用於訓練模糊控制部件的方法和系統的製作方法
2023-06-06 19:41:36
>Gh＝1|0..0...|0..0...|i...|1..1(-M0..0+∑j∈{0，1}nMi/2n-1)H/2n/2...(-Mi+∑j∈{0，1}nMi/2n-1)H/2n/2...(-M1..1+∑j∈{0，1}nMi/2n-1)H/2n/2...由於Mx＝C且i≠xMi＝I，所以可以將以上各行寫為因此現在，考慮將矩陣算子{[-1+(2n-1)/2n-1]I+C/2n-1}H/2n/2和矩陣算子{(2n-1)/2n-1I+[-1+1/2n-1]C}H/2n/2應用於向量|112n/2{[-1+2n-12n-1]I+12n-1C}H|1=(-1+2n-22n-1)|0-|12(n+1)212n/2{2n-12n-1I+[-1+12n-1]C}H|1=(+1+2n-22n-1)|0-|12(n+1)2]]>這意味著Gh=1|0..01=[(-1+2n-22n-1)|0..0+(-1+2n-22n-1)|0..1+..++(+1+2n-22n-1)|x+..+(-1+2n-22n-1)|1..1]|0-|12(n+1)2]]>可以將上式寫為塊向量現在，假設按以下形式將算子(DnI)·UF應用於向量其中α和β為滿足(2n-1)α2+β2＝1的實數。結果為這意味著如果我們從向量Gh＝1|0..01開始，該向量為考慮的形式，並且應用(DnI)·UF算子h次，則時刻t的係數滿足因此β增加，而α減少。例如，考慮圖11.a中的向量疊加。通過應用算子4H，向量疊加變成圖11.b的疊加。通過應用具有x＝001的編織算子UF，生成圖11.c的向量疊加，在應用DnI之後，疊加為圖11.d所示的疊加。這裡，儘管我們不感興趣的向量的概率振幅不為零，但它們非常小。假定再次應用算子UF則圖11.e表示作為結果的疊加。接著，通過應用DnI，我們得到圖11.f所示的向量的線性組合。可以看到所需向量的概率振幅其模數已經增加。這意味著能夠以較大概率測量向量|0010或|0011。如果在重複Dn·UF算子h次之後進行測量，則測量向量|x|0或|x|1的概率P(h)是多少？我們可以證明P』(h)＝O(2-n/2)只要重複量子塊1次，就能得到足夠大的h＝O(2n/2)。因此，最終收集的基向量是唯一的。信息分析A3.介紹性實例Grover算法的信息分析考慮對輸入函數進行編碼的算子UF=I00000000C00000000I00000000I00000000I00000000I00000000I00000000I]]>表1表示用於GroverQA的信息分析的一般迭代算法。在表2和表3中，描述了該算法的兩次迭代。從這些表中可以看到1.每次迭代中的編織算子增加不同量子比特之間的相關性；2.幹擾算子降低經典熵，但是其副作用是，它利用馮·諾伊曼熵破壞部分量子相關性測量。Grover算法內置多次迭代智能狀態(見等式(7))。每次迭代首先利用編織對搜索函數進行編碼，但是幹擾算子會部分破壞編碼信息；為了隱蔽需要編碼信息以及需要訪問編碼信息，需要幾次迭代。Grover算法來自算法的搜索組。QA的輸出中的最小經典(量子)熵原則意味著有關智能輸出狀態的成功結果。搜索QA需要檢查經典熵的最小值，並利用量子熵值協調差額。智能搜索QA的特徵在於能夠協調以上兩個值。解碼器正如在Deutsch算法中一樣，在測量量子門的輸出向量後，必須解釋該向量以查找x。從以上分析中看出，此步驟非常簡單。事實上，選擇一個較大的h足以得到其概率接近1的搜索向量|x|0或|x|1。在得到搜索向量後，將作為結果的張量積中的前n個基向量逆向編碼為其二進位值，從而得到作為最終解答的字符串x。因此，表明可以在搜索問題中使用Grover算法。可以將搜索問題敘述為給定真值函數f{0，1}n→{0，1}以至只有一個輸入x∈{0，1}nf(x)＝1查找x這正是能夠利用Grover算法解決的問題。通過比較以上分析的算法，顯然量子算法具有相同結構將一組向量順序提交給疊加算子，編織算子和幹擾算子。利用抽取所需信息的測量塊分析作為結果的向量集合。最後必須注意到，本質上，不同量子算法的區別在於選擇的幹擾算子Int，編織算子UF和疊加算子S。輸入向量是一個消息，該消息遍歷由三個主要子通道—疊加、編織和幹擾—組成的量子通道。編織通道為算法門的真實輸入。它屬於某個給定種類，該種類依賴於要解決的問題以及其輸入。疊加特別是幹擾通道的選擇方式為在通道末尾實行的幾種測量揭示在通道中部發生的編織類型。總之，可以敘述為，量子算法是基於量子力學原理、定律和量子作用的全局隨機搜索算法。在量子搜索中，利用經典初始狀態的有限線性疊加表示各設計變量，利用一系列的基本單元步驟處理最初量子狀態|i(用於輸入)，以至通過測量系統的最終狀態得到正確輸出。它首先從基本的經典預處理開始，然後應用以下量子實驗從所有可能狀態的初始疊加開始，計算經典函數，應用量子快速傅立葉變換(QFFT)，最後進行測量。依賴於結果，可能再進行一次類似的量子實驗，或者利用某些經典的後處理完成計算。通常，量子搜索算法使用三個主要算子，即線性疊加(相關狀態)、編織和幹擾。可以將量子搜索算法的結構的一般形式描述為量子算法和遺傳算法結構具有以下相互關係圖12比較GA和QSA的結構。在GA中，開始種群是隨機生成的。然後應用變異和交叉算子，以改變某些個體的基因組，並創建新的基因組。然後根據目標函數刪除某些個體，並選擇優秀個體以生成新種群。對新種群重複上述過程，直至找到最優解。用類推的方法，在QSA中，利用疊加算子將最初的基向量變換為基向量的線性疊加。接著，諸如編織和幹擾之類的量子算子作用於以上狀態疊加，從而生成新的狀態，其中某些狀態的(不感興趣的狀態)其概率振幅的模數降低，某些狀態(最感興趣的狀態)的概率振幅增加。將該過程重複若干次，以得到最終的概率振幅，從而能夠輕而易舉地看到最優解。量子編織算子類似於遺傳變異算子事實上，通過倒轉右矢標記中的某些位，該算子將進入疊加的每個基向量映射為另一個基向量。量子幹擾算子類似於遺傳交叉算子，它從進入疊加的狀態的概率振幅的相互作用中，建立基狀態的新疊加。但是，幹擾算子還包括選擇算子。事實上，幹擾算子根據總原則，增加某些基狀態的概率振幅模數，降低某些基狀態的概率振幅模數，總原則為使該數量最大其中T＝{1，...，n}。該數量稱為輸出狀態的智能，並測量測量方法對編織處理編碼為量子相關性的信息的理解程度。