务，合作控制策略的有效性表现在多智能体必须能够应对各种不可预知的形式和突然变化的环境，必须对任务达成一致意见，这就要求智能体系统随着环境的变化能够达到一致。因此，智能体之间协调合作控制的一个首要条件是多智能体达到一致。 近年来，一致性问题的研究发展迅速，包括生物科学、物理科学、系统与控制科学、计算机科学等各个领域都对一致性问题从不同层面进行了深入分析，研究进展主要集中在群体集、蜂涌、聚集、传感器网络估计等问题。 目前，许多学科的研究人员都开展了多智能体系统的一致性问题的研究，比如多智能体分布式一致性协议、多智能体协作、蜂涌问题、聚集问题等等。下面，主要对现有文献中多智能体一致性协议进行了总结，并对相关应用进行简单的介绍。 1.1 图论基础 多智能体系统是指由多个具有独立自主能力的智能体通过一定的信息传递方式相互作用形成的系统；如果把系统中的每一个智能体看成是一个节点，任意两个节点传递的智能体之间用有向边来连接的话，智能体的拓扑结构就可以用相应的有向图来表示。 用)(A E,V,G =来表示一个有向加权图，其中}{n 21v ,,v ,v V =代表图的n 个顶
智能控制综述 摘要：本文首先介绍了智能控制的发展和智能控制系统的结构和特点以及与传统控制的关系。然后，综述几种智能控制研究的主要内容。 关键词：智能控制、自动控制、研究内容 1、智能控制的发展 任何一种科学技术的发展都由当时人们的生产发展需求和知识水平所决定和限制，控制科学也不例外。1948年，美国著名的控制论创始人维纳（N.Wiener）在它的著作《控制论》中首次将动物与机器相联系。1954年钱学森博士在《工程控制论》中系统的阐明了控制论对航空航天和电子通讯等领域的意义及影响，1965年傅京孙（K.S.Fu）教授首先把人工智能的启发式推理规则用于学习控制系统，又于1971论述了人工智能与自动控制的交集关系，成为国际公认的智能控制的先行者和奠基人[1]。 20世纪60年代，随着航海技术，空间技术的发展，控制领域面临着人们对其性能要求愈来愈高和被控对象的复杂性和不确定性，被控对象的复杂性和不确定性主要表现在被控对象的非线性和不确定性，以及分散的传感元件与执行元件，复杂的信息网络和庞大的数据量。而传统控制在解决这些问题时存在三方面的问题：一、由于传统控制理论是建立在以微积分为工具的精确模型上，所以无法对高度复杂和不确定的被控对象进行描述；二、传统控制理论中的自适应控制和Robust控制虽可克服系统中所包含的的不确定性，达到优化控制的目的，但这些方法只适用于缓慢变化的情况。三、传统控制系统输入较单一，而面对海量信息（视觉的、听觉的、触觉的等）的复杂环境，智能控制应运而生。 智能控制是对传统控制的补充和发展，是自动控制发展的高级阶段，而传统控制是智能控制产生的基础。 国内对智能控制的研究今年来也十分活跃。从八十年代人工智能与系统科学相结合到863计划的实施，智能控制在我国的发展已有稳固的基础。 2、智能控制结构与特点 智能控制是自动控制发展的高级阶段，是人工智能、控制论、系统论、信息论、仿生学、和计算机等多种学科的高度结合，是一门新兴的边缘交叉学科。它不仅包含了自动控制、人工智能、系统理论和计算机科学，而且还涉及到生物学，正在成为自动化领域中最兴旺和发展最迅速的一个分支学科[2]。 （1）智能控制具有明显的跨学科、多元结构特点。至今，智能控制方面的专家已提出二元结构、三元结构、四元结构等三种结构，它们可分别以交集的形式表示如下： IC=AI∩AC (1) IC=AI∩CT∩OR (2) IC=AI∩CT∩ST∩OR (3) 上式中，各子集的含义为 AI——人工智能；AC——自动控制；CT——控制论； OR——运筹学；ST——系统论；IC——智能控制。 智能控制的二元交集结构、三元交集结构和四元交集结构分别由傅京孙、萨克迪斯（G.N.Saridis）和蔡自兴于1971,1977和1986年提出的[3]，以上的交集表达式也可表示成如下图1、2、3的形式：
