控制理論到底有什麼用？
很迷茫，無非就是公式的推導，實際應用大多數還是PID等基本方法，上次看到一個搞控制論的博士畢業去教中學，覺得十分感慨~學控制出來後基本只有科研院校或者部分研究所，就業面比較窄啊~
馬克吐溫說："Everybody talks about the weather but nobody does anything about it."
什麼意思呢？每個人都在討論天氣（分析今天和過去，乃至預測未來），但沒有人去做點什麼：沒有人去控制它！
這句話其實也不完全是玩笑話，weather control確實也是有人在研究。是題外話了。回到原問題。
抽象的說，控制理論，對於一個對象，基於數據，辨識或物理建出模型，不僅要分析或預測，還要試圖控制或優化對象未來的行為。
藉助Cyber、演算法、軟體（現在電路或機械的控制器很少了），一般通過閉環、反饋，往小了說，可以改變Physical、物理機構、硬體的特性，乃至使得不穩定的變穩定，響應慢的變快或相反。往大了說，要使得對象有既定的穩態或動態行為。
有很多控制領域，如魯棒控制、最優控制、預測控制等，而這些領域又有很多不同的方法。一般來說，這些方法中最基礎的那個，一般來說是可以實用的，而較複雜的，一般不能用。經驗是，找最基礎的，最好的是物理意義明確的，作為框架，在實際中再增添修補。
為什麼呢？因為人們總是低估不確定性和干擾。很多時候，設計的控制器很fragile的，即使是有些所謂的Robust控制（這裡最近有個很有趣的定義，叫anti-fragile，不過跟該主題無關了）。而一般越簡單、越保守的控制器，越robust，越能應付大量不確定性。比如基礎PID，H無窮（實際上非常保守）等等。對了，還想起一個來，對付延時的，時延無關穩定，在錢學森的《工程式控制制論》里有介紹（這本書里都是控制的實際應用啊）。如果按照時延無關穩定來設計控制器，那在實際中是很保守的，遠不是最優的，但這樣的話，就可以應付很大的時延不確定性啊。現實中往往是這些最『宰相肚裡能撐船』的控制器，越應用的多。反而是對某種情況最優，但換另一種情況就可能會跑飛的，沒有多大應用。這也就解釋了現實中往往不是那些在某一方面特別厲害的人當老大，而是各方面都不讓人，但湊合起來馬馬虎虎的，最後當老大，哈哈哈。
這裡岔開一句，PID的調參可以用很多方法，試湊、經驗方法很多，基於模型的也有很多。基於模型的，如果建模、或者系統辨識的不好，調參再好，效果也不會好的。而且有一個問題，那就是沒有免費午餐，很多時候根本就沒法說控制效果哪個更好。比如帶寬大了，往往干擾或振蕩抑制就差了；干擾振蕩抑製得好，系統響應又慢了；什麼都好，控制器能耗又大了。。。而且但論干擾抑制，中頻好了，高頻又上去了。。。如此等等。
個人認為，控制理論未形成行業，並不是因為它沒有用（經常有其他行業的來問我他們實際遇到的控制問題），而在於控制太專註於解決問題，而且解決的都是已經存在的產品、機器中的問題，但自己沒有新產品出來。什麼意思呢，人家都造出來了，用著PID也行，這時候做控制的過來說，我有一套方案，不用改硬體、不用改軟體，只改演算法，就能讓效果好很多。這讓你想到了什麼？諮詢公司！對吧。但控制領域有沒有像樣的提供控制方案的『諮詢公司』。所以，行業出路一，提供控制解決方案。
現在很多場合都在用PID，並不代表PID是最優的，而是往往不知道有更好的可用。比如一些搞建築的，跟我提過他們在某些環節也用PID，覺得很神奇，比開環效果好很多了，都沒想過要換更好的。其實這也是做控制的自己做的不夠好了，如果行業里有個知名的控制解決方案解決公司，首先讓各行各業認識到控制可以讓他們把很多事情做得更好，或者有比PID更好的控制演算法的話，也就不會出現現在的情形。即使一個常見控制系統，電機電流環、轉速環，再上面位置環，一般環環套飽和PID就可以控制起來。但還有沒有更好的框架呢？特別是有明顯耦合的時候，或者有硬約束的時候，或者工況乃至負載會變化的時候，或者非線性比較明顯的時候，或者對精度要求比較高的時候。。。而且一層層的串級PID有時候不適用，因為有的高階系統是分不出來層的。。。
那控制的能不能做產品呢？能，機器人啊。比如Solowheel，Segway，LIT Motors等系列產品，雖然現在仍未流行，但未來很可能在這些平台的基礎上，延伸出很多新產品來。比如Solowheel或Segway加裝座椅跟外殼，或者改裝成自動行李箱。而且LIT Motors本身已經做得很好了。這些產品，可能大多數都會失敗，不能流行，但有一個流行開來，作為代步工具，那可就是理論上人人需要的消費級產品啊。再比如Parrot與Phantom，這幾年發展飛速。
這裡就有問題了，這就不是純「控制演算法」了啊。是的，做產品，控制演算法只是其中一個環節而已。別的不說，Google雖號稱以PageRank起家，但現在在Google Search，PageRank或其他純search engine演算法，又佔多大比重呢？更何況機器人公司軟、硬並重。
在我看來，把目標更注重於對別的行業的諮詢，與做出消費級的產品，是控制這個領域繼續發展的唯一希望。這並不是說沒人做純控制了，而且一旦產業發展起來，做純控制也會跟著回春的，比如也像微軟一樣建立亞洲研究院。否則，說不定哪天，這個專業真不存在了。
這可不是危言聳聽，因為現在就有機械自動化，電氣自動化，化工自動化，因為自動駕駛，估計也會有汽車自動化，而且現在機器人算是早就脫出自動化（所謂的純控制）了，都得算是比自動化更大的了。那這樣的話，自動化還有單獨存在的必要麼？
我知道的，比如世界頂尖的硬碟製造商，有人專門做LQR控制，不僅控制動態性能，也控制穩態精度。在粒子加速器，有前饋控制。在阿爾法質譜儀，有模糊控制。在殼牌、美孚等企業，有預測控制。在無人駕駛地鐵，有自適應控制。在航空航天，有魯棒控制。而且未來的無人機，無人駕駛什麼的，對容錯控制有很大需求。四旋翼以後如果換隨便掛載的話，也要做到自適應。當然，所有的這些，都少不了PID加卡爾曼濾波。
