46. A. 47. D. 48. A. 49. D. 50. B. 51. D. 52. A. 53. A. 54. C.55. C. 56. B. 57. D. 58. A. 59. A. 60. B.61 D 62 D 63 A 64 A 65 A 66 C 67 B 68 D 69 B 70 A 71 B 72 A 73 D 74 B 75 B 76. A.、77. D.、78. A.、79. A.、80. C.、81. A.、82. B.、83. C.、84. D.、85. A.、86. D.、87. C.、88. C.、89. B.、90. D.
四、多项选择题
91. A.C.D. 92. A.B.D.E. 93. B.C.D.E. 94. C.D. 95. A.B.C.D.E. 96 ABC 97 ADE 98 BCDE 99 ABCDE 100 BCDE
1011. A.C.D.、102. A.B.C.、103. A.B.C.、104．A.B.D.E.、105．A.D.E. 五、简答题
106. 递阶智能机器一般由组织级、协调级和执行级组成。 组织级用于机器推理、规划、决策、学习和记忆操作
协调级是组织级和执行级间的接口，承上启下，并由人工智能和运筹学共同作用
执行级是递阶智能控制的底层，要求具有较高的精度但较低的智能；它按控制论进行控制，对相关过程执行适当的控制作用
107. （1）模型描述的多样性（2）在线处理的灵巧性（3）控制策略的灵活性（4）决策机构的递阶性
108. （1）仿人控制器原型是一种双映射关系，即一种变模态控制、一种开闭环交替控制模式 （2）在算法中，控制策略与模态的选择和确定是按照误差变化趋势的特征进行的 （3）仿人控制器原型在维持模态时对误差极值的记忆与利用，与人的记忆方式及时记忆的
利用相似。
109. （1）通过传感器和传感信息处理，调用必要的和有用的控制信息
（2）构造神经网络，选择NN类型、结构参数和学习算法等 （3）训练NN控制器，实现输入输出映射，以便进行控制。
110.①行为自主性 ②作用交互性 ③环境协调性 ④面向目标性 ⑤存在社会性 ⑥工作协调性 ⑦运行持续性 ⑧系统适应性 ⑨结构分布性 ⑩功能智能性 （答对1条得1分，答任意6条即可） 111．简述建立专家系统的一般步骤
（1）设计初始知识库 具体包括1）问题知识化、2）知识概念化、3）概念形式化、4）形式规则化、5）规则合法化； ）
A3
（2）原型机开发与试验； （3）知识库改进与归纳 112．简述学习控制的机理
（1）寻找并求得动态控制系统输入与输出间的比较简单关系； （2）执行每个由前一步控制过程的学习结果更新了的控制过程； （3）改善每个控制过程，使其性能优于前一过程。 113. 简述神经控制系统的设计内容 （1）建立对象的数学计算模型；
（2）选择神经网络及算法，进行初步辨识与训练； （3）设计神经控制器，包括控制器结构、功能表示及推理； （4）控制系统仿真，并根据结果改进设计。 114. 简述人工神经网络的主要学习算法及含义
人工神经网络的主要学习算法包括导师学习算法和无师学习算法和强化学习算法。 导师学习算法能够根据期望的和实际的网络输出间的差来调整神经元间的连接的强度或权。 强化学习算法是导师学习的特例，它不需要老师给出目标输出；无师学习算法不需要知道期
望输出。
115. 简述仿人控制在结构和功能上具有的基本特征 （1）递阶信息处理与决策机构； （2）在线特征辨识与特征记忆；
（3）开闭环结合和定性与定量结合的多模态控制； （4）启发式和直觉推理问题求解。
116．考虑一个具有阶梯型阈值函数的神经网络，假设： （1）用常数乘所有的权值和阈值。 （2）用常数加所有的权值和阈值。
试说明网络性能是否会变化
答：前者网络性能有变化； 后者无变化。 117．简述按其作用原理，智能控制系统的分类
（1）递阶控制系统；（2）专家控制系统；（3）模糊控制系统； （4）学习控制系统；（5）神经控制系统；（6）仿生控制系统； （7）集成智能控制系统；（8）组合智能控制系统。 118. 简述基于神经网络专家系统的三种模式
