首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > “自适应与智能控制”课程教学创新方法浅析

“自适应与智能控制”课程教学创新方法浅析

2024-09-05 57 上传者：管理员

摘要：本文分析了授课对象情况，针对本课程在控制科学与工程学科博士生培养中的地位作用，以及要达到的教学目标，重点论述了所采用与应用的教学方法，最后指出了本课程教学的特色与亮点，以期对博士生的同类专业基础和专业课程授课有所帮助。

关键词：
人才培养
方法创新
智能控制
自适应控制
课程教学
加入收藏

一、课程授课对象情况分析

“自适应与智能控制”课程授课对象为控制科学与工程学科博士生，授课对象成分复杂、基础参差不齐：既包括有军籍博士生，也包括地方无军籍博士生；既包括常规博士生，也包括直博生；授课对象中有的本科硕士阶段均为控制学科，有的本科或硕士至少有一个为非控制学科出身，尤其是现有的研究生政策是本校控制科学与工程应届本科毕业生考研指标较少。因此，授课对象中绝大多数是非本学科出身，尤其是有军籍学生这一问题比较突出。由于授课对象成分较为复杂，因此他们的学科与专业基础差别较大。有的博士生从外专业考来，严重缺乏自动控制原理、线性系统理论以及系统辨识与状态估计等控制学科经典基础课程知识。要提高自适应与智能控制课程的授课质量，首要的就是要精确掌握授课对象的特点，因材施教，才能有的放矢。

二、本课程在人才培养中的地位与教学目标分析

“自适应与智能控制”课程是控制科学与工程学科博士生的一门学科基础课程，该课程学习研究的内容包括自适应控制与智能控制的基本理论、方法及应用，对学科所需控制理论基础知识具有重要的储备作用，对于提高博士研究生的自适应与智能控制理论和应用水平，学习本学科其他专业课程，研究和解决复杂系统的控制问题具有重要的支撑作用。

通过本课程的学习，学员能够熟悉自适应与智能控制理论来源和基本方法，可以使用自适应控制与智能控制的基本理论和方法来设计控制系统，知晓自适应控制的发展趋势、知识挖掘和智能搜索等理论在智能控制领域的应用前景，提高自觉应用自适应控制和智能控制方法发现和解决复杂系统控制问题的能力。同时，引导学员站在科学技术的前沿，增强掌控系统全局、把握问题关键和善于理论与应用创新的意识和能力。在教学内容方法方面，通过本课程的学习，学员能够掌握模型参考自适应控制、自校正控制、模糊控制、神经网络控制、群体智能等算法的原理和推导过程，学会各种控制算法的算法公式和应用技术，提高解决复杂实际工程控制问题中的自适应控制与智能控制的思维能力。

三、采取的创新教学方法和特色与亮点

通过对上述教学对象和教学目标的分析可知，本课程一方面对控制学科博士生掌握知识及后续专业课的学习和学位研究具有非常重要的作用，另一方面本课程授课对象的基础和成分又颇为复杂。要上好这门课、取得好的授课效果，并非易事。因此，研究探索创新适合本门课程教情的教学方法，对于提高授课效果非常必要。

(一)采取的创新教学方法

1.问题驱动的教学方法

“自适应与智能控制”课程包含的课程内容多，但是每章之间相对独立，比如模型参考自适应控制、自校正控制、模糊控制、神经网络控制、群体智能优化等知识点，均具有相对较为完整的知识体系和特定的应用方向。讲授每个知识点时，首先要从工程实际中提出存在的问题，由问题驱动引出某类方法的必要性，接着对该类方法的起源和关键的标志性方法和进步点进行必要的描述，再对核心知识点进行详尽的讲授和学习，这样学员对所学知识才能有较为透彻的理解，方能做到知其然知其所以然。例如在自适应控制方法的讲授中，以导弹或飞机的控制过程为例，其质量、质心位置随燃料消耗而改变，气动参数随飞行速度、飞行高度、大气密度而改变，并且导弹飞行速度、飞行高度大范围变化，导致导弹数学模型大范围变化，而传统的一般反馈控制或最优控制难以完成这种控制需求，进而引出自适应控制方法。进一步地，从人们是否适当地掌握被控制对象的性能，是否可提供相应的参考模型，又可将自适应控制分为模型参考自适应控制和自校正控制两大类。在讲授每一类控制方法时，一定要讲清楚其工程需求来源和已知条件，采用问题驱动的教学方法，提高学员学习的主观能动性，便于搭建形成完整的知识体系。

