 自动控制有经典控制与现代控制之分：经典控制使用三角函数（微分方程，拉普拉斯变换，Z变换 ）进行研究，因此经典控制主要是从频率域的角度对系统进行研究；而现代控制主要从时间域的角度（主要是状态方程）对系统进行研究！ 现代控制理论有卡尔曼在60年代创立。此后李雅普诺夫和约当在进一步研究之后，得出了在现代控制论中占据核心地位的矩阵特征值理论。 李雅普诺夫对于控制理论的最大贡献是系统稳定性理论。这个理论是从能量角度考察系统，即只有消耗能量的系统才是稳定的，得出了系统稳定性的判据。这个理论对于整个控制理论有基础性的作用。它不仅适合于线性系统，同样适合于非线性系统。 控制系统设计的关键在于获取被控对象数学模型（模型一旦建立，可以认为数学模型的参数不便）。当然从理论上说，获取被控对象的精确数学模型的概率为零。但是我们知道，对于赋范线性空间，有这样一个结论，如果两个可测函数之间在范数意义下能够的逼近足够好，那么对于同样的输入，两个模型的输出之间的误差就可以足够小。这保证了我们可以在一定的允许误差范围内使用“足够精确”的模型进行控制系统设计。 严格地说，真正的线性系统并不存在，任何系统都带有一定的非线性。目前对于非线性系统，还没有找到统一有效的解决方法，一般的研究方法都是对非线性系统线性化之后再进行处理。 被控对象在现实环境的影响下，自身的结构会发生一些变化，这样就有可能导致原来建立的数学模型失真（模型参数可变），进而影响控制效果。为解决这种问题而产生了模型辨识与控制同时进行的思想，就是自适应控制（即在控制过程中不断的辨识被控对象或过程的数学模型或修改模型参数，根据此事的被控对象模型反过来修正或改变控制器的结构或参数）。 目前为止，在人工智能控制蓬勃发展的今天，在世界上所能找到的最好的控制器，依然是人的大脑。从研究控制理论的角度来说，感兴趣的主要是大脑的认识机制。 世纪初，在神经的工作机理的研究成果基础上，得出了神经元的数学模型，并开创了神经网络理论。该理论自创立到现在，特别是近年发展很快。从数学本质上看，神经网络的学习过程是一种对函数的优化逼近过程。传统拟合方法是线性的，而该方法是一种非线性拟合方法。是研究人的大脑微观活动的一种主要的数学工具（研究大脑宏观的推理过程的数学表示方法为模糊逻辑推理）。
自动控制所面临的挑战（转载）
冯纯伯, 自动控制专家。1928年4月16日出生于江苏金坛。1953年于哈尔滨工业大学电机系研究生毕业。1958年在列宁格勒工业大学获技术科学副博士学位。历任东南大学自动化研究所所长，研究生院副院长。1994年获俄罗斯联邦自然科学院外籍院士称号，1995年当选为中国科学院院士。主要从事自动控制领域研究。
自动控制学科自建立以来一直就是一门很活跃的学科。二战期间由于军工技术的需要，以伺服系统为主要内容的反馈控制得到了迅速发展。二战之后的冷战期间军工技术竞争剧烈，特别是各类飞行器对控制系统提出了很高的要求。在此形势的推动下以状态变量为基础的所谓现代控制理论得以建立，它的一个主要特点是依赖于精确的数学分析计算。随着时间的推移，自动控制应用的领域愈来愈扩大，无论国防、工农业生产、社会经济、环保等等，凡是存在系统的地方都宜用系统学的观点加以分析，都可用控制理论方法加以适当的人为改造和处理。在这种日益扩大的应用过程中，人们发现原有的所谓现代控制理论有很大的局限性。这就提出了新的更高的要求，当前计算机科学和技术的高度发展也为更复杂更高层次的控制理论的发展提供了物质条件，因此，国际上普遍认为当前控制理论面临新的挑战，酝酿着新的发展。
概括地说，当前控制理论所要解决的主要问题是研究复杂系统的有效控制。所谓复杂系统可认为是具有以下一些主要特征的系统：
1．系统具有很强的时变和非线性。几乎任何真实系统都具有非线性，只是强弱不同而已。为了实现深层次、高性能的控制，就不能不充分考虑系统特性的时变性和非线性。举例来说，我国引进的SU－27战斗机可实现超机动飞行，其攻角可在极短时间内达到接近90°的程度，在此情况下它的气动特性全变了，用常规的线性化处理方法无法设计这样的控制系统。在民用方面，许多化工过程都有很强的非线性，其特性常随工况改变而改变，有时环境变了，特性起根本性的变化，即使仍然回到原来的环境和条件，原来的工况也无法恢复，造成灾难性后果，对于这类对象常规的PID调节常常不能满足要求。