事實上，幹擾算子的作用是保留進入編織狀態的馮·諾伊曼熵，並將香農熵降到最小值，其中疊加算子將香農熵增加到最大值。請注意，GA和QSA的主要區別在於在GA中，目標函數隨同一問題的不同實例改變，而變異和交叉總是隨機的。在QSA中，目標函數總是相同的(輸出狀態的智能)，而編織算子嚴重依賴於輸入函數f。在本發明中，我們建議合併具有相似性併集成其特性的GA和QSA模式。新模式涉及量子遺傳搜索算法(QGSA)，圖13表示該模式。首先生成具有t個隨機非零概率振幅值的一個初始疊加|input=i=1ici|xi---(8)]]>每個右矢對應於種群中的一個個體，並且在一般情況中，用實數標記。因此，每個個體對應於一個實數xi，並利用概率振幅值ci隱含加權。一般模擬編織和幹擾算子的操作隨機選擇k條不同路徑，其中每條路徑對應於應用一個編織和幹擾算子。編織算子存在於內射映射，後者將各基向量變換為另一個基向量。其實現方式為，定義一個變異微量ε＞0，並抽取t個不同值ε1，...，εi滿足-ε≤εi≤ε。接著，利用以下變換規則定義路徑j的編織算子UjF|xiUFj|xi+i---(9)]]>當UjF作用於初始線性疊加時，其內的所有基向量進行變異|j=i=1ici,j|xi+i,j---(10)]]>可以將變異算子ε描述為以下關係假設系統中有8種狀態，其二進位編碼為000，001，010，011，100，110，111。計算過程中的一種可能狀態為i2|000+12|100+12|110.]]>通常構造一個單位變換，以便在比特級執行。例如，單位變換將狀態|0變為|1，將|1變為|0(NOT算符)。在GA中，染色體變異改變一個或多個基因。也可以通過改變某一個位置或某幾個位置的位進行說明。僅僅執行單一的NOT變換也能改變位。作為例子，可以利用以下矩陣描述的、作用於最後兩位並將狀態|1001變為狀態|1011以及將狀態|0111變為狀態|0101的單位變換00011011100001010011000100100100---(12)]]>是向量集合|0000、|0001、...、|1111的變異算子。可以將相位移位算子Z描述為Z|0|0|1-|1]]>並且算子Y:|0|1|1-|0]]>是NOT和相位移位算子Z的組合。注釋1.作為例子，以下矩陣00011011100001010011010000010010---(13)]]>將交叉算子作用於最後兩位，將1011和0110變為1010和0111，其中斷點在中部(一點交叉)。兩位條件相位移位門具有以下矩陣形式0001101110000101001101000010000ei]]>並且利用以下矩陣描述能夠創建編織狀態的受控NOT(CNOT)門CNOT:|00|00|01|01|10|11|11|1000011011100001010011010000010010]]>作為階為t的隨機單位正方矩陣，選擇幹擾算子Int1，其中根據適當定律，依據Int1生成其他路徑的幹擾算子。此類矩陣的例子為上面定義的Hadamard變換矩陣Ht以及擴散矩陣Dt，但是也可以構造其他矩陣。應用編織和幹擾算子生成一個最大長度為t的新的疊加|outputj=i=1ici,j|xi+i,j---(14)]]>現在計算該狀態的平均熵值。令E(x)為個體x的熵值。則E(|outputj)=i=1i||ci,j||2E(xi+i,j)---(15)]]>通過相對於概率振幅的平方模數，計算該疊加中各熵值的平均值，計算平均熵值。根據以上操作順序，通過使用不同的編織和幹擾算子，從初始疊加生成k種不同疊加。每次均計算平均熵值。選擇在於僅保留其平均熵值最小的疊加。當獲得該疊加時，它成為新的輸入疊加，並且該過程重新開始。保留生成最小熵值疊加的幹擾算子，並將Int1設置為新步驟的幹擾算子。當最小平均熵值在給定的臨界界限內時，計算停止。此時，模擬測量，測量為根據其概率振幅的平方模數，從最終疊加中抽取的基礎值。在圖14中，整個算法按以下方式重新開始1.|input=i=1tci|xi,]]>其中xi是隨機實數，ci是隨機複數，滿足i=1t||ci||2=1;]]>隨機生成階為t的Int1單位算子；2.A=i=1tci|xi+i,1i=1tci|xi+i,2i=1tci|xi+i,k,]]>其中隨機生成-ε≤εi，j≤ε，且i1,i2,j:xi1+i1,jxi2+i2,j;]]>3.B=Int1i=1tci|xi+i,1Int2i=1tci|xi+i,2Intki=1tci|xi+i,k=i=1tci,1|xi+i,1i=1tci,2|xi+i,2i=1tci,k|xi+i,k,]]>其中Int1是階為t的單位正方矩陣4.|output*=i=1tci,j*|xi+i,j*]]>其中j*=arg(min{i=1t||ci,j||2E(xi+i,j)});]]>5.E*=i=1t||ci,j*||2E(xi+i,j*)]]>6．如果E′並且信息風險增量小於預先建立的數量△，則從分布(xi+i,j*,||ci,j*||2)]]>中抽取xi*+εi*，j*；7．否則，將|input設置為|output*，int1設置為intj*，然後返回到步驟注釋2．步驟6包括精確估計並且可靠測量成功結果的方法。通過信息流分析、信息風險增量以及熵標準估計，表示量子搜索算法的模擬1)將有關輸入向量存儲信息的量子門G應用於系統狀態，最小化經典香農熵與量子馮·諾伊曼熵之間的差距；2)重複所述應用，以計算(估計)信息風險增量(見注釋3)；3)測量所述基向量，以估計平均熵值；4)解碼成功結果的所述基向量以計算當最小平均熵值在給定的臨界界限內時停止的時間。注釋3.根據以下公式計算(估計)信息風險增量-r(W2)2I(p~:p)(r=r~-r)r~(W2)2I(p:p~)]]>其中·W是損失函數；r(W2)＝∫∫W2p(x，θ)dxdθ為相應概率密度函數p(x，θ)的平均風險；·x＝(x1，...，xn)為測量值的向量；·θ為一個未知參數；·I(p:p~)=p(x,)lnp(x,)p~(x,)dxd]]>為相對熵(信息發散性的Kullback-Leibler測量)。如上所述，GA在單一解空間中搜索全局最優解。為了清楚地理解此話的含義，進一步解釋如下。圖15表示GA和QSA算法的詳細結構。在GA搜索中，解空間301通向初始位置(輸入)302。使用二進位編碼模式310將初始位置302編碼為二進位串。將諸如選擇303、交叉304和變異305之類的GA算子應用於編碼串，以生成種群。