2.基础理论的补弱强化

“自适应与智能控制”课程各章节或大知识点不仅相对独立，而且知识点的基础知识差距很大，如模型参考自适应控制基础知识涉及各种梯度优化算法、李雅谱诺夫稳定性理论、超稳定性理论等，而自校正控制的基础知识是系统辨识与参数估计、最小二乘估计及其各种拓展算法、闭环系统稳定性分析等理论，而模糊控制和神经网络控制等需要模糊逻辑和神经网络基础等知识。为了便于课程学习，国内自适应与智能控制教材从不同角度进行教学内容的编排：有的专门提供函数正实性、李雅谱诺夫稳定性、超稳定性理论等基础理论章节；有的专门提供系统辨识与状态参数估计理论章节；有的是在讲授具体控制算法时再讲授必要的基础知识。如前所述，本授课对象来源成分复杂、理论基础参差不齐，要想取得较好的授课效果，一定要对相应的基础知识进行补弱强化，才有可能掌握所学的核心控制算法。我们采取的方法是充分利用课下时间，通过线上视频教学资源和课后作业的方式，强化控制理论基础，课上再对学员反馈的基础理论难点进一步解析、答疑，做到基础知识不掌握，不学习核心知识。

3.关键环节的理论推导

“自适应与智能控制”课程是一门理论性强的专业基础课程，核心控制方法都需要大量公式推导才能导出算法。对于这样一门课程，不能只给出各种算法的结果，一定要使学员知其所以然，透彻掌握核心公式的来龙去脉。我们的做法是，对于核心算法，从算法推导源头开始，首先讲述清楚算法推导所依赖的准则函数和前提条件的物理意义，然后从自适应和智能优化理论出发，步步为营，在课堂上与学员一起推导公式。采用引导、发问方式，启发学员一步一步来推，这样得到的算法学员才理解深刻、掌握透彻。如广义最小方差自校正控制器设计方法，就需要采用这样的推导思路。在讲授基于李雅谱诺夫稳定性理论的模型参考自适应控制算法时，关键环节包括：如何从系统的广义状态误差方程来构造合适的李雅谱诺夫函数；如何应用线性定常系统的李雅谱诺夫稳定性理论等来推导算法。再如，讲授基于超稳定性理论的模型参考自适应控制算法中，关键环节包括：如何由所研究的问题和系统求出等价的非线性时变反馈系统；如何使等价的反馈方块满足积分不等式进而推导相关正定矩阵；如何根据等价前向方块正实性要求确定线性补偿器；如何选择合乎要求的正定矩阵问题。对于以上关键环节，一定要与学员一起进行启发式推导，这样才能取得较好的教学效果。

4.知识、方法及思维深化提炼

博士生课程授课不同于本科生课程授课，也不同于硕士生课程授课，这是由博士生的特点决定的。博士生的最核心任务是要创新，要推动科学技术的进步，要为他人创造知识。在博士生的学习阶段，当然要掌握本学科领域坚实宽广的基础理论和系统深入的专门知识。基础理论和专门知识的掌握是从事创新的基础，但是拥有大量学科领域知识只是具有了创新的可能，并不意味着一定能取得创新成果。要创新，一定要有方法、有工具，但是更为重要的是要有新思想，在某些思想指导下才能取得创新成果。因此，在博士生课程授课中，除了讲授知识外，更重要的是与学生一起分析每个知识点之外，究竟有哪些方法、哪些思想值得挖掘。

讲授每个知识点或一个大方法后，重要的是要对其中的知识点提出时的创新方法和创新思想进行深入挖掘。从大的方面出发，可以针对其中蕴含的一些哲学思想或大的学术思想、大的创新方法等入手，进行课程创新思想大讨论，目的是让学员不仅知其然，还要知其所以然，提高创新能力，增长创新本领，掌握创新手段，为下一步学科专业课程、开展学位论文和科学研究奠定一个良好的基础。从小的方面，要注意一些公式推导细节，尤其是一些合理的近似、合乎逻辑的由整体到局部的拆分等，从中体会一些方法逻辑和思想，提高学员理论创新、数学推导的本领。例如，模糊PID控制相比传统的PID控制算法，相当于设计了在线的PID参数整定方法，能够根据控制系统输入情况动态调整PID参数，因此控制性能明显优于传统的PID控制算法；遗传算法遵循自然选择规律，按照“物竞天择、适者生存”的规则，进行个体的选择和繁衍，实现群体的进化；在粒子群算法中，每个粒子在自身飞行惯性的基础上，要结合个体经验和群体经验确定下一步飞行方向和速度，体现了学习过程的方法论；在强化学习中，采用蒙特卡洛方法求解数学期望，实现满足算法需求的有限近似，体现了工程化实现的思想。