第1章 群体智能算法概述 1975年，美国Michigan大学的John Holland[1]教授发表了其开创性的著作《Adapatation in Natural and Artificail System》，在该著作中John Holland教授对智能系统及自然界中的自适应变化机制进行了详细阐述，并提出了计算机程序的自适应变化机制，该著作的发表被认为是群体智能（Swarm Intelligence）[2]算法的开山之作。随后，John Holland和他的学生对该算法机制进行了推广，并正式将该算法命名为遗传算法（Gentic Algorithm，GA）[3]~[5]。遗传算法的出现和成功，极大地鼓舞了广大研究工作者向大自然现象学习的热情。经过多年的发展，已经诞生了大量的群体智能算法，包括：遗传算法、蚁群优化（Ant Colony Optimization，ACO）[6]~[7]算法、差异演化（Differential Evolution，DE）[8]~[12]算法、粒子群优化（Particle Swarm Optimization，PSO）[13]~[16]算法等。 随着群体智能算法在诸如机器学习、过程控制、经济预测、工程预测等领域取得了前所未有的成功，它已经引起了包括数学、物理学、计算机科学、社会科学、经济学及工程应用等领域的科学家们的极大兴趣。目前关于群体智能计算的国际会议在全世界各地定期召开，各种关于信息技术或计算机技术的国际会议也都将智能进化技术作为主要研讨课题之一。甚至有专家指出，群体智能计算技术、混沌分析技术、分形几何、神经网络等将会成为研究非线性现象和复杂系统的主要工具，也将会成为人们研究认知过程的主要方法和工具。 1.1 群体智能算法的特点 1.1.1 智能性 群体智能算法通过向大自然界中的某些生命现象或自然现象学习，实现对于问题的求解，这一类算法中包含了自然界生命现象所具有的自组织、自学习和自适应性等特性。在运算过程中，通过获得的计算信息自行组织种群对解空间进行搜索。种群在搜索过程中依据事先设定的适应度函数值，采用适者生存、优胜劣汰的方式进化，所以算法具有一定的智能性。 由于群体智能算法具有的这种优点，应用群体智能算法求解问题时，不需要事
文献综述 智能建筑起源于20世纪80年代初的美国，经过短短几十年的迅猛发展，已在世界各地逐步广泛普及开来。近几年来，随着计算机的普及和信息产业的发展，人们对居住环境要求的不断提高，“智能化”的概念也逐渐被引入了现代化住宅小区建设当中，智能小区已成为现代建筑行业中，继单一型智能建筑之后的又一热点，得到业内人士的广泛关注，并进入快速发展阶段。目前，智能小区不仅成为房地产开发商的投资的重点，而且也是人们购房的新热点。智能化住宅将成为21世纪的概念住宅。 据我国建设部住宅产业化办公室提出的智能化住宅小区新概念，即：在现代化的城乡住宅小区内综合采用微型计算机、自动控制、通信与网络等技术，建立一个由住宅小区综合物业管理中心与安防系统，信息通信服务与管理及家庭智能化系统组成的“三合一”住宅小区服务与管理集成系统，使小区与每个家庭达到安全、舒适、温馨和便利的环境。 理想的智能化家居可以使人们足不出户就可以进行网络漫游、电子购物、网上医疗、参观虚拟博物馆和图书馆、点播自己喜爱的影视节目，甚至在数千里之外通过因特网遥控家里的电器的开关和调节器，从而调整房间照明亮度、控制环境的温度和湿度等。当家庭中发生安全警报时(盗警、火警、煤气泄漏以及疾病紧急呼救等)，在外的家庭成员可以接到报警信息，并可通过电话或网络查询确认家庭中的安全状况。智能化工程各系统要体现当今时代潮流，设计合理，具有既可单独操作控制，又能整体管理的功能，安装维护方便，安全可靠。智能化工程的核心在于其强大的一体化智能网络系统，它是智能住宅的灵魂和中枢。具体而言，既通过小区物业管理中心控制室实现对整个小区的功能控制和物业信息管理，把各相互独立的弱电子系统构件整合一个完美的整体，协同工作，并可视具体要求和将来发展任意拆装各弱电子系统。 对小区智能化系统，基本要求是：小区智能化系统的建设要达到建设部提出