通過目標函數306(如基於最小熵生產率或某些其他所需屬性的目標函數)，查找單一空間301的全局最優解。實例。「單一解空間」包括隨機幹擾下的設備的PID控制器的所有可能的係數增益，其中隨機幹擾具有作為相關函數和概率密度函數的固定統計特性。在利用GA隨機模擬隨機激勵下的設備的動力特性後，我們僅能獲得具有固定統計特性的隨機激勵的智能PID控制器的最佳係數增益。既然這樣，我們把「可行解的單一空間」定義為301。如果我們在設備上與另一種統計特性一起使用隨機激勵，則智能PID控制器不能利用固定KB實現控制定律。既然這樣，我們把新的可行解空間定義為350。注釋4.如果我們需要來自許多單一解空間的智能PID控制器的通用查找表，則使用GA不能給出最終的正確結果(GA算子不包括疊加和諸如編織之類的量子相關)。GA提供單一解空間上的全局最優解。既然這樣，我們損失了有關通用查找表中係數增益之間的統計相關性的重要信息。相反，在圖15所示的QSA中，使用一群N個解空間350創建一個初始位置(輸入)351。諸如疊加352、編織353和幹擾354之類的量子算子作用於該初始位置，以生成測量。使用Hadamard變換361(一比特操作)創建疊加。通過受控NOT(CNOT)操作362(2比特操作)創建編織。通過量子傅立葉變換(QFT)363創建幹擾。通過使用量子算子，找到覆蓋組350內所有解空間的通用最優解。注釋5.因此，經典選擇過程大致類似於創建疊加的量子過程。經典交叉過程大致類似於量子編織過程。經典變異過程大致類似於量子幹擾過程。圖16表示QSA的一般結構，該結構具有概念級400，結構級401，硬體級402和軟體級403。在概念級400，向處理塊420提供初始狀態410，處理塊420創建狀態的疊加。將狀態的疊加提供給處理塊430，後者向編織提供單位算子Uf。將處理塊430的輸出提供給解答塊440，後者計算解答的幹擾。將解答塊440提供給觀察/測量塊460。在結構級，將輸入編碼為一連串的量子比特(qubit)，在初始狀態(如邏輯零狀態)中準備量子比特並提供給Hadamard變換矩陣421，以生成疊加。將矩陣421的疊加提供給生成編織的算子Uf，其中在一般情況中，算子Uf是處理塊431中Schrdinger方程的解。將處理塊431的輸出提供給量子傅立葉變換(QFT)，以提供幹擾。將QFT441的輸出提供給變換矩陣451。提供變換矩陣451的輸出作為具有最大概率振幅461的量子搜索過程的解。在硬體級，利用旋轉門422生成疊加420，實現算子Uf作為基本門操作和CNOT門432的結果，實現QFFT441作為Hadamard和排列(P)算子門的結果，使用旋轉門452實現變換矩陣451。圖17表示QSA的體系結構，體系結構包括從通過創建疊加得到的初始狀態開始的順序。將編織應用於疊加，疊加與編織狀態一起使用其本身為相關量子系統的量子並行性。當引入幹擾時並行性摺疊，以通過QFFT生成解的疊加。通過將經典雙縫實驗比喻為邏輯量子操作和量子搜索操作，圖17表示上述處理。注釋6.在經典雙縫中，源創建具有初始疊加狀態的粒子。這類似於將Hadamard(旋轉門)變換應用於特徵狀態的初始量子比特的量子算法操作。返回到雙縫，利用通過縫的粒子生成編織。這相當於使用單位算子Uf對疊加進行處理的過程。再次返回到雙縫，當編織粒子達到放在縫後面的攝影膠片時以生成幹擾模式(解的疊加)時，生成幹擾。這相當於QFFT。最後，選擇所需解相當於從QFFT中選擇最大概率(即，膠片上形成的最亮線段)。圖18表示與GA或FNN一起使用QSA。初始狀態發生器604與GA605和模糊神經網絡(FNN)603(可選)一起工作，以生成一組初始狀態。將初始狀態提供給Hadamard變換602，以生成狀態的疊加601。將經典狀態的疊加提供給處理塊606，後者通過使用諸如CNOT之類的算子引入編織。將處理塊606的輸出提供給幹擾塊607，後者使用QFFT計算編織狀態的幹擾。將幹擾塊607的輸出提供給測量/觀察塊608，後者從塊607計算的解的疊加中選擇所需解。將測量/觀察塊608的輸出提供給決策塊609。決策塊609決定初始狀態發生器604的輸入，以及GA605的新目標函數(可選)。決策塊609也可以向解碼塊610提供數據，或從塊610接收數據。解碼塊610可以與傳感器、其他控制系統、用戶等進行通信。根據量子理論的定律得到基礎量子計算，其中信息為在物理系統的狀態中編碼，而計算可在實際物理可實現設備上執行。以下說明控制對象的隨機激勵「逆轉」模糊控制器的單一解空間的具體實例。實例。利用GA和使用隨機高斯信號作為公路的隨機模擬，接收智能懸掛控制系統的KB。在利用模糊控制器進行聯機模擬後，我們使用另外兩種實際公路信號(日本公路測量)。在圖20和21中表示傾斜角的模擬結果。圖20表示公路(見圖19)的統計特性的改變逆轉模糊控制器的單一解空間。既然這樣，我們必須利用GA重複模擬，並且與目標函數一起使用另外的單一解空間，目標函數作為具有控制對象的非高斯激勵的模糊控制器的熵生產。更詳細地，我們應用GA以最小化動態系統(設備)的動力特性，並最小化熵生產率。我們使用不同種類的隨機信號(作為隨機幹擾)，隨機信號代表公路分布狀況。某些信號是在日本的實際公路上測量的，某些信號是通過使用隨機模擬生成的，其中隨機模擬具有基於FPK(Fokker-Planck-Kolmogorov)方程的成形過濾器。在圖19中，表示了三種典型公路信號。圖1901、1902、1903表示信號的改變率。以模擬50kph車速的方式，計算分配的時間量程。前兩個信號(HouseWC)和(HouseEC)為在日本測量的實際公路。第三個信號為利用具有固定種類的相關函數的隨機模擬獲得的高斯公路。我們看到，上述公路的動力特性相似(見圖(A))，但HouseWC公路的統計特性與高斯公路和HouseEC公路的統計特性大不相同(見圖(B))。HouseWC公路表示所謂的非高斯(彩色)統計過程。公路信號的統計特性的巨大差異，引起動態系統的完全不同的響應，因此，需要不同的控制方案。圖20和21表示懸掛系統(設備)對上述激勵的動力和熱動力響應。圖(a)表示HouseWC(曲線1)、HouseEC(曲線2)和高斯(曲線3)公路上車輛的傾斜角的動力特性。通過使用高斯公路信號獲得作為模糊控制器之查找表的知識庫，然後將知識庫應用於HouseWC和HouseEC公路。