（2）智能控制

智能控制[4]一般都是具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程；它适用于含有复杂性、不确定性、模糊性、不完全性和不存在已知算法的生产过程。智能控制器一般具有分层信息处理和决策机构。智能控制一般具有非线性和变结构的特点；它还具有功能、适应功能和组织功能。智能控制包含了以下几个重要的分支：

模糊控制

模糊控制[5]的数学基础是模糊集合论，是建立在人工经验基础上的。用模糊数学将一种定性的、不确定的控制规则定量化就能转化为模糊控制算法，即可形成了模糊控制理论。模糊控制器具有这样一些特点：没有必要详细了解被控对象的数学模型；构造容易；鲁棒型好。模糊控制它实际上就是是一种专门对非线性的控制，是较为常见的一种智能控制。模糊控制可以解决传统PID控制无法结局的问题，如滞后性等。模糊控制刚开始在国外发展时就遇到了不少麻烦，慢慢地在东方得到广泛的运用。如今，模糊控制被运用在双容水箱液位控制系统中，解决传统PID控制器在液位控制系统中无法解决的延时问题，是系统能快速响应，节约时间，提高水箱液位控制系统的工作效率。

神经网络控制

人工神经网络控制[6]就是模拟人脑细胞的分布式工作特点和自组织功能实现并处理、自学习和非线性射等能力，人工神经网络控制是一种重要的智能控制方法，具有较强的鲁棒性，与其他控制方法相比它具有很强的自适应能力，可以对一些难以准确描述的复杂的非线性的被控对象进行建模；对传统控制系统可以起到一些优化的作用。神经网络控制可以为解决非线性、不确定系统的建模和控制等问题提供一些新的解决方法和途径。其中，BP算法是神经网络控制中较为常见的一种算法，当然还有其他的算法，例如RBF神经网络算法等。利用神经网络控制可以对已有的传统液位控制系统进行优化，以达到最佳的控制效果。

遗传控制

遗传优化算法[7]是遗传学习控制理论的重要体现，它是一种全局随机巡优算法，模仿生物的进化过程来逐渐获得最好的结果，即利用了适者生存，不适者淘汰的规律。遗传算法有三个基本的算子，包括了选择、交叉和变异。与传统优化算法相比，遗传算法具有很好的收敛性，在计算精度要求时，所需要的计算时间相对较少，应变响应能力好，可以很好的保证系统的稳定性；但是遗传算法有一些缺点，它需要经过大量的计算，难以处理非线性约束处理，稳定性差，对新型问题的研究应用能力是有限的。

模糊神经网络控制(FNNC)

模糊神经网络控制[8]是在模糊控制和神经网络控制的基础上发展而来的，对于原本单一的控制方法进行融合，集齐了两者的优点，能够实现系统的自适应控制。既能控制系统的稳定性、延时性、快速性，又可以使系统的鲁棒性能等大大提高。模糊神经网络一般包含三种控制方法，有逻辑模糊神经网络，算数模糊神经网络和混合模糊神经网络。其实这三种控制方法的最大区别就是他们使用的控制算法不同。神经网络的控制都是在算法下实现的，不同的算法会出现不同的控制效果。对于不同的问题，可以酌情选择不同的算法，以达到最优控制效果。

补偿模糊神经网络

补偿模糊神经网络是为了克服模糊神经网络中一些隶属度设定、模糊规则逻辑推理运算困难。通过在神经网络的基础之上加上补偿模糊逻辑就构成了这种新型的控制方法，可以使控制过程更加优化，更加方便。其实，加入补偿过程最主要的就是可以加快神经网络的训练过程，是系统运行更快，更稳。