众所周知，由于时变非线性动态方程没有通用的解法，因此和线性定常动态系统不同，远远未能建立起有效的控制系统设计方法，近年来由于微分几何、微分代数等数学工具的引进，非线性控制系统理论取得了一些突破性的进展，但仍然是很初步的，非线性控制系统性质复杂，许多特殊的性质，例如分岔、混沌等现象都可能在非线性控制系统中出现，对这些深层次的问题的了解，有待于对一般非线性动力学系统的深入研究，这正是当前数学界的一个重要题课。我们不能完全依靠数学家提供现成的果实，事实上也并非一定要对非线性动力学有了较完好的分析，才能对它作出有效合理的综合，然而对时变非线性动态系统提出一般化的有效设计方法毕竟是一件非常艰巨和困难的任务。
2．系统具有复杂的不确定性和各种无法预料的干扰，这种不确定性包括参数不确定性和结构上的不确定性。许多复杂的被控动态系统的维数是很高的，因此在分析处理时只能用低阶动态模型去逼近它，这就不可避免地存在未建模动态和不确定参数。为解决这类系统的控制，近年来鲁棒控制器的设计以及适应对象变化范围宽的一些控制方法等得到了深入的研究。对于线性系统这方面的成果相当丰富，但对时变非线性系统的研究仅只开始而已。
目前提出一些鲁棒控制方法，包括一些自适应控制等都不可避免地要依赖于对系统数学模型的精确数学分析，所以对线性系统取得的成果较多，而对时变非线性系统则成果不多，因为后者很难精确数学描述。而鲁棒控制设计又离不开以一定精确的数学模型为依据，这就是矛盾，这个矛盾若没有好的方法加以克服，鲁棒性强的控制将难以得到。这点对时变非线性系统尤其突出。在这方面需要在概念上和方法上有新的创造。
3．系统结构复杂、规模大。由于自动化技术应用的领域不断扩大，受控的系统愈来愈复杂，从控制系统的纵向看它包含了许多功能不同的层次，从横向看它分成了许多互联的子系统，例如CIMS技术就涉及全厂的综合自动化。如果说对较简单的单一动态系统可以仅用微分方程来描述的话，对这种复杂大系统就不可能仅用微分方程来描述，它的特性中至少要包括一些相互关系，逻辑制约等等，在时序上也不都是连续的。一些社会经济系统中还包括人在内，人的个人意识也在起作用，这类系统更是难以用数学方程来描述了，更有本质不同的特征。
60年代国际自控界发起推动“大系统理论”的研究。然而多年来这方面的成就不多，一些主要成果基本上是线性系统理论在具有复杂结构下的推广，远不能满足上述复杂系统的控制问题的需要。为解决问题需要完全新的途径和理论。现在迫切需要建立复杂系统的理论。在钱学森先生的倡导下，多年来我国学者在这方面积极地开展了研究。
应如何解决上述复杂系统的控制问题？同内外学者普遍意识到要走智能化的道路。实现控制要向人的智能学习。何为智能控制？众说纷纭，很难有确切定义。智能的程度是没有底的。由于目前认知科学发展水平有限，短期内很难建立真正的高智能的控制理论体系，但努力有的放矢地提高控制系统的智能化程度，以求达到更好的效果无疑是当前重要的研究课题，为此提出以下几点看法：
1．反馈概念的丰富和扩展
负反馈是控制的基本方法。常规的反馈是利用误差经过某种函数运算进行反馈，这种函数关系由控制指标所决定。对于一个能控能观的系统，控制指标和反馈方式有一一对应的关系。然而真正灵活有效的控制并不总是由一个单一的指标函数所决定的。一个有经验的驾驶员会根据被驾驶对象的状况、环境的变化等等随时改变驾驶策略，为了快速机动有时甚至采用正反馈，使系统不稳，有时又要使系统快速稳定，有时不用反馈而只用前馈，等等。这就是说反馈的过程中要有实时的决策，不能只用一种指标函数。当然理论上可以将各种指标函数组成一个综合的指标，但要描述这样的指标函数将是十分困难的，甚至是不可能的，即使有了这样的复杂的指标函数，也给统一的综合分析和设计带来了难以克服的困难。以上所述表明，如何将反馈控制和实时动态决策融合在一起是一个很有研究价值的课题，为此实现仿人智能的控制将是值得探讨的，仿人控制将会提供给我们很多有益启示。
