智能控制是一种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。智能控制无须人的直接干预就能独立地驱动智能机器，其基础是人工智能、控制论、运筹学和信息论等学科的交叉，也就是说它是一门边缘交叉学科。智能控制是一种能更好地模仿人类的、非传统的控制方法，它采用的理论方法主要来自自动控制理论、人工智能和运筹学等，内容包括最优控制、自适应控制、鲁棒控制、神经网络控制、模糊控制、仿人控制等。智能控制的控制对象可以是已知系统也可以是未知系统。智能控制策略不仅能抑制外界干扰、环境变化、参数变化的影响，还能有效地消除模型化误差的影响。自从“智能控制”概念的提出到现在，自动控制和人工智能专家、学者们提出了各种智能控制理论，下面将对一些有影响的智能控制理论进行介绍。

控制理论发展至今，经历了“经典控制理论”和“现代控制理论”阶段，现在已进入“大系统理论”和“智能控制理论”阶段。智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。20 世纪80年代以来，信息技术、计算技术及其他相关学科的发展和相互渗透，也推动了控制科学与工程的研究，控制系统向智能控制系统发展已成为一种趋势。

近 20 年来，智能控制理论与智能化系统发展十分迅速。智能控制理论被誉为最新一代的控制理论，代表性的理论有模糊控制理论、神经网络控制理论、基因控制理论（即遗传算法）、混沌控制理论、小波理论、分级递阶控制理论、拟人化智能控制理论、博弈论等。应用智能控制理论解决工程控制系统问题的这类系统称为智能化系统，其被广泛应用于复杂的工业过程控制、机器人与机械手控制、航天航空控制、交通运输控制等领域。采用其他控制理论难以设计出符合要求的系统时，都可以期望应用智能控制理论获得满意的结果。

（1）分级递阶智能控制

美国乔治·萨里迪斯提出的分级递阶智能控制是最早的智能控制理论之一。它是以早期的学习控制系统为基础，并总结了人工智能与自适应控制、自学习控制和自组织控制的关系后逐渐形成的。分级递阶智能控制遵循“精度随智能降低而提高”的原理分级分布，由组织级、协调级、执行级组成。在递阶智能控制系统中，组织级主管智能，由人工智能起控制作用；协调级是组织级和执行级之间的接口，由人工智能和运筹学共同作用；执行级仍然采用现有数学解析控制算法，对相关过程起适当的控制作用，具有较高的精度和较低的智能。

（2）神经网络控制

神经网络最早是由20世纪40年代美国心理学家麦卡洛克和数学家沃尔特·皮茨研究提出的。而后，人工智能的兴起促进了人工神经网络的产生。人工神经网络是一种动态非线性系统，其将传统的PID控制算式，改写成适用于神经网络加权运算的算式。神经网络控制简称神经控制，是简单模拟人脑智力行为的一种新型控制方式。随着人工神经网络应用研究的不断深入，新的模型不断产生。在智能控制领域，应用最多的是BP神经网络、Hopfield神经网络、自组织神经网络、动态递归神经网络等。神经网络能够应用于自动控制领域，主要因为：第一，存在隐层，这样只需三层网络便可以从任意精度逼近非线性函数；第二，拥有并行处理功能，这样既能解决大批量实际计算和判决问题，又有较强的容错能力且易于实现。

神经网络智能控制的优点：①可以充分逼近任意复杂的非线性关系；②具有很强的鲁棒性和容错性；③采用并行处理方法，使计算更加快速；④可以处理不确定或不知道的系统，因为神经网络具有自学习的特性。

（3）模糊控制

美国加利福尼亚大学的L. A.扎德教授于 1965 年首先提出了“模糊集合”的概念。之后，模糊控制理论得到了很快发展。模糊控制的基本思想是用机器去模拟人对系统的控制，是一种在被控对象的模糊模型的基础上，运用模糊控制器等手段，实现系统控制的方法。模糊模型是用模糊语言和规则描述一个系统的动态特性及性能指标，它是一个不需要知道被控对象（或过程）的数学模型，易于对具有不确定性对象和具有强非线性对象进行控制，对被控对象特性参数的变化具有较强的鲁棒性，对控制系统的干扰也具有较强的抑制能力。