摘要：在此我综述智能控制技术的现状及发展,首先简述智能控制的性能特点及主要方法;然后介绍智能控制在各行各业中的应用现状;接着论述智能控制的发展。智能控制技术的主要方法，介绍了智能控制在各行各业中的应用。随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出犷新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。 关键词：智能控制应用自动化 浅谈智能控制技术现状及发展 在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析，而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。此外，智能控制的核心在高层控制，即组织控制。高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。 一、智能控制的性能特点及主要方法 1.1根据智能控制的基本控制对象的开放性，复杂性，不确定性的特点，一个理想的智能控制系统具有如下性能： （1）系统对一个未知环境提供的信息进行识别、记忆、学习，并利用 积累的经验进一步改善自身性能的能力，即在经历某种变化后，变化后的
2016年教育部自然科学奖推荐项目公示材料 1、项目名称：多智能体系统分布式协同控制 2、推荐奖种：自然科学奖 3、推荐单位:东南大学 4、项目简介: 多智能体系统是20世纪末至21世纪初分布式人工智能领域的国际前沿研究课题，其核心支撑理论是人工智能、分布式控制和分布式计算。进入21世纪，人们在解决大型、复杂的工程问题时，发现单个智能体的能力已经无法胜任，需要多个智能体在网络环境下以信息通讯的方式组成多智能体系统协同地解决工程问题。典型的多智能体系统包括多机器人系统，多无人机系统，智能电网和分布式卫星系统等。本项目系统深入研究了多智能体系统协同控制的共性问题、网络结构控制、通讯受限等关键科学问题，取得的重要科学发现如下： (1)通过引入一致性区域的概念，把二阶和高阶系统一致性问题转化为研究一致性区域的稳定性范围，给出了具有固定网络拓扑的多智能体线性系统二阶和高阶一致性的充分必要条件，解决了长期困惑研究者的多智能体系统协同控制器设计的本质问题；提出有向网络的广义代数连通度作为有向网络收敛判别的基本依据，推广了无向网络的代数连通度。 (2)给出了牵制控制无向网络实现同步的一般条件；克服非对称网络拓扑结构的本质困难，解决了有向网络同步牵制控制的挑战问题；采用图分解引入匹配割点和割集，完善了矩阵分解的谱理论，解决网络牵制控制一个结点的最优控制的关键难题。 (3)利用非奇异M矩阵理论和切换系统稳定性分析方法，突破了通过求解闭环系统的解曲线，然后再进行稳定分析的技术性瓶颈，发现了具有间歇信息通讯的二阶多智能体系统一致性的实现与降阶后的低维切换系统全局稳定性的内在本质联系，解决了切换有向拓扑下多智能体系统的协同一致性的难题。 项目组近年来在IEEE、Automatica、SIAM等本领域著名期刊上发表多智能体系统协同控制SCI论文110篇。10篇代表性论文SCI他引1159次，WOS 他引1433次，Google Scholar他引2165次，全部为ESI工程领域前1%高被引论文，9篇论文Google Scholar他引超过100次，6篇论文发表至今在所在期刊的SCI引用排名居于前2位，被38位院士和IEEE Fellow在Nature、Nature Physics、IEEE汇刊等正面评价，相关成果获亚洲控制会议最佳论文奖、IEEE 电路与系统协会神经系统与应用技术委员会最佳理论论文奖、全国复杂网络学术会议最佳学生论文奖、IEEE国际电路与系统会议最佳学生论文奖提名等。