我們看到，具有相同特性的公路的系統響應是類似的，這意味著GA找到具有高斯特徵的信號形狀的最佳解，但是對具有HouseWC公路的系統的響應是一個完全不同的信號。對於非高斯公路，我們需要與上述響應不同的全新控制GA策略，即，它需要不同的單一解空間的解。在相位圖(圖(b))中，更容易看到系統響應的差別。然而，最好在許多解空間中搜索全局最優解，以查找「通用」最優解。量子遺傳算法搜索提供同時搜索許多空間的能力(下面說明)。圖2表示本發明的智能控制系統的改進形式，其中在GA和FNN之間插入量子遺傳搜索算法(QGSA)。QGSA同時搜索幾個解空間，以便查找通用最優解，即，為所有解空間的最優解的解。量子算法的加速器以下說明用於在經典計算機上模擬量子算法的硬體加速器。加速器具有模塊結構，從而能夠推廣到複雜模型。從已知模塊開始，構建其目標為將經典計算機上的量子算法模擬所需的指數時間降到最低程度的體系結構。該方法的主要優點在於能夠在遺傳算法領域中使用量子算法的邏輯，開創了新的量子遺傳搜索算法分支。硬體加速器由以下部件構成·編碼器、解碼器這兩塊是與連接到加速器的經典設備的實際接口。·量子塊包括所有要執行的非經典操作。它由量子門和測量門組成。·量子門是加速器的核心，它由三個模塊組成，三個模塊以量子方式混合信息。三個模塊為·疊加模塊依賴於要解決的問題類型。·編織模塊從編碼器讀取信息。·幹擾模塊迭代其操作直至取得解。·測量門通過一連串的偽隨機例程抽取量子信息。將最終信息發送到解碼器。適合量子比特數目之維數的疊加、編織和幹擾塊，組成一般形式的量子門。然後「準備」以上三塊以便實現所需算法。圖23和27描述實現Grover算法的量子門的實例，圖24描述實現Deutsch-Jozsa算法的量子門的實例。以下詳細解釋該模式中包含的所有塊的設計方法。·疊加在此步驟中，需要向量之間的張量積。依靠電子乘法器和多工單工設備實現此操作。可以使用ROM單元構建H矩陣。·編織可以使用EPROM設備製作需要根據F進行修改的大矩陣UF。·幹擾需要與疊加需要的塊的種類相同的塊。只是連接不同。以下推薦量子門用法(見圖24-29)的兩個實例。圖24到26為相對於Deutsch-Jozsa量子算法的決策，而圖27到29為相對於Grover量子算法的結構資料庫搜索。正如從以上模式中看到的那樣，各子系統的核心是實現一對輸入向量之間的張量積的張量積門，從而輸出一個矩陣，矩陣的分量為一個輸入向量的分量和另一個向量的分量組成的所有不同對的值的乘積。通過適當連接許多乘法器，能夠以硬體形式實現張量積門。本文表現的量子門僅有兩個量子比特，但是，可以輕而易舉地改進它們。事實上，添加到子系統中的各張量積門在該門中提供量子比特的加倍，如果共同地適當調整標量積中存在的多工單工塊的話。請注意，推薦算法中的幹擾塊似乎與體系結構觀點不同。事實上，在構建僅僅實現此類算法的門時，Deutsch-Jozsa算法的簡單性允許我們採用簡單結構。然而，Grover幹擾的結構更普通，並且也能實現Deutsch-Jozsa算法。這一事實提供了邏輯門第二實例的一般性特徵。對於量子遺傳搜索算法結構，通過簡單修改，可輕易從Grover編織和幹擾塊得到其硬體部分。事實上，其唯一區別在於隨機生成所有矩陣，但是在所有情況中均保持它們為單位矩陣。圖30和31描述隨機編織算子和隨機幹擾子系統的可能實施方式的實例。編織子系統的核心是點積門，點積門實現其分量數相同的一對輸入向量之間的點積，從而輸出作為輸入向量的各分量的成對值之乘積的和的值。通過使用至少一個乘法器和一個加法器，能夠以硬體方式實現點積門，其中乘法器計算成對值的乘積，而加法器累加該乘積。用於搜索資料庫的算法本發明的量子遺傳搜索算法的使用令人滿意，既使作為搜索資料庫中屬於集合X的最接近值Y0的項目xi的算法。如上所述，可以始終將搜索問題重新敘述為Grover問題。假設把本發明的量子遺傳搜索算法作為一類特別有效的量子算法，則通過根據Grover算法選擇疊加、編織和幹擾算子，可以使用量子遺傳搜索算法解決搜索問題。更確切地說，利用以下方法定義搜索資料庫中屬於集合X的最接近值Y0的項目xi的算法以向量形式表示屬於集合X的各項目，生成向量的初始集合；計算第二組向量，其方法是根據Grover量子搜索算法線性疊加向量的初始集合中的向量；根據Grover量子搜索算法，對第二組向量執行確定次數的並行隨機編織操作和隨機幹擾操作，生成表示集合X的項目的許多向量；把並行計算的各結果值和目標函數聯繫起來，其中目標函數必須為以上結果值與期望值Y0之間的差值；根據遺傳算法，使用目標函數對並行計算的結果值執行選擇操作；標識作為最終選擇結果的搜索項目xi。用於控制過程及有關控制器的方法可以在用於控制由控制信號(U*)驅動的過程(設備)的方法中使用QGSA。作為參數調整信號(CGS)和誤差信號(ε)的函數，計算控制信號(U*)，其中作為過程狀態(X)和參考信號狀態(Y)之間差值得到誤差信號。該方法的目的在於將某個物理量降到最小值，該物理值例如為受控過程的熵產量。為了實現此目標，通過處理所述過程狀態(X)和所述控制信號(U*)的成對值，導出表示要最小化的物理量的信號(s)。本發明的方法有利使用量子遺傳搜索算法，以查找最佳控制信號(U*)，從而輸入過程進行控制。由控制器生成此類控制信號，控制器帶有可調整的傳送特性，後者作為分配給控制器的參數的值向量的函數。可以用以下方式重新敘述控制過程的問題查找將某個數量降到最低程度的值向量，即查找將某個向量函數降到最小的向量，其中數量為所述向量的函數。因此，遺傳算法顯然對控制過程的方法是非常重要的，以及如何在此類應用中有效地使用量子遺傳搜索算法。首先，從所述控制信號(U*)的一組不同值中定期計算校正信號(k2)，該信號最小化需要最小化的所述導出信號(s)。通過將量子遺傳搜索算法應用於表示許多不同控制信號(U*)的一組向量，計算校正信號(k2)，使用要最小化的數量作為目標函數。最後，將以上校正信號(k2)饋入模糊神經網絡，後者生成所述參數調整信號(CGS)，將該信號與誤差信號(ε)一起提供給模糊處理器，模糊控制器調整控制器的傳送特性。通過改變要最小化的物理量，可以實現此方法的許多不同實施方式，例如，最小化香農熵和馮·諾伊曼熵之間的差值或Heisenberg不確定性，更確切地說，對內燃機而言，最小化熱動力過程的熵產量。通過根據任意的量子問題選擇幹擾和編織算子，也能夠合適地採用本發明的量子遺傳搜索算法，例如，可以根據Grover問題或Shor問題選擇以上算子。