2．系统建模以及建模和控制的结合问题
为实现有效的控制离不开对系统建模，现在人们研究在设计控制系统时如何能淡化系统模型，然而系统模型还是必要的，若模型可靠则必能实现有效的控制，在控制中加深对模型特性的了解，也必能改进控制，此二者有对偶性。对于线性系统建模方法已经研究得相当充分了。对于时变、非线性、不确定动态系统，建模方法的研究成果依然不多。近年来神经网络和模糊系统在系统建模和控制中的应用引起了极大的兴趣。理论证明两者都能逼近任意非线性函数。这附合Weierstrass函数逼近论的定理。但并未提出工程上令人满意的实现方法，要害之处在于尚缺乏真正快速的又不陷入局部最优的学习算法。人们的思维有两种，一种是数字的（Numeracy），一种是文字的（Literacy），后者常常含有更多的智能信息。目前现有的建模和控制基本上都是建立在数字式分析的基础之上的。事实上人在控制时并不一定需要知道精确的数字，而常只需要某些动态特征，例如系统是否会振荡、稳定度大不大，等等。因此在线定性建模、特征提取、行为分析就显得很重要了，它是实现智能化控制所需要的。事实上也并不需要完全建模之后才能进行控制，例如在慢信号作用下系统的高频部分不被激励起来，因此不必考虑。总之，在智能控制的范畴内，建模、控制和两者的相互关系要有新的考虑。
3．Metasynthesis方法的研究
在研讨复杂巨系统的过程中，我国学者钱学森先生和戴汝为先生等提出Metasynthesis的概念，这是一个有很高研究价值的课题。前面已经提到，目前有必要建立真正的大系统理论，而Metasynthesis应是主攻领域。这里有待研究的问题很多，例如：各种方法的协调配合问题、合成稳定（resultant stability）和综合性能的分析、如何实现可操作的定性和定量分析的结合、控制系统的稳态结构设计、人的因素在系统中作用的分析，等等。可例举的问题非常多，大都还是些未被开垦的处女地。
工业过程先进控制概述(转载）
1. 自适应控制
自适应控制可以看作是一个能根据环境变化智能调节自身特性的反馈控制系统以使系统能按照一些设定的标准工作在最优状态。
一般地说，自适应控制在航空、导弹和空间飞行器的控制中很成功。可以得出结论，传统的自适应控制适合（1）没有大时间延迟的机械系统；（2）对设计的系统动态特性很清楚。
但在工业过程控制应用中，传统的自适应控制并不如意。PID自整定方案可能是最可靠的，广泛应用于商业产品，但用户并不怎么喜欢和接受。
传统的自适应控制方法，要么采用模型参考要么采用自整定，一般需要辨识过程的动态特性。它存在许多基本问题（1）需要复杂的离线训练；（2）辨识所需的充分激励信号和系统平稳运行的矛盾；（3）对系统结构假设；（4）实际应用中，模型的收敛性和系统稳定性无法保证。
另外，传统自适应控制方法中假设系统结构的信息，在处理非线性、变结构或大时间延迟时很难。
2. 鲁棒控制
鲁棒控制是一个着重控制算法可靠性研究的控制器设计方法。鲁棒性一般定义为在实际环境中为保证安全要求控制系统最小必须满足的要求。一旦设计好这个控制器，它的参数不能改变而且控制性能保证。
鲁棒控制方法，是对时间域或频率域来说，一般假设过程动态特性的信息和它的变化范围。一些算法不需要精确的过程模型但需要一些离线辨识。
一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。
鲁棒控制方法适用于稳定性和可靠性作为首要目标的应用，同时过程的动态特性已知且不确定因素的变化范围可以预估。飞机和空间飞行器的控制是这类系统的例子。
过程控制应用中，某些控制系统也可以用鲁棒控制方法设计，特别是对那些比较关键且（1）不确定因素变化范围大；（2）稳定裕度小的对象。
但是，鲁棒控制系统的设计要由高级专家完成。一旦设计成功，就不需太多的人工干预。另一方面，如果要升级或作重大调整，系统就要重新设计。
3. 预测控制
预测控制或称为模型预测控制（MPC）是仅有的成功应用于工业控制中的先进控制方法之一。
各类预测控制算法都有一些共同的特点，归结起来有三个基本特征：（1）预测模型，（2）有限时域滚动优化，（3）反馈校正。这三步一般由计算机程序在线连续执行。
