1. 从标题拆解这个专题到底在讲什么“Computer Modeling in Engineering Sciences精选文章 | 人工智能与智能系统的建模、控制与优化”这个标题乍一看像是期刊目录页的栏目导语但把它拆开来看信息量其实相当密集。Computer Modeling in Engineering Sciences简称CMES是一本聚焦计算建模与工程科学交叉的学术期刊而“精选文章”四个字说明这不是单篇论文的解读而是一个围绕特定主题的论文合集推荐。主题落在“人工智能与智能系统的建模、控制与优化”上三个关键词——建模、控制、优化——构成了一个完整的闭环建模是理解系统行为的手段控制是让系统按预期运行的方法优化则是让控制效果逼近最优的数学工具。我之所以对这个专题感兴趣是因为它恰好覆盖了当前工程领域最活跃的交叉地带。传统上建模归力学和数学控制归自动化优化归运筹学三者各管一摊。但智能系统的出现打破了这种分工——一个无人机编队既要建立气动模型又要设计协同控制律还要在通信带宽受限的条件下做轨迹优化三个环节必须放在同一个框架里考虑。CMES这类期刊的价值就在于它把不同学科背景的研究者拉到同一张桌子上用计算建模作为共同语言。这个专题适合谁看如果你是从控制工程、机器人、能源系统、交通优化等方向切入的研究生或工程师正在寻找“AI方法怎么和传统建模控制结合”的具体案例那这批精选文章值得逐篇翻。如果你只是对“人工智能工程”这个交叉领域好奇想了解学术界目前关心什么问题、用什么工具解决那把它当作一份地图来读也完全没问题。我自己在带项目时经常遇到“模型建好了但控制器调不动”或者“控制器能跑但能耗下不来”的情况回头看这类专题文章往往能在方法论层面找到启发。需要说明的是下面展开的内容一部分来自我对该专题主题域的理解一部分是基于常见工程实践的合理推演。具体论文的公式推导和实验数据建议直接查阅CMES原刊。2. 建模、控制、优化三者的关系为什么不能分开做2.1 建模是地基但地基的精度决定上层建筑的高度任何控制或优化问题的起点都是模型。你有一个被控对象——可能是一台电机、一个无人机、一条生产线、一个电网——你需要用数学语言描述它的行为。建模的方法大致分两类机理建模和数据驱动建模。机理建模从物理定律出发写出微分方程或差分方程比如电机的电压方程和转矩方程无人机的六自由度动力学方程。数据驱动建模则从观测数据出发用神经网络、高斯过程、系统辨识等方法拟合输入输出关系。这两条路各有各的坑。机理建模的坑在于真实系统总有未建模动态——摩擦、死区、饱和、时滞——你写出来的方程再漂亮和实际响应之间总有差距。数据驱动建模的坑在于数据覆盖不到的状态空间区域模型会给出离谱的预测而且神经网络模型的可解释性差控制器设计时很难直接利用。CMES专题里常见的做法是混合建模用机理方程描述主要动态用神经网络补偿残差。这种思路在电机控制和无感FOC中特别常见——电流环和速度环用传统PI控制保证稳定性但转子位置观测器用神经网络来补偿低速时的反电动势估计误差。我试过在PMSM无感FOC项目里用这种混合方案低速段的观测精度确实比纯滑模观测器好一截代价是训练数据的采集和标注需要花不少功夫。2.2 控制是手段但控制器的性能受限于模型质量控制器的任务是在模型的基础上设计一个反馈律使得闭环系统稳定且满足性能指标。经典控制理论PID、根轨迹、频域法和现代控制理论状态反馈、LQR、H∞都有成熟的工具箱。但智能系统的控制问题有几个新特点非线性强、不确定性大、约束多。以PID控制为例它在工业界统治了几十年不是没有道理的——结构简单、参数物理意义明确、鲁棒性尚可。但PID的局限也很明显它本质上是一个线性控制器面对强非线性系统时要么在工作点附近线性化后勉强用要么就得引入增益调度。