A4
（1）神经网络支持专家系统 传统专家系统为主，神经网络技术为辅；
（2）专家系统支持神经网络 神经网络技术为核心，专家系统领域技术完成解释工作； （3）协同式神经网络专家系统 优势互补。
119. 简述实现学习控制系统需要的三种能力及其含义
（1）性能反馈 学习系统必须能够定量地估计系统当前和以往的性能水平； （2）记忆 学习系统必须具备存储所积累的并将在以后应用的知识的方法； （3）训练 要积累知识，就必须有一种能够把定量的性能信息转化为记忆的机制。 120. 简述仿人控制器设计与实现的一般步骤 （1）确定设计目标轨迹；（2）建立对象数理模型； （3）建立各控制级的特征模式或控制算法；
（4）设计控制器结构；（5）设计控制模态集与控制规则。 六、论述题
121. （1）所谓复合智能控制指的是智能控制手段与经典控制和/或现代控制手段的集成，还指不同智能控制手段的集成。但不包括智能控制手段与非智能控制手段的集成。
（2）单一控制器往往无法满足一些复杂、未知或动态系统的控制要求，这就需要开发某些复合的（或称为集成的、综合的、混合的）控制方法来满足现实问题提出的控制要求智能控制就是力图解决传统控制无法解决的问题而出现的。
复合智能控制只有在出现和应用智能控制之后才成为可能。
122. 模糊控制器是由模糊化接口、知识库、推理机和模糊判决接口四个单元组成。
模糊化接口是测量输入变量和受控系统的输出变量，并把他们映射到一个合适的响应论域的量程，然后，精确的输入数据被变换为适当的语言值或模糊集合的标识符；知识库是由数据库和语言控制库构成的，数据库为语言控制规则的论域离散化和隶属度提供定义，语言控制规则标记控制目标和领域专家的控制策略；推理机是模糊系统的核心，根据模糊输入和模糊控制规则，模糊推理来求解模糊关系方程，获得输出。模糊判决接口是产生一个精确的或非模糊的控制作用。 工作原理框图：
A5
知识库 数据库 规则库 模糊控制器 设定输入 模糊化接口 | 推理机 模糊判决接口 输出 过程 传感器
123. 试述遗传算法的特点，并画出简单遗传算法的框图
（1）遗传算法是对参数集合的编码而非针对参数本身进行进化； （2）遗传算法是从问题解的编码组开始而非从单个解开始搜索；
（3）遗传算法利用目标函数的适用度这一信息而不是利用导数或其他辅助信息来指导搜索； （4）遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。 简单遗传算法框图：
开始 初始化种群 计算适应度值 选择操作 交叉操作 变异操作 否 终止条件 是 适应度值最优个体 结束
124. 试述迭代学习控制的任务；迭代控制与最优控制、自适应控制的区别；画出迭代学习控制系
A6
统基本结构图。
迭代学习控制的任务：给出系统当前输入和输出，确定下一个期望输入是的系统的实际输出收敛于期望值。
迭代控制与最优控制区别：最优控制根据系统模型计算最优输入，而迭代控制通过先前试验获得最好输入。
迭代控制与自适应控制区别：迭代控制算法是在每一次试验后离线实现的，而自适应控制算法是在线的，计算量大。）
基本结构图如下：
存储记忆 uk(t) 被控系统 yk(t) yd(t) uk?1(t) 学习控制器 ek(t)
图中uk(t)、yk(t)、yd(t)和ek(t)为系统第k次运行的输入变量、输出变量、期望输出和输出误差，uk?1(t)为系统的第k+1次的输入变量，k=1，2，…，n. 输出误差为：ek(t)?yd(t)?yk(t)
125. 试述遗传算法的求解步骤
（1）初始化群体；（2）计算群体上每个个体的适应度值；
（3）按由个体适应度值所决定的某个规则选择将进入下一代的个体； （4）按概率Pc进行交叉操作；（5） 按概率Pc进行突变操作； （6）若没有满足某种停止条件，则转第（2）步，否则进入下一步； （7）输出群体中适应度值最优的染色体作为问题的最优解。 126. 试述基于模式识别的学习控制的原理 原理图如下图所示：
A7