第1章 智能控制概述 001
1.1控制理论和应用发展的概况001
1.1.1控制的本质001
1.1.2控制理论的发展历程：从经典到现代，再到智能001
1.2传统控制理论的局限性003
1.2.1依赖被控对象的精确数学模型004
1.2.2处理复杂系统的能力不足004
1.2.3缺乏学习和自适应能力005
1.2.4在工程实现中的挑战005
1.3智能控制的组成、定义006
1.3.1智能的定义006
1.3.2智能控制的定义006
1.4智能控制与传统控制的关系和差别007
1.5智能控制研究的主要内容008
1.6静态反馈控制和动态反馈控制009
1.7智能控制的分类010
1.8本书的内容和结构010
思考题与习题011

第2章 模糊集合012
2.1模糊集合概述012
2.1.1模糊的起源012
2.1.2计算机思维与人类思维的差异012
2.1.3模糊逻辑的提出和发展013
2.2基本定义和术语014
2.2.1模糊集合及其表达方式015
2.2.2模糊集合的相关定义016
2.3模糊集合运算022
2.3.1模糊集合包含、并集、交集、补集022
2.3.2模糊集合的运算律023
2.4隶属函数的形式与参数化024
2.4.1确定隶属函数的基本原则及常用方式024
2.4.2常用的一维隶属函数形式及其参数化025
2.4.3分段线性与光滑函数的性能权衡027
2.4.4一维参数化隶属函数的导数028
2.4.5多维模糊系统建模029
思考题与习题033

第3章 模糊规则与模糊推理控制 034
3.1扩展原理034
3.1.1扩展原理的含义034
3.1.2应用扩展原理的例题035
3.1.3扩展原理的推广036
3.2模糊关系037
3.2.1模糊关系的数学定义037
3.2.2模糊关系的表示方法038
3.3模糊关系的基本运算040
3.3.1并、交、补运算040
3.3.2合成运算041
3.3.3模糊关系的性质043
3.4模糊if-then规则044
3.4.1从语言规则到数学关系044
3.4.2语言变量与语言值045
3.4.3模糊if-then规则的结构解析048
3.4.4模糊蕴含运算049
3.4.5模糊if-then规则的数学表示051
3.4.6模糊关系计算实例051
3.5模糊推理复合规则053
3.5.1模糊推理复合规则的定义053
3.5.2模糊推理复合规则的数学基础与几何解释053
3.5.3基于Mamdani模型的推理过程056
3.5.4推理计算实例057
思考题与习题058

第4章 模糊控制与案例 分析
0594.1模糊控制系统概述059
4.1.1基本定义与核心思想059
4.1.2系统结构与工作流程060
4.1.3模糊控制器的基本组成模块061
4.2Mamdani型模糊控制器062
4.2.1Mamdani型模糊控制器的结构解析062
4.2.2规则库的设计原则和方法062
4.2.3解模糊化方法063
4.2.4Mamdani型模糊控制器的实例分析064
4.3T-S型模糊控制器068
4.3.1T-S型模糊控制器的结构和特点068
4.3.2T-S型模糊控制器的工作流程069
4.3.3T-S型模糊控制器的实例分析069
4.4模糊控制器的设计方法和参数整定072
4.4.1常规设计流程与步骤072
4.4.2比例因子的选取与整定073
4.4.3基于经验的规则与隶属函数参数调整073
4.5模糊控制器的仿真与实现074
4.5.1基于Python的开发路径074
4.5.2基于Python模糊控制器开发075
4.5.3搭建控制系统的Python开发环境076
4.6模糊控制器的设计案例078
4.6.1PD型Mamdani模糊逻辑控制器的设计078
4.6.2基于MATLAB实现Mamdani型模糊控制器082
4.6.3基于Python实现Mamdani型模糊控制器085
4.6.4基于T-S模糊模型和并行分布式补偿的状态反馈镇定方法087
4.6.5基于MATLAB实现T-S模糊模型和并行分布式补偿的状态反馈镇定091
4.6.6基于Python实现T-S模糊模型和并行分布式补偿的状态反馈镇定095
思考题与习题099

第5章 人工神经网络原理 100
5.1人工神经网络基础100
5.1.1人工神经网络的基本定义与发展历程100
5.1.2生物神经元与人工神经元的关系101
5.1.3人工神经元的数学模型和激活函数102
5.1.4人工神经元的激活函数103
5.1.5人工神经网络的基本拓扑结构105
5.1.6人工神经网络的特征和功能107
5.2感知器模型108
5.2.1单层感知器的结构与工作原理109
5.2.2感知器在线性分类问题中的应用109
5.2.3感知器的学习算法与权重调整规则111
5.2.4单层感知器处理线性不可分问题的局限性111
5.2.5从单层感知器到多层感知器的发展112
5.3多层前馈神经网络与BP算法114
5.3.1多层感知器的结构与优势114
5.3.2BP算法的提出背景与历史意义115
5.3.3BP算法的数学原理推导116
5.3.4BP算法的具体实现流程118
5.3.5BP算法的局限性及改进方法119
5.4径向基函数神经网络121
5.4.1RBF神经网络的基本结构121
5.4.2RBF神经网络的数学模型和函数特性123
5.4.3RBF神经网络参数的选择策略124
5.4.4RBF神经网络的学习算法和训练策略129
5.4.5BP神经网络与RBF神经网络的对比分析130
思考题与习题132

第6章 神经网络控制 133
6.1神经网络控制概述133
6.1.1控制范式的转变：为何需要神经网络控制？133
6.1.2神经网络控制器的核心特性与优势134
6.2神经网络的逼近能力135
6.2.1通用逼近定理135
6.2.2BP神经网络的逼近能力136
6.2.3RBF神经网络的逼近能力137
6.2.4神经网络分类能力与逼近能力137
6.3神经网络控制器的典型结构分类139
6.3.1间接学习型控制139
6.3.2直接自适应控制140
6.3.3神经PID控制140
6.3.4前馈-反馈复合控制141
6.4神经网络控制器原理及设计141
6.4.1基于单神经元的自适应PID控制器设计142
6.4.2RBF神经网络与PD控制器的复合控制142
6.4.3基于RBF神经网络的理想模型自适应控制设计144
6.4.4基于RBF神经网络的鲁棒自适应控制设计146
6.4.5基于RBF神经网络的增强鲁棒自适应控制器设计150
6.5神经网络控制器的设计案例152
6.5.1问题描述和系统模型152
6.5.2基于MATLAB实现RBF神经网络控制器153
6.5.3基于Python实现RBF神经网络控制器157
思考题与习题162

第7章 强化学习概述 163
7.1引言：从最优控制到学习控制163
7.1.1最优控制问题的数学描述163
7.1.2动态规划的困境：维度灾难165
7.1.3解决方案：函数逼近和学习166
7.2自适应动态规划（ADP）的数学基础167
7.2.1HJB方程：最优性的判据167
7.2.2HJB方程的解：验证定理与黏性解理论169
7.3自适应动态规划的核心范式：近似动态规划170
7.3.1ADP的基本思想171
7.3.2基于值迭代的最优自适应控制171
7.3.3基于策略迭代的最优自适应控制173
7.3.4值迭代与策略迭代：范式对比与架构实现175
7.3.5启示：从算法到工程实现的哲学178
7.3.6从经典最优控制到ADP：线性二次型调节器与策略迭代178
7.3.7线性二次型策略迭代算法的实现案例181
思考题与习题187

参考文献 188