而模型预测控制MPC则天然适合处理约束和多变量耦合问题它在每个采样时刻求解一个有限时域的最优控制问题把状态约束和控制量约束显式地写进优化问题里。代价是计算量大对实时性要求高的场景需要仔细设计求解器。CMES专题里关于“控制”的文章很多都在讨论如何把学习算法嵌入控制回路。比如用强化学习训练一个策略网络替代传统的MPC求解器在保证约束满足的前提下降低在线计算量。这种思路在机器人运动控制和自动驾驶轨迹跟踪中已经有不少成功案例。2.3 优化是目标但优化问题的可解性取决于建模和控制的选择优化贯穿始终建模阶段有参数辨识的优化问题控制阶段有控制器参数的优化问题系统层面还有调度和资源分配的优化问题。优化问题的三要素是决策变量、目标函数、约束条件。在智能系统中这三者往往都不简单。决策变量可能是连续的如控制量、功率分配也可能是离散的如任务分配、路径选择还可能是混合的。目标函数可能是凸的如二次型代价也可能是非凸的如神经网络训练的损失函数。约束可能是线性的如功率上下限也可能是非线性的如避障约束。凸优化之所以在工程中备受青睐是因为它有全局最优解且求解效率高。但现实问题往往是非凸的这时候要么做凸松弛要么用启发式算法遗传算法、粒子群、模拟退火找近似解。CMES专题里关于“优化”的文章很多都在讨论如何把非凸问题转化为可高效求解的形式或者如何在计算资源和优化精度之间做权衡。3. 人工智能在建模环节的切入方式3.1 神经网络作为万能逼近器能做什么不能做什么神经网络在建模中的角色本质上是一个高维非线性函数逼近器。理论上一个足够宽的单隐层网络可以逼近任意连续函数万能逼近定理。但在工程实践中“足够宽”往往意味着参数量巨大训练数据需求也巨大。我见过不少项目一上来就用深度网络做端到端建模输入是传感器原始数据输出是控制量。这种做法在仿真环境里跑得通但一到真实系统就出问题分布偏移、传感器噪声、执行器延迟任何一个环节都能让网络输出跑飞。更稳妥的做法是把神经网络用在局部比如只用来拟合摩擦模型、只用来补偿模型误差、只用来做状态观测。这样网络的输入输出维度低训练数据容易采集出问题也容易排查。CMES专题里有一类文章专门讨论物理信息神经网络PINN把物理方程的残差作为损失函数的一部分让网络在拟合数据的同时满足物理约束。这种做法在流体力学和结构力学中已经有较多应用在控制系统建模中也有潜力——比如用PINN学习一个未知的非线性阻尼项同时保证能量耗散特性。3.2 高斯过程回归小样本场景下的建模利器如果训练数据很少神经网络容易过拟合这时候高斯过程回归GPR是一个更好的选择。GPR的优势在于它给出的是概率预测——不仅告诉你预测值是多少还告诉你这个预测的不确定度有多大。这个不确定度信息在控制器设计中非常有用不确定度大的区域控制器可以保守一些不确定度小的区域控制器可以激进一些。GPR的缺点是计算复杂度随样本数立方增长所以一般用于样本数在几百到几千的场景。在机器人抓取、无人机气动参数辨识等任务中GPR是常用工具。我在一个机械臂末端力控项目里用过GPR来建模接触动力学效果比查表法好很多而且不确定度估计帮助我们在接触初期采取了更保守的阻抗参数避免了冲击。3.3 系统辨识与神经网络的结合灰箱建模纯黑箱建模神经网络和纯白箱建模机理方程之间有一个广阔的灰箱建模空间。灰箱建模的核心思想是已知的部分用机理描述未知的部分用数据驱动方法学习。比如一个电机系统电气方程已知但负载转矩未知且时变那就用神经网络或递归最小二乘来在线估计负载转矩。CMES专题里关于灰箱建模的文章很多都在讨论如何设计网络结构以嵌入已知物理结构。比如在状态空间模型中让网络只学习状态转移矩阵中的某些元素而不是整个矩阵。