(二)特色与亮点分析

1.启发研讨推导，化繁为简

本课程理论性很强，各个算法均具有非常复杂的公式推导。不进行公式推导，难以体会到这些算法的创新奥妙；只是死推公式，会使学生望而生畏，无从下手。对控制学科博士生而言，推导公式是基本技能，不然难以做出有意义的创新。本课程授课基于其理论性强、理论与工程结合紧密的特点，在核心知识点的学习上采取启发研讨推导，将纷繁复杂的公式推导化简，并引入实际的应用场景明确其物理含义，使学生体会其中科学的奥妙，培养学生对算法理论研究的兴趣，学习理论算法推导的技巧和思路，提高博士生的理论算法创新研究能力。例如，在前向神经网络的反向传播推导中，基于链式求导法则逐步分解参数梯度，简化梯度求解，消除学生的畏难情绪。同时，基于三层神经网络进行反向传播的编程实践，打通理论推导到实际应用的渠道，便于学生掌握、应用；在深度强化学习中，以控制电子游戏中的角色动作、赢得游戏为目的，从不同的训练路径出发，对深度强化学习的训练方式进行分析、讨论，从而引出不同的深度强化学习方法，便于学生理解和理论推导。

2.融入前沿理论，反哺教学

在授课中，不能只就书本知识或内容讲授，要结合自己承担的前沿科研项目(如国家自然科学基金等项目),将最新的、前沿的理论或算法方面的进展及时地传授给学生，让书本知识很好地与科研前沿、与工程问题对接，培养学生的科研创新能力；要将正在讲授的书本理论与方法运用到实际的科研过程中，例如讲授、讨论李雅谱诺夫稳定性理论在实际控制系统中的拓展推广应用，开阔学生视野；在卷积神经网络的讲授中，以ImageNet视觉识别竞赛为牵引，引导学生了解神经网络典型的架构和发展潮流，紧跟学术前沿；在深度强化学习的讲授中，结合谷歌开发的AlphoGo和AlphoZero智能对弈算法，阐述具体应用中深度强化学习的精巧构思和应用落地，并从AlphoGo到AlphoZero的发展进化，探讨深度强化学习的发展方向。

3.方法思维提炼，启迪智慧

对每个知识点讲授后，重要的是要学习科学先贤们如何一步一步在前人基础上创新，用了哪些方法来创新提出新算法；在每个知识点学习中，这些科学先贤们运用了哪些思想，例如哲学思想或科学思想，要深度挖掘；尤其是对于不同的大类方法，要首先对这类方法的思维、框架等进行深度挖掘，对不同方法之间的异同多对比、多分析，这样可以启迪智慧、开拓思维，对于博士生创新研究的开展具有非常重要的作用。例如，在群智能优化算法中，存在遗传算法、粒子群算法、蚁群算法等不同种类的仿生寻优算法，这些算法都受不同的生物现象启发，并进行了相应的数学化描述和抽象，最终归纳总结形成迭代更新的寻优算法过程。在课上教学过程中，通过对比群智能优化算法的寻优思路和关键步骤，并针对同一优化问题采用不同算法进行求解，引导学员思考不同算法的特色亮点、应用范围和改进方向。

四、教学效果分析

近年来，几乎所有的控制学科博士生均选修“自适应与智能控制”课程，这门课程的授课质量对本学科博生生的后续专业课程学习和学位研究均具有重要作用。本课程所含内容丰富，其中的控制算法稳定性分析、算法优化、系统辨识与参数估计、模糊控制和神经网络控制等知识点对其他课程和博士生学位论文研究均具有重要的支撑作用，育人效果明显。近五年来，本课程选修博士生的学术水平普遍得到提升，一大批高平学术论文发表在《IEEE工业电子》《信号处理》《神经网络与学习系统》《控制学》《可靠性》《工业信息》等本领域权威学术期刊，博士生毕业学位论文质量有较大提升，有6名博士学位论文获得军队、陕西省优秀学位论文，2020年1名博士生获第十二届“中国青少年科技创新奖”(全国仅有30人获奖),1名博士生入选陕西省青年人才托举工程、军事科技领域青年人才托举工程。

五、结语

本文详细分析了授课对象的复杂情况，并针对本课程在控制学科博士生培养中的地位作用，以及要达到的教学目标，重点论述了所采用与应用的教学方法、特色与亮点，最后分析了教学效果。本文所提出的教学方法等对博士生其他课程教学均有参考借鉴价值。

参考文献:

[1]李言俊,张科.自适应控制理论及应用[M].西安:西北工业大学出版社,2005.

[2]柴天佑,岳恒.自适应控制[M].北京:清华大学出版社,2016.

[3]王雪.人工智能与信息感知[M].北京:清华大学出版社,2018.

[4]李航.统计学习方法[M].北京:清华大学出版社,2019.

[5]王树森,黎彧君,张志华.深度强化学习[M].北京:人民邮电出版社,2022.

[6]刘驰,王占健,戴子彭.深度强化学习:学术前沿与实战应用[M].北京:机械工业出版社,2020.

文章来源:孔祥玉,姚二亮,李红增.“自适应与智能控制”课程教学创新方法浅析[J].科技风,2024,(25):95-97.