汽车智能防撞系统的研究 摘要：本文综述世界智能车辆技术在自动防撞方面的应用现状，结合我国高速公路、驾驶习惯及现有传感器的技术状况，分析探究适合中国高速公路及现实国情的汽车智能防撞装置。根据所要实现的基本功能，对比当前采用的四种常用测距方法，最终选用红外激光测距原理，建立了系统方案。汽车红外激光智能防撞装置是一种主动式防撞系统，它能使反应时间、距离、速度三个方面都能得到良好的优化控制，可以有效地避免汽车追尾碰撞事故的发生，该系统在汽车领域的应用与其所能带来的经济效益和社会效益将会是相当可观的。 关键词：智能防撞激光测距雷达测距单片机语音报警 1 前言 1.1课题研究的价值和意义 随着我国改革开放的不断深入和社会主义经济的不断发展，人们的物质生活日益提高，汽车己经进入千家万户，公路交通呈现出行驶高速化、车流密集化和驾驶员非职业化的趋势;与此同时，也带来了一个不可避免的问题:交通事故逐年上升。 2004年，全国公安机关交通管理部门共受理道路交通事故51.8万起，造成107077人死亡，比2003年增加2705人，上升2.6%;直接财产损失23.9亿元。在各类事故形态中，机动车碰撞事故占绝大多数。2004年，全国共发生机动车碰撞事故400389起，造成77081人死亡、375620人受伤，分别占总数的77.3%、72%和78.1%。其中，正面相撞事故123577起，造成31715人死亡、128447人受伤，分别占总数的23.9%、29.6%和26.7%;侧面相撞事故196798起，造成29900人死亡、186683人受伤，分别占总数的38%、27.9%和38.8%;追尾相撞事故80014起，造成15466人死亡、60490人受伤，分别占总数的15.5%、14.4%和12.6%。从以上数据，足以说明公路交通安全已是我国面临的重大问题。 我国的高速公路起步随晚，但发展较快。据统计，高速公路每百公里事故率为普通公路的4倍多。高速公路的事故类型，大多数为车辆的追尾碰撞事故，这是由高速公路的特点所决定的。高速公路具有汽车专用、分割行驶、控制出入、全部立交、限制车速以及高标准、设施完备等特点。高速公路由于排除了行人、非机动车的干扰，从而保证车辆可以高速行驶，而具有路面宽阔、标示醒目、标线分明、全线封闭等特点。保证了高速公路具有行车速度快、交通流量大的优点。我国，一般公路平均时速为40~50Km/h，而高速公路平均时速可达80Km/h以上。高速公路车辆速度快、干扰小的特点也促使其发生的事故性质比较严重，一旦发生事故，多数是恶性的交通事故。分析高速公路交通事故的类型和原因，发现超速行驶、恶劣天气时很容易发生制动测滑、甩尾或行车视距不足而导致的追尾碰撞事故。死亡事故中65%以上是追尾相撞造成的。由此可见，如何提高汽车行驶安全性，减少交通事故及其损失，己经刻不容缓的摆在研究人员的面前。 据有关部门对交通事故的统计分析，发现在司机—汽车—环境三要素中，司机是可靠性最差的一个环节，80%以上的事故是由于司机反映不及时或判断失误引起。计算表明，司机反映迟缓1秒，速度为80Km/h的汽车要前进约22.2米，由此可能产生不堪设想的后果。若在夜间或雨、雪、雾等恶劣天气条件下，汽车在中、高速行驶时，很难及时发现前方障碍物并采取必要应急措施。统计表明，在发生撞车的事故中，45%是司机没有看清楚前面车辆所处的位置，30%是发现前方车辆但为时己晚，特别在汽车高速行驶的情况下，前方目标正确识别与否至关重要。根据汽车驾驶自动化和智能化的发展趋势，汽车防撞系统的研制有着重要的意义。 1.2研究的现状
多智能体系统的协调控制相关内容 摘要 近年来，多智能体系统的协调控制在多机器人合作控制"交通车辆控制"无人飞机编队和网络的资源分配等领域有着广泛的应用，成为当前控制学科的一个热点问题’首先介绍了 多智能体系统的研究背景和智能体的概念; 然后从多智能体系统协调控制包含的几个问题 入手，即群集问题、编队控制问题、一致性问题和网络优化问题等，对其国内外的发展现状进行了总结和分析; 最后，给出了多智能体系统有待解决的一些问题，以促进对多智能体系统协调控制理论与应用的进一步研究。 