这样做的好处是网络需要学习的参数量减少泛化能力增强而且训练出来的模型更容易和现有控制理论对接。4. 智能系统控制策略的选型与实现4.1 从PID到MPC什么时候该升级控制器PID控制器在工业界的占有率超过90%这不是偶然。对于单输入单输出、动态特性不太复杂、约束不苛刻的场景PID足够好用。但以下情况需要考虑升级多变量强耦合比如四旋翼无人机的姿态和位置控制四个电机同时影响三个姿态角和高度PID需要设计多个回路并处理耦合调参难度大。约束必须显式处理比如电机电流不能超过硬件限幅机械臂关节角不能超出行程这些约束在PID框架下只能靠饱和函数硬砍效果差且可能引发积分饱和。性能指标要求高比如要求跟踪误差在特定频段内最小或者要求能耗最优PID无法直接优化这些指标。MPC的优势在于它把约束和性能指标统一在一个优化问题里。但MPC的落地难点在于实时求解。对于线性系统加二次型代价显式MPC可以把在线优化转化为查表但表格大小随状态维度和约束数量指数增长。对于非线性系统需要在每个采样周期内求解非线性规划计算量更大。实践中常用的折中方案是线性时变MPC在当前工作点线性化用二次规划求解兼顾性能和计算量。4.2 强化学习控制从仿真到实物的鸿沟强化学习RL在控制中的应用是近年来的热点。RL的优势在于它不需要显式的模型通过与环境交互来学习策略。但RL从仿真到实物sim-to-real的迁移是一个大问题。仿真环境再精细也有建模误差实物系统的状态空间和动作空间往往比仿真中更大安全约束在仿真中可以忽略在实物中必须严格遵守。CMES专题里关于RL控制的文章很多都在讨论如何提高样本效率和保证安全。样本效率方面基于模型的RLMBRL是一个方向先用数据学习一个动力学模型再在模型上做规划或策略优化减少真实交互次数。安全方面约束RL和安全层是常用手段在RL策略输出动作后用一个安全过滤器检查动作是否会导致违反约束如果会就投影到安全动作集内。我个人的经验是RL适合用在传统控制方法难以建模但数据容易获取的场景比如复杂接触操作、柔性物体操控。对于已经有成熟控制方案的场景RL的边际收益有限而且调试和验证成本高。4.3 自适应控制与学习控制的边界自适应控制MRAC、STR和学习控制ILC、RL都试图处理模型不确定性但思路不同。自适应控制在线调整控制器参数理论基础扎实稳定性分析有成熟工具但通常只适用于参数不确定性对结构不确定性无能为力。学习控制通过重复任务来改进性能ILC适合周期性任务RL适合非周期性任务但两者都需要大量试错。在实际项目中我倾向于先用自适应控制处理参数慢变再用学习控制处理重复性误差。比如在一个轨迹跟踪任务中用MRAC补偿负载质量的变化用ILC补偿关节摩擦的周期性影响。两者结合跟踪精度可以做到比单独用任何一种都好。5. 优化方法在工程系统中的落地5.1 凸优化能凸就凸不能凸就松弛凸优化在工程优化中的地位怎么强调都不过分。一个凸优化问题局部最优就是全局最优而且有成熟的内点法、梯度法、交替方向乘子法ADMM等求解器可用。所以工程中的第一反应应该是这个问题能不能写成凸的很多问题天然不是凸的但可以通过变量替换、约束松弛、序列凸近似等手段转化为凸问题或凸问题的序列。比如无人机轨迹规划中的避障约束是非凸的但可以通过引入“安全走廊”把非凸约束转化为线性约束。再比如功率分配问题中的信干噪比约束是非凸的但通过变量替换可以转化为二阶锥约束。CMES专题里关于优化的文章很多都在讨论如何针对特定应用设计凸松弛以及如何保证松弛后的解对原问题可行。这些技巧在通信、能源、交通等领域都有广泛应用。5.2 启发式优化当凸优化无能为力时有些问题就是非凸的而且找不到好的凸松弛。这时候启发式算法遗传算法、粒子群、差分进化、模拟退火就派上用场了。