本發明的最佳實施方式在於，用表示許多不同控制信號(U*)一組向量運行遺傳算法，生成臨時校正信號(K)，該信號是由量子遺傳搜索算法精心生成的。此實施方式是最佳的，原因在於量子遺傳搜索算法的收斂較快。圖2描述本發明的方法的最佳硬體實施方式的結構。將控制信號U*驅動的過程(設備)置於經典反饋控制環和PID控制器中。PID生成依賴於誤差信號ε的驅動信號U*，作為過程的狀態X和參考信號的狀態Y函數計算誤差信號。電路塊驅動信號s，信號s表示要最小化的數量，該數量可以為熵產量，例如，通過處理過程的狀態X和控制信號U*的成對值計算的值。可以將信號s輸入到電路QGSA，後者實現量子遺傳搜索算法，輸出校正信號k2，或者首先由電路GA管理信號s，電路GA實現遺傳算法，後者生成一個臨時校正信號K，以輸入QGSA電路。在圖2所示的結構中，儘管實現GA的電路不是必需的，其原因在於可以將本發明的量子遺傳搜索算法「推廣」到遺傳算法，但通常，實現遺傳算法的電路GA出現在系統體系結構中。這是由於GA電路生成量子遺傳搜索算法的結構數據，從而該算法的收斂更快。通常，可以敘述為，遺傳算法生成單一解空間的最優解這意味著藉助實現遺傳算法GA電路，我們可以壓縮單一解空間中的信息，並確保信號K中的信息參數的安全性。結構數據上的量子搜索保證搜索到成功解，並且比非結構數據上的搜索具有更高概率和精確性。模糊神經網絡FNN生成一個驅動信號，該信號依賴於QGSA輸出校正信號k2的值，模糊控制器FC調整經典PID控制器的傳送特性，PID控制器依賴於驅動信號和誤差信號ε的值。其傳感器數目減少的智能控制系統的訓練系統量子遺傳搜索算法可以用於實現智能控制系統，與現有技術的最優智能控制系統相比，該控制系統能夠利用較少傳感器來驅動過程。在使用模糊神經網絡(FNN)之前，「訓練」階段是必需的，FNN在該階段中學習驅動受控過程的方法。通過使用物理量的許多不同傳感器，在設備或修理中心進行「訓練」，其中物理量為過程的運行特徵。通常，在該階段中，使用在該過程的正常操作中不支持的幾個傳感器。鑑於此，必須教會FNN利用較少傳感器(即，僅利用該過程的正常操作中存在的傳感器)驅動該過程的方法。可以利用圖32和33詳細描述的體系結構實現此目標。表4為上述圖中出現的功能塊和信號。圖32和33表示精簡控制系統的一般結構。圖32為一個框圖，表示精簡控制系統480和最優控制系統420。使用最優控制系統420以及優化器440和傳感器信息補償器460訓練精簡控制系統480。在圖32中，將所需信號(表示所需輸出)提供給最優控制系統420的輸入，以及精簡控制系統480的輸入。最優控制系統420具有m個傳感器，它們提供輸出傳感器信號xb和最優控制信號xa。精簡控制系統480提供輸出傳感器信號yb和精簡控制信號ya。信號xb和yb包括k個傳感器的數據，其中k≤m-n。通常，這k個傳感器為傳感器系統422和482之間不通用的傳感器。將信號xb和yb提供給減法器491的第一輸入和第二輸入。減法器491的輸出為信號εb，其中εb＝xb-yb。將信號εb提供給傳感器補償器460的傳感器輸入。將信號xa和ya提供給減法器490的第一輸入和第二輸入。減法器490的輸出為信號εa，其中εa＝xa-ya。將信號εa提供給傳感器補償器460的控制信號輸入。將傳感器補償器460的控制信息輸出提供給優化器440的控制信息輸入。將傳感器補償器460的傳感器信息輸出提供給優化器440的傳感器信息輸入。同時，將精簡控制系統480的傳感器信號483提供給優化器440的輸入。優化器440的輸出向精簡控制系統480的輸入提供教學信號443。在以下說明中，脫機模式通常指校準模式，其中利用m個傳感器的最優集合運行控制對象428(和控制對象488)。在某一實施方式中，在設備或修理中心中運行脫機模式，其中在設備或修理中心使用附加傳感器(即，屬於m組但不屬於n組的傳感器)訓練FNN1426和FNN2486。聯機模式通常指運行模式(即，正常模式)，在該模式中僅利用n組傳感器運行系統。圖33為一框圖，詳細表示圖32中的功能塊。在圖33中，利用具有m個傳感器的傳感器組m422的輸出提供輸出信號xb，其中m＝k+n。傳感器系統m422的信息為具有最優信息內容I1的一個信號(信號組)。換句話說，信息I1為傳感器系統422中m個傳感器的全集的信息。控制部件425的輸出提供輸出信號xa。將輸出信號xa提供給控制對象428的輸入。將控制對象428的輸出提供給傳感器系統422的輸入。將來自k組傳感器的信息Ik提供給模糊神經網絡(FNN1)426的聯機學習輸入，以及第一遺傳算法(GA1)427的輸入。將來自傳感器系統422中的n組傳感器的信息In，提供給控制對象模型424的輸入。將算法GA1427輸出的脫機調整信號，提供給FNN1426的脫機調整信號輸入。FNN426輸出的控制為控制信號xa，將該信號提供給控制對象428的控制輸入。控制對象模型424和FNN426一起構成最優模糊控制部件425。同時，在圖33中，傳感器補償器460包括乘法器462，乘法器466，信息計算器464，和信息計算器468。在聯機(正常)模式中使用乘法器462和信息計算器464。提供乘法器466和信息計算器468用於脫機檢查。將加法器490輸出的信號εa，提供給乘法器462的第一輸入和第二輸入。將乘法器462的輸出(為信號εa2)提供給信息計算器464的輸入。信息計算器464計算Ha(y)≤I(xa，ya)。信息計算器464的輸出為一個有關精確性和可靠性的信息標準，I(xa，ya)→精簡控制系統中控制信號的最大值。將加法器491輸出的信號εb，提供給乘法器466的第一輸入和第二輸入。將乘法器466的輸出(為信號εb2)提供給信息計算器468的輸入。信息計算器468計算Hb(y)≤I(xb，yb)。信息計算器468的輸出為一個有關精確性和可靠性的信息標準，I(xb，yb)→傳感器數目減少的控制對象的輸出信號的最大值。優化器440包括一個第二遺傳算法(GA2)444和一個熵模型442。將信號I(xa，ya)→信息計算器464的最大值，提供給優化器440中的算法(GA2)444的第一輸入。從熱動力模型442的輸出，向遺傳算法GA2444的第二輸入提供熵信號S→最小值。將信號I(xb，yb)→信息計算器468的最大值，提供給優化器440中算法(GA2)444的第三輸入。提供給算法(GA2)444的第一和第三輸入的信號I(xa，ya)→最大值和I(xb，yb)→最大值為信息標準，提供給算法(GA2)444的第二輸入的熵信號S(k2)最小值為基於熵的物理標準。