关键词 多智能体系统; 一致性; 队形控制;群集/蜂拥 0 引言 在落叶飘飞的秋天，人们经常看见大雁排着整齐的人字型队伍迁徙到南方; 在阴暗潮湿的环境下，细菌部落聚集而生; 夏天池塘的青蛙同时发出哇哇的叫声; 夏日的一群萤火虫同时发出一闪一亮的光线; 自然界中成群的蜜蜂，事先没有商量建筑蜂巢的蓝图，但是它们各自搬运泥土，筑成了坚固的蜂巢; 在海洋中某些鱼类，具有规则队形聚集在一起运动，当发现新的食物来源或者受到外部攻击时，原来规则的队形被打乱了，但是在没有外界力量的介入下，一段时间之后，这群鱼类又建立了规则的队形聚集在一起运动。自然界中的这些自组织现象在没有集中中央控制的条件下，是什么样的工作机制，使得内部个体相互感知和交换信息，从而外部表现出规则而有序的智能行为运动? 并且这种智能行为是单个个体所 不能达到的，因而这些现象引起了生物学家的兴趣，生物学家试图了解这些自然界生物系统内部的工作机制，期望把这些理论应用到实际的系统中，为一些新出现的系统，例如交通车辆系统"机器人编队系统"无人飞机或者水下航行器系统等复杂智能系统提供理论指导，生物学家最初使用模拟仿真实验的方法，不能在理论上真正揭示这些生物界自组织现象的本质。 在计算机和工程领域，随着它们的发展，早期的集中式和分布式计算系统不能处理越来越复杂和规模越来越大的实际问题。20世纪 70 年代以后，分布式 人工智能方法出现，能够解决当时的问题，得到了迅速的发展，但是这种分布式人工智能有其缺点，就是低层子系统个体之间的相互作用方式是被高层系统根据任务预先设定好的，采用“自上而下”的分析方法，因此缺乏灵活性，很难为实际中的复杂大系统建模。为了克服上述的缺点，美国麻省理工学院的Minsky最早提出了智能体( agent) 的概念，同时把生物界个体社会行为的概念引入到计算机学科领域。这时，生物学和计算机科学领域发生了交叉。所谓的智能体可以是相应的软件程序，也可以是实物例如人、车辆、机器人、人造卫星等。 近些年来，由于生物学、计算机科学、人工智能、控制科学、社会学等多个学科交叉和渗透发展，多智能体系统越来越受到众多学者的广泛关注，已成为当前控制学科的热点问题。对多智能体系统的研究成果日益增多。
智能交通控制系统发展概述 随着城市的发展和车辆的增加，实行有效的交通控制以保证交通的通畅，已日益成为交通管理部门所面临的重要问题。简单的控制方式如定时控制、感应控制、单路口的孤立控制等已不能满足城市交通控制的需要，为了提高交通网络的运行效率，必须要建立一个智能的交通控制系统，能够根据车流量的变化自动调节红绿灯的时间长度，最大限度地减少十字路口的车辆滞流现象，有效的缓解交通拥挤、实现交通控制系统的最优控制，大大的提高了交通控制系统的效率。随着我国道路交通拥挤的问题日益突出，可以预见，智能交通控制系统将具有广大的应用前景。 1 国外智能交通控制系统的研究现状 20世纪80年代以后，世界各国的交通控制出现了前所未有的发展热潮，随着计算机技术和自动控制技术的发展，以及交通流理论的不断发展完善，交通运输组织与优化理论的不断提高，城市交通控制开始向信息化、智能化方向发展[1]。在20世纪90年代，发达国家已开始出现智能交通控制系统，并将城市交通控制系统纳入智能交通运输系统中，成为先进交通管理系统的重要子系统[2]。世界各国解决城市交通存在的问题，主要采用先进的交通控制方法。当今世界各国广泛使用的最有代表性且有成效的交通控制系统有澳大利亚的SCAT系统、英国的TRANSYT系统和SCOOT系统[3-5]。（1）TRANSYT(Traffic Network Study Tools)系统 自1968年问世以来，经历不断的改进，已经发展成为先进的TRAN-SYT/9型。该系统采用静态模式，以绿信比和相位差为控制参数，优化方法为爬山法。 作为最成功的静态智能交通控制系统，虽然已经被世界400多个城市所使用，但是由于其计算量较大，很难获得整体最优的配时方案，同时需要大量的路网几何尺寸和交通流数据。 （2）SCOOT(Split、Cyele and Offset Optimization Technique)系统采用联机实时控制的动态模式，对周期、绿信比和相位差进行控制，采用小步长寻优方法，相对TRANSYT 而言具有相当大的优势。但是SCOOT相位不能自动改变，现场安装调试时相当繁琐等也急需改进。