启发式算法的优点是通用性强几乎不要求目标函数和约束有特殊结构缺点是计算量大且不保证找到全局最优。使用启发式算法时有几个经验值得分享。第一编码方式很重要决策变量的编码方式直接影响搜索效率实数编码通常比二进制编码更高效。第二约束处理要小心罚函数法简单但罚系数难调可行性规则法更稳健但可能过早收敛。第三多种群或多起点单一群体容易陷入局部最优多种群并行搜索可以显著提高找到好解的概率。5.3 优化与控制的联合设计传统上控制器的结构和参数是分开设计的先选结构PID、状态反馈、MPC再调参数。但更优的做法是联合设计把控制器参数作为优化变量把闭环性能指标作为目标函数直接优化。这种做法在最优控制中早有理论LQR就是解析解但对于复杂结构和约束需要数值优化。CMES专题里有一类文章讨论控制器参数自动调优用贝叶斯优化或进化策略来搜索PID参数或MPC权重矩阵。这种做法在仿真中效果不错但迁移到实物时需要考虑噪声和扰动的影响否则优化出来的参数可能对扰动过于敏感。6. 常见问题与排查技巧实录6.1 模型不准导致控制器振荡怎么排查这是工程中最常见的问题之一。控制器设计时基于某个模型但实际系统与模型有偏差导致闭环响应振荡甚至发散。排查思路如下现象可能原因排查方法解决措施高频振荡模型高频动态未建模控制器带宽过高扫频测试对比模型和实际的幅频特性降低控制器带宽增加低通滤波低频振荡模型增益误差大或存在时滞阶跃响应测试检查稳态增益和延迟重新辨识增益或改用鲁棒控制极限环非线性摩擦、死区、饱和未建模检查执行器输入输出特性引入非线性补偿或降低控制器增益发散模型不稳定或控制器符号错误开环测试检查反馈极性修正模型或控制器符号我踩过的一个坑是在电机速度控制中电流环带宽设得很高但速度环带宽也设得很高结果两个环耦合导致振荡。后来把速度环带宽降到电流环的1/5以下问题就解决了。这个经验来自经典控制理论中的带宽分离原则内环带宽应远高于外环一般至少5倍。6.2 优化求解器不收敛怎么调整优化求解器不收敛的原因很多常见的有问题不可行、初值太差、梯度计算错误、求解器参数设置不当。排查步骤检查可行性先忽略目标函数只检查约束是否可行。如果约束本身矛盾问题无解。检查初值把初值设到可行域内部或者用上一时刻的解作为初值热启动。检查梯度如果用的是基于梯度的求解器用有限差分验证梯度计算是否正确。调整求解器参数增大最大迭代次数放宽收敛容差切换求解算法如从内点法切换到SQP。提示对于MPC问题热启动用上一时刻的解作为当前时刻的初值可以显著减少求解时间因为相邻时刻的最优解通常很接近。6.3 神经网络训练损失降不下去怎么诊断神经网络训练不收敛可能的原因和排查方法学习率太大损失震荡或发散减小学习率乘以0.1再试。学习率太小损失下降极慢增大学习率或改用自适应学习率Adam。网络容量不足训练损失和验证损失都高增加层数或每层神经元数。过拟合训练损失低但验证损失高增加正则化L2、Dropout或增加数据。数据未归一化输入输出量纲差异大做标准化处理。梯度消失/爆炸深层网络常见用残差连接或梯度裁剪。我在一个状态观测器项目中遇到过训练损失卡在某个值下不去的情况后来发现是激活函数选择不当输出层用了Sigmoid但目标值的范围超出了[0,1]导致网络永远无法拟合。改成线性输出层后损失立刻降下去了。这个坑很基础但新手容易犯。6.4 仿真到实物迁移失败怎么缩小差距Sim-to-real迁移失败的原因通常有传感器噪声、执行器延迟、摩擦和阻尼、通信延迟、未建模动态。缩小差距的方法域随机化在仿真中随机化物理参数质量、摩擦系数、延迟让策略对参数变化鲁棒。系统辨识用实物数据辨识仿真模型的参数让仿真更接近实物。