算法GA2444的輸出為下面說明的FNN2486的教學信號。精簡控制系統480包括精簡傳感器組482，控制對象模型484，FNN2486和控制對象488。當在特定脫機檢查(驗證)模式中運行時，傳感器系統482還包含k組傳感器。控制對象模型484和FNN2486一起構成精簡模糊控制部件485。將控制對象488的輸出提供給傳感器組482的一個輸入。傳感器組482的I2輸出包含來自傳感器組n的信息，其中n＝(k1+k2)＜m，滿足I2＜I1。將信息I2，提供給FNN2486的調整輸入，控制對象模型484的輸入，以及熵模型442的輸入。將算法GA2444的教學信號443提供給FNN2486的教學信號輸入。FNN2486輸出的控制為信號ya，將該信號提供給控制對象488的控制輸入。控制對象模型424和484可以為完整模型或局部模型。控制對象的完整數學模型表示是一個包含耗散處理的微分方程，而局部模型為一個不包含完整分析描述的模型。例如，對懸掛控制系統而言，可以寫出系統「車輛+懸掛」的非線性方程，然後使用非線性方程的耗散項以解析方式計算熵生產率，而對於引擎控制系統，數學模型的解析描述是不可用的。儘管圖32和33以獨立系統方式表示最優系統420和精簡系統480，通常系統420和系統480為同一系統。通過從系統420中刪除附加傳感器並訓練神經網絡，「創建」系統480。因此，通常控制對象模型424和484相同。控制對象428和488通常也相同。圖33表示從GA1427到FNN1426以及從GA2444到FNN2486的脫機調整箭頭標記429。圖33還表示從傳感器系統422到FNN1426的聯機學習箭頭標記。調整GA2444意味著改變FNN2486中的一組連接係數。改變連接係數(例如，使用迭代反向傳播或試錯法處理)，從而I(x，y)趨向最大值，S趨向最小值。換句話說，從GA2444向FNN2486發送該係數的編碼集合的信息，作為I(x，y)，並且計算S。通常，在設備或服務中心，以脫機模式調整FNN2486中的連接係數。教學信號429為一個信號，在利用最優控制集操縱最優控制系統420期間，該信號對FNN1426起作用。通常，當精簡控制系統以聯機模式運行時，由不與精簡控制系統480一起使用的傳感器提供教學信號429。GA1427在脫機模式期間調整FNN1426。用虛線表示與xb和yb有關的信號線，以表示通常僅在特定脫機檢查(即，驗證)模式期間使用xb和yb信號。在驗證模式期間，利用傳感器的最優集合運行精簡控制系統。將附加傳感器信息提供給優化器440，優化器440驗證精簡控制系統480以所需(幾乎最佳)精確性運行。對於具有非線性耗散數學模型描述和傳感器數目減少(或傳感器的不同集合)的穩定和不穩定控制對象，根據信息標準I(xa，ya)→最大值和I(xb，yb)→最大值，將控制系統設計與控制對象的輸出精度和控制系統的可靠性計算聯繫起來。根據物理標準S(k2)→最小值，將控制系統設計與控制系統和控制對象的穩定性和魯棒性檢查聯繫起來。在第一步驟中，使用帶有目標函數的遺傳算法GA2444，形成脫機模擬中模糊神經網絡FNN2486的教學信號443，其中目標函數為最優控制信號xa和精簡控制信號ya之間的交互信息的最大值。通過使用學習過程實現模糊神經網絡FNN2486，學習過程具有誤差反向傳播，以適應學習信號，並形成用於改變控制器485中的PID控制器的參數的查找表。從而為獲得具有足夠精度的所需的控制可靠性提供了充分條件。在第二步驟中，使用帶有目標函數的遺傳算法GA2444，實現FNN2486中的節點校正查找表，其中目標函數為最小熵S或生產率dS/dt(根據控制對象488的數學模型或傳感器測量信息的實驗結果進行計算)。該方法向精簡控制系統480的穩定性和魯棒性提供可靠的足夠精確的控制。從而為設計傳感器數目減少的魯棒智能控制系統提供了充分條件。不必按所列次序(即順序)執行以上第一和第二步驟。在模擬不穩定對象時，最好通過使用目標函數和信息標準，並行執行以上兩步，其中目標函數為物理量之和。在模擬FNN2486的查找表後，在傳感器系統482上改變控制對象484的數學模型，以檢查其傳感器數目減少的精簡控制系統與具有全部(最佳數目)傳感器的精簡控制系統之間的定性特徵。使用帶有兩個目標函數的GA2444中的並行優化，實現FNN2486中的查找表的全局校正。熵模型442抽取傳感器系統信息I2中的數據，以幫助確定所需的用於測量的傳感器數，並控制控制對象488。圖32和33表示減少的傳感器不包括控制對象的輸出中的測量傳感器且信息標準的控制信號的計算比較可行時的一般情況。傳感器補償器460計算信息標準，信息標準為兩個控制信號xa和ya之間的交互信息的最大值(用作GA2444的第一目標函數)。熵模型442通過使用來自傳感器482的信息提供物理標準，物理標準為最小生產熵(用作GA2444的第二目標函數)。GA2444的輸出為FNN2486的教學信號443，聯機使用該信號以生成精簡控制信號ya，從而精簡控制信號yb的性質類似於最優控制信號xa的性質。因此，優化器440提供控制的穩定性和魯棒性(使用物理標準)，以及具有足夠精度的可靠性(使用信息標準)。藉助脫機檢查，優化器440通過使用新的信息標準，從FNN2486提供控制信號ya的校正。由於信息測量是附加的，所以能夠順序或並行執行聯機/脫機步驟。在脫機檢查中，傳感器系統482通常僅在檢查控制信號ya的特性和校正時，才使用所有傳感器。即使控制對象488不穩定，該方法也能提供所需的穩定性和控制特性。對於精簡傳感器系統482(有n個傳感器)，FNN2486最好使用學習和適應過程代替模糊控制器(FC)算法。如果控制對象將在具有不同特性的不同環境中工作，則使用全局優化器450。全局優化器450包括GA2444和QGSA448。GA2的輸出449為QGSA448的輸入。QGSA448的輸出為FNN2486的教學信號。必須為每個單一解空間生成輸出449。應用於內燃機的精簡控制系統在一種實施方式中，將精簡控制系統應用於內燃活塞引擎、噴氣發動機、燃氣渦輪引擎、火箭發動機等，以便在不使用諸如氧氣傳感器之類的附加傳感器的情況下提供控制。圖34表示內燃活塞引擎，該引擎具有四個傳感器，一個進氣溫度傳感器602，一個水溫傳感器604，一個曲柄角度傳感器608。氣溫傳感器602測量進氣管620中的氣溫。