预测控制是一种基于预测过程模型的控制算法，根据过程的历史信息判断将来的输入和输出。它强调模型的函数而非模型的结构，因此，状态方程、传递函数甚至阶跃响应或脉冲响应都可作为预测模型。预测模型能体现系统将来的行为，因此，设计者可以实验不同的控制律用计算机仿真观察系统输出结果。
预测控制是一种最优控制的算法，根据补偿函数或性能函数计算出将来的控制动作。预测控制的优化过程不是一次离线完成的，是在有限的移动时间间隔内反复在线进行的。移动的时间间隔称为有限时域，这是与传统的最优控制最大的区别，传统的最优控制是用一个性能函数来判断全局最优化。对于动态特性变化和存在不确定因素的复杂系统无需在全局范围内判断最优化性能，因此这种滚动优化方法很适用于这样的复杂系统。
预测控制也是一种反馈控制的算法。如果模型和过程匹配错误，或者是由于系统的不确定因素引起的控制性能问题，预测控制可以补偿误差或根据在线辨识校正模型参数。
虽然预测控制系统能控制各种复杂过程，但由于其本质原因，设计这样一个控制系统非常复杂，要有丰富的经验，这也是预测控制不能预期那样广泛得到应用的主要原因。
预测控制适用于先进过程控制（APC）和监督控制场合，其控制输出作用主要是跟踪设定值的变化。但预测控制并不能很好地处理调节控制难题。
4. 最优控制
最优控制是现代控制理论的一个重要组成部分。成功应用于航天航空和军事领域，在许多方面改变了人们的生活。
一个典型的最优控制问题描述如下：被控系统的状态方程和初始条件给定，同时给定目标函数。然后寻找一个可行的控制方法使系统从输出状态过渡到目标状态，并达到最优的性能指标。
动态规划、最大值原理和变分法是最优控制理论的基本内容和常用方法。庞特里亚金极大值原理和贝尔曼动态规划是在约束条件下获得最优解的两个强有力的工具，应用于大部分最优控制问题。
在实际应用中，最优控制很适用于航天航空和军事等领域，例如空间飞行器的登月、火箭的飞行控制和防御导弹的导弹封锁。
工业系统中也有一些最优控制的应用，例如生物工程系统中细菌数量的控制等。然而，绝大多数过程控制问题都和流量、压力、温度和液位的控制有关，用传统的最优控制技术来控制它们并不合适。
5. 智能控制
智能控制是现代控制技术的又一个重要领域。关于智能控制有不同的定义。参考一个应用各种人工智能技术的范例，智能控制可以包括如下几种方法：（1）学习控制系统；（2）专家系统；（3）模糊控制；（4）神经网络控制。
学习控制系统
学习控制系统采用模式识别技术获得控制回路当前的状态，然后根据回路状态和储存的历史信息和经验知识作出控制决定。由于学习控制系统受储存的知识的限制，它至今还没有得到广泛的应用。
专家系统
专家系统是根据专家系统技术，使用一个知识库来作出控制决定的。知识库由专家的经验知识，在线获得的系统信息和推理机组成。由于专家系统的知识以符号表示而且总是离散的，因此它适用于生产计划、调度和故障诊断等决策问题。但不适用于解决连续控制问题。
模糊控制
与学习控制系统和专家系统不同，模糊控制是模糊推理和控制技术相结合的产物。用模糊集合和模糊概念描述过程系统的动态特性，以数学公式的形式来代表系统的信息或经验知识。根据模糊集和模糊逻辑来作出控制决策。
虽然模糊控制在解决复杂控制问题方面有很大的潜力，但是其设计过程复杂而且要求具备相当的专业知识。另外，由于没有许多基本的数学运算，所以模糊数学不属于数学领域的范畴。例如，模糊控制中并不一定存在加法的逆。因此，解一个模糊方程很困难，而传统控制理论和应用中解微分方程是最基本的。所以，缺乏好的数学工具是模糊控制需要克服的根本问题。
神经网络控制
神经网络控制是一种使用人工神经网络的控制方法。因为人工神经网络是建立在强有力的数学基础上，所以它有很大的潜力，这个数学基础包括了各种各样的已被充分理解的数学工具。在无模型自适应控制器中人工神经网络也是一个重要组成部分。 软计算
模糊逻辑、神经网络、遗传算法作为软计算的三大基础研究理论与计算方法。
其中：模糊逻辑的宏观推理能力；
神经网络的学习能力以及泛化能力；
遗传算法的全局优化和搜索能力；
| 