残差学习在仿真模型基础上用实物数据学习一个残差模型补偿仿真与实物的差距。渐进迁移先在仿真中训练再在实物上微调微调时降低学习率。注意域随机化的范围要合理太小起不到鲁棒作用太大导致策略过于保守。一般根据实物参数的可能变化范围来设定。7. 工具链与工作流我实际用下来比较顺手的组合7.1 建模与仿真Python生态 vs MATLAB生态建模和仿真工具的选择很大程度上取决于团队的技术栈。MATLAB/Simulink在控制系统领域有深厚的积累工具箱齐全Simulink的图形化建模对复杂系统很友好。Python生态NumPy、SciPy、CasADi、PyTorch在机器学习和优化方面更灵活且开源免费。我自己的做法是混合使用控制器的快速原型和频域分析用MATLAB神经网络训练和凸优化用Python两者之间通过文件或ROS消息交换数据。如果团队以Python为主CasADi是一个很好的选择它支持符号建模和自动微分可以无缝对接IPOPT、OSQP等求解器。7.2 控制器实现从脚本到嵌入式控制器在仿真中验证通过后需要部署到嵌入式平台。常见的平台有STM32、TI C2000、FPGA、树莓派、Jetson。选择平台时需要考虑计算能力、实时性、外设接口、功耗。对于电机控制TI C2000系列是经典选择它有专门的PWM模块和ADC模块适合跑FOC算法。对于无人机和机器人STM32F4/F7系列用得很多计算能力足够跑姿态控制和简单的MPC。对于需要跑神经网络的场景Jetson Nano或Xavier是常见选择但功耗和散热需要仔细设计。从脚本到嵌入式的移植最大的坑是浮点 vs 定点和实时性。MATLAB和Python默认是双精度浮点嵌入式平台可能只有单精度浮点甚至定点。定点化需要仔细设计数值范围否则溢出或精度损失会导致控制性能下降。实时性方面嵌入式平台的代码执行时间必须严格小于采样周期否则需要优化代码或降低控制频率。7.3 数据管理与实验记录做建模和控制优化实验数据是核心资产。我建议从一开始就建立规范的数据管理流程每次实验记录时间戳、配置参数、环境条件、原始数据、处理后的数据、分析结果。工具上可以用MLflow或Weights Biases来跟踪实验用Git来管理代码和配置文件。提示实验记录中最容易被忽略的是环境条件温度、湿度、电源电压和硬件版本电机型号、传感器批次。这些信息在复现实验时非常关键但往往事后才想起来没记。8. 这个专题后续可以怎么扩展CMES这个专题覆盖的是“建模、控制、优化”的交叉地带但每篇精选文章只能深入一个点。如果你读完之后想继续深入我建议沿着两条线扩展。第一条线是应用场景线把专题中的方法映射到你自己的应用领域。比如你在做无人机那就重点关注专题中关于非线性建模、轨迹优化、鲁棒控制的文章你在做能源系统那就重点关注关于凸优化、MPC、负荷预测的文章。把方法从论文中抽出来在自己的仿真环境中复现一遍是最有效的学习方式。第二条线是方法工具线专题中反复出现的方法——神经网络、高斯过程、MPC、凸优化、强化学习——每一个都值得单独深入。选一个你最常用的方法找一本教材或一门课程系统学一遍比零散地读论文效率高得多。比如MPCRawlings的《Model Predictive Control: Theory, Computation, and Design》是经典教材配合CasADi的教程做几个项目基本就能上手了。最后分享一个小技巧读这类专题文章时不要只读正文参考文献列表往往比正文更有价值。一篇精选文章的参考文献通常涵盖了该方向最核心的几篇奠基性工作和最新的进展顺着参考文献往下挖比漫无目的地搜索高效得多。我在做文献调研时经常从一篇综述或专题文章出发用“滚雪球”的方式把相关文献一网打尽。