燃油噴射器629向進氣管620中的空氣提供燃油。進氣管620向燃燒室622提供空氣和燃油。燃燒室622中燃油與空氣混合體的燃燒驅動活塞628。將活塞628連接到曲柄626，從而活塞628的運動轉動曲柄626。曲柄角度傳感器606測量曲柄626的轉動位置。水溫傳感器測量圍繞燃燒室622和活塞628的水管套630的水溫。將來自燃燒室622的廢氣提供給排氣管624，空氣燃油比率傳感器608測量廢氣中的空氣和燃油比率。圖35是一個框圖，表示精簡控制系統780和優化控制系統720。優化控制系統720連同優化器740和傳感器補償器760，用於訓練精簡控制系統780。在圖35中，向最優控制系統720的輸入和精簡控制系統780的輸入，提供所需信號(表示所需的引擎輸出)。具有5個傳感器的最優控制系統720，提供最優控制信號xa和傳感器輸出信號xb。精簡控制系統780提供精簡控制輸出信號ya和輸出傳感器信號yb。信號xb和yb包括來自A/F傳感器608的數據。將信號xb和yb提供給減法器791的第一輸入和第二輸入。減法器791的輸出為信號εb，其中εb＝xb-yb。將信號εb提供給傳感器補償器760的傳感器輸入。將信號xa和ya提供給減法器790的第一輸入和第二輸入。減法器790的輸出為信號εa，其中εa＝xa-ya。將信號εa提供給傳感器補償器760的控制信號輸入。將傳感器補償器760的控制信息輸出提供給優化器740的控制信息輸入。將傳感器補償器760的傳感器信息輸出提供給優化器740的傳感器信息輸入。同時，將精簡控制系統780的傳感器信號783提供給優化器740的輸入。優化器740的輸出向精簡控制系統780的輸入提供教學信號747。由傳感器系統722的輸出提供輸出信號xb，系統722具有5個傳感器，包括進氣溫度傳感器602，水溫傳感器604，曲柄角度傳感器607和空氣燃油比率傳感器608。來自傳感器系統722的信息為具有最優信息內容I1的一組信號。換句話說，信息I1為來自傳感器系統722中所有5個傳感器的信息。由控制部件725的輸出提供輸出信號xa。將輸出信號xa提供給引擎728的輸入。將引擎728的輸出提供給傳感器系統722的輸入。將來自A/F傳感器608的信息Ik1提供給模糊神經網絡(FNN)726的聯機學習輸入，以及第一遺傳算法(GA1)727的輸入。將來自除A/F傳感器608之外的四組傳感器的信息Ik1，提供給引擎模型724的輸入。將算法GA1727輸出的脫機調整信號，提供給FNN726的脫機調整信號輸入。FNN726輸出的控制為燃油噴射控制信號U1，將該信號提供給引擎728的控制輸入。信號U1也是信號xa。引擎模型724和FNN726一起構成最優控制部件725。傳感器補償器760包括乘法器762，乘法器766，和信息計算器764。在聯機(正常)模式中使用乘法器762和信息計算器764。提供乘法器766和信息計算器768用於脫機檢查。將加法器790輸出的信號εa，提供給乘法器762的第一輸入和第二輸入。將乘法器762的輸出(為信號εa2)提供給信息計算器764的輸入。信息計算器764計算Ha(y)≤I(xa，ya)。信息計算器764的輸出為一個有關精確性和可靠性的信息標準，I(xa，ya)→最大值。將加法器791輸出的信號εb，提供給乘法器766的第一輸入和第二輸入。將乘法器764的輸出(為信號εb2)提供給信息計算器768的輸入。信息計算器768計算Hb(y)≤I(xb，yb)。信息計算器768的輸出為一個有關精確性和可靠性的信息標準，I(xb，yb)→最大值。優化器740包括一個第二遺傳算法(GA2)744和一個熱動力(熵)模型742。將信號I(xa，ya)→信息計算器764的最大值，提供給優化器740中的算法(GA2)744的第一輸入。從熱動力模型742的輸出，向算法(GA2)744的第二輸入提供熵信號S→最小值。將信號I(xb，yb)→信息計算器768的最大值，提供給優化器740中算法(GA2)744的第三輸入。提供給算法(GA2)744的第一和第三輸入的信號I(xa，ya)→最大值和I(xb，yb)→最大值為信息標準，提供給算法GA2744的第二輸入的熵信號S(k2)→最小值為基於熵的物理標準。算法GA2744的輸出為FNN786的教學信號。精簡控制系統780包括精簡傳感器系統782，引擎模型784，FNN786和引擎788。精簡傳感器系統782包括除A/F傳感器608之外傳感器系統722中的所有引擎傳感器。當在特定脫機檢查模式中運行時，傳感器系統782還包含A/F傳感器608。引擎模型784和FNN786一起構成精簡控制部件785。將引擎788的輸出提供給傳感器組782的一個輸入。傳感器組782的I2輸出包含來自4個傳感器信息，滿足I2＜I1。將信息I2提供給控制對象模型784的輸入，以及熱動力模型742的輸入。將算法GA2744的教學信號747，提供給FNN786的教學信號輸入。FNN786輸出的控制為噴射控制信號U2，該信號也是信號ya。圖35所示的系統的操作在許多方面類似於圖32和33所示的系統的操作。使用熵生產與來自水溫傳感器604(TW)和氣溫傳感器602(TA)的溫度信息之間的熱動力關係，構造熱動力模型742。使用以下關係式計算熵生產S(TW，TA)S=c[ln(TWTA)]2-ln(TWTA)---(16)]]>其中Δτ為有限過程的周期。兩種任意狀態之間的外部比功滿足以下公式I(Ti,Tf,i,f)=c(Ti-Tf)-cTelnTiTf-cTe[lnTiTf]2f-i-lnTiTf----(17)]]>在等式(17)中，由於Ti＝TW和Tf＝TA，所以熵生產的最小整數為S=c[lnTWTA]2-ln(TWTA),]]>其中Δτ＝τf-τi(18)等式(17)中的函數滿足反向Hamilton-Jacobi方程。當以隨機A/F比率(約束控制)的方式表示部分引擎模型時，在圖36中使用QGSA。這意味著，利用不同的密度概率函數(高斯、非高斯均勻分布，Rayleigh分布等)模擬隨機A/F比率的統計特性。權利要求1.其傳感器數目減少的智能控制系統的訓練系統，包括具有確定數目傳感器(m)的智能控制系統，包括控制過程的複製品(428)，模糊控制部件(425)，該部件生成輸入到所述複製過程(428)的驅動信號(xa)，第一組第二數目(k)的傳感器，其數目與所述複製過程的狀態數相同，該組傳感器生成饋送到所述模糊控制部件的傳感器信號(xb)，第二組第三數目的傳感器(k1)，其數目與所述複製過程的狀態數相同，該組傳感器生成饋送到所述模糊控制部件的第二傳感器信號(4222)，第三組第四數目的傳感器(k2)，其數目與所述複製過程的狀態數相同，該組傳感器生成第三傳感器信號(4221)，實現第一遺傳算法(GA1)的電路塊，根據所述第三傳感器信號(4221)計算輸入到所述模糊控制部件(425)的教學信號；利用第五數目的傳感器(n)進行訓練的智能控制系統包括控制過程(488)，第二模糊控制部件(485)，該部件生成輸入到所述複製過程(488)的第二驅動信號(ya)，所述第一組所述第二數目(k)的傳感器的複製品，其數目與所述過程的狀態數相同，該組傳感器生成第四傳感器信號(yb)，所述第二組所述第三數目的傳感器(k1)的複製品，其數目與所述過程的狀態數相同，該組傳感器生成饋送到所述第二模糊控制部件(485)的第五傳感器信號(4822)，所述第三組所述第四數目的傳感器(k2)的複製品，其數目與所述過程(488)的狀態數相同，該組傳感器生成第六傳感器信號(4821)，根據所述第五傳感器信號(4821)生成信號(S[k])的電路塊，信號(S[k])表示要最小化的物理量(s)，全局優化器(450)，根據所述信號(S[k])和分別表示所述第一驅動信號(xa)和所述第二驅動信號(ya)之間的交互信息以及所述傳感器信號(xb)和所述第四傳感器信號(yb)之間的交互信息的一對信號，導出所述第二模糊控制器(485)的教學信號(443)；傳感器信息補償器(450)，該補償器計算分別表示所述第一驅動信號(xa)和所述第二驅動信號(ya)之間的交互信息以及所述傳感器信號(xb)和所述第四傳感器信號(yb)之間的交互信息的一對信號。2.權利要求1的訓練系統，其中所述全局優化器(450)是一個功能塊，它利用第二遺傳算法導出所述教學信號(443)。3.權利要求1的訓練系統，其中所述全局優化器(450)是一個功能塊，它利用權利要求1所述的量子遺傳搜索算法導出所述教學信號(443)。4.權利要求2和3的訓練系統，其中所述全局優化器(450)是一個功能塊，作為在所述第二遺傳算法的輸出上應用所述量子遺傳搜索算法的最終結果，導出所述教學信號(443)。5.根據權利要求1至4之一的訓練系統，其中所述要最小化的物理量為所述過程(488)的熵生產。6.權利要求1至5之任意權利要求的訓練系統，其中所述控制過程(488)為內燃機，所述複製過程(428)為所述內燃機的複製品，所述第一組傳感器包括一個空氣燃油比率傳感器，所述第二組傳感器包括一個曲柄角度傳感器和一個壓力傳感器，所述第三組傳感器包括一個氣溫傳感器和一個水溫傳感器。7.權利要求1至5之任意權利要求的訓練系統，其中所述控制過程(488)為車輛懸掛系統，所述複製過程(428)為所述車輛懸掛系統的複製品，至少一組所述傳感器包括至少一個屬於由位置傳感器、傾斜角傳感器和橫搖角傳感器組成的傳感器組的傳感器。8.一種訓練智能控制系統(480)的模糊控制部件(485)的方法，包括控制過程(488)，模糊控制部件(485)，該部件生成輸入到所述複製過程(488)的第一驅動信號(ya)，第一組第一數目(k)的傳感器，其數目與所述過程(488)的狀態數相同，該組傳感器生成第一傳感器信號(yb)，第二組所述第二數目的傳感器(k1)，其數目與所述過程(488)的狀態數相同，該組傳感器生成饋送到所述模糊控制部件(485)的第二傳感器信號(4822)，第三組第三數目的傳感器(k2)，其數目與所述過程(488)的狀態數相同，該組傳感器生成第三傳感器信號(4821)，根據所述第三傳感器信號(4821)生成信號(S[k])的電路塊，信號(S[k])表示要最小化的信號(s)，全局優化器(450)，生成所述模糊控制部件(485)的臨時教學信號(442)，使用所述控制過程的複製品(428)的控制系統(420)包括所述控制過程的複製品(428)，控制部件(425)，該部件生成輸入到所述複製過程(428)的第二驅動信號(xa)，所述第一、第二、第三組所述第一(k)、第二(k1)、第三(k2)數目傳感器的複製品，其數目分別與所述複製過程(428)的狀態數相同，這些傳感器分別生成饋送到所述控制部件的第四(xb)、第五(4222)和第六(4221)傳感器信號，其特徵在於包括以下步驟利用表示外部提供的所需輸出的信號，作為兩個控制系統(480，420)的輸入；計算所述第一驅動信號(ya)和第二驅動信號(xa)的成對值的交互信息(I1)；計算所述第一傳感器信號(yb)和第四傳感器信號(xb)的成對值的交互信息(I2)；利用最終教學信號(443)作為所述模糊控制部件(485)的輸入，作為所述臨時教學信號(442)、所述驅動信號的交互信號(I1)和所述傳感器信號的交互信息(I2)的函數，計算最終教學信號(443)。9.權利要求8的方法，其中通過使用目標函數對所述臨時教學信號(442)實行遺傳算法，導出所述最終教學信號(443)，目標函數依賴於所述交互信息值(I1，I2)。10.權利要求8的方法，其中通過使用目標函數對所述臨時教學信號(442)實行權利要求1所述的量子遺傳搜索算法，導出所述最終教學信號(443)，目標函數依賴於所述交互信息值(I1，I2)。11.權利要求9的方法，其中通過使用目標函數對所述臨時教學信號(442)實行遺傳算法，並且通過將量子遺傳搜索算法應用於所述遺傳算法計算的值，導出所述最終教學信號(443)，目標函數依賴於所述交互信息值(I1，I2)。12.根據權利要求8到11之一的方法，其中所述要最小化的物理量(s)為所述控制過程(488)的熵生產。13.根據權利要求8到11之一的方法，其中所述控制過程(488)為內燃機，至少所述第一和第二組傳感器之一包括至少一個屬於由曲柄角度傳感器、壓力傳感器和水溫傳感器組成的傳感器組的傳感器。所述第三組傳感器至少包括一個空氣燃油比率傳感器。14.根據權利要求8到11之一的方法，其中所述控制過程(488)為懸掛車輛，至少一組所述傳感器包括至少一個屬於由位置傳感器、傾斜角傳感器和橫搖角傳感器組成的傳感器組的傳感器。全文摘要一種控制由控制信號(U文檔編號G06F17/30GK1737709SQ20051008234公開日2006年2月22日申請日期2000年3月9日優先權日2000年3月9日發明者塞歸·烏爾雅諾夫,江古多·雷佐託,倉脅一郎,塞歸·潘飛洛夫,法比奧·吉斯,保羅·阿馬託,馬西莫·波託申請人:山葉發動機歐洲股份有限公司