何毓琦曾有撰文討論，到底是不是control is dead？大意說說解題式的，解決不存在問題的控制，基本沒什麼生機了。但控制的應用，包括很多實際中的控制問題，實際還有很多可以做的。香農的學生、MIT教授Robert G. Gallager，曾講過，大意是在歷史上也有幾次說communication is dead，因為為了博士畢業，所以不得不寫一些水文，然後這些博士成了教授，下面的學生還是如此。但往往這個時候，就有做communication的人說，夠了，我們去做點實際的。最近一次，就因此產生了Motorola、Qualcomm這樣的公司。從這個角度來說，有人說control is dead是好事。個人一直堅信，如果控制的產業發展起來，將會對控制理論帶來根本的衝擊。
控制不是數學，也不是工程。更多的是橋樑。結果做數學的，說做的是工程；而做工程的，說做的是理論。這其實是外行，導致做控制的，到後來，不是轉數學，就是轉工程。
控制是在數學的基礎上（或者說以之為工具），發明在工程中能用的方法，用計算機演算法實現。注意，是發明。這個發明，要依靠物理直覺，不只是數學上的美。也就是說，要enable。是研究人造系統的物理學。
這種發明，很多時候，可以來自於數學的概念，有那就讓它可實現，更接地氣；也有很多時候來自於工程，那就讓它成為一個完備的框架。
比如李卡提方程，是數學。
各種，如精子的跟蹤。乃至溫度，以熱量流通的模型為預測，以測溫為觀測。姿態解算，這個在飛行器裡面用到的比較多。最簡單的例子是慣性導航，裡面只有陀螺儀和加速度計，狀態量可以選取歐拉角或者四元數，以陀螺做預測，以加表做觀測。是工程。
卡爾曼濾波就出現了。數學人說不是數學，工程人說是數學。但我說，是研究人造系統的物理學。
說些題外話。自己考慮一個自動控制系統，是先從感測器入手（標定等），執行機構（校準等），然後考慮系統模型（建模和系統辨識，並確定模型的不確定性範圍），之後干擾或雜訊（分為確定部分跟隨機部分，確定部分先通過前饋什麼的補償掉，剩下的是隨機部分），之後再考慮閉環，考慮控制器設計。穩定性，動態性能，穩態性能。尤其要說一下的是，穩態性能中的精確性，即variance大小也很重要，往往被忽略。
有兩點體會較深，一是大家都在討論 優化方法，各種各樣，比如什麼機器學習、神經網路、遺傳演算法、粒子群演算法等等。其實有時候改變一下優化目標，反而有奇效。因為優化目標的確定，很多時候，是一門藝術，而不是科學：很難說為什麼這麼做。
二是現在都在大家都在結構確定的前提下優化參數，其實有時候可以考慮改變下拓撲結構。
現在感覺性能極限也有用 ，像優化某個目標，比如信道容量，有個性能極限，比如100。那你就知道想達到102是不可能的，除非改變系統（結構，參數等等）。
而且你已經達到99了，這時候想要達到100，雖然有1的目標優化獲益，但需要付出很大的其它代價。這時候要考慮是不是接受99。
控制中沒有免費的午餐，任何方法，都能設計一個東西，加上環境，讓它不穩定。就跟優化一樣，任何兩個控制方法的比較，都可以設計兩個不同的問題，讓各有優勢。關鍵就是，一個控制方法，適用於多大的範圍，就要看什麼假設了。有的是專精一個小的範圍，這些方法，往往只在模擬中有用；有的則是不太專精，但胸懷大，這些往往在實際中有用，而被做理論的說，不是最好的。這都是外行的說法，連控制的評價標準都沒理解。
---
另一個答案： 現代的先進控制理論先進在哪裡？如何評價在PID控制器份額在95%條件下穩定性遜色的先進控制系統？ - 小心假設的回答
---
模糊控制創始人Lotfi Zadeh在The Evolution of System Analysis and Control: A Personal Perspective IEEE Xplore Abstract 一文中的對於Bellman動態規劃的回憶：
In the early "60s my doubts were not shared by many. The ascendancy of mathematical methods was unchallenged, and Lyapounov"s stability theory and differential-equations-based theory of nonlinear systems moved to the center of the stage, as did the problems relating to optimal control and systems optimization. The highly original work of Rudy Kalman on controllability, observability, and filtering was at the center of attention. Another contribution of major importance, whose impact transcended disciplinary lines, was Bellman"s development of dynamic programming. I became acquainted with Bellman"s work in 1954 and perceived dynamic programming as a powerful tool of wide applicability. I suggested to Bellman to submit to the IRE Proceedings a paper describing his work. He did so, but to my embarrassment his paper was rejected by the referees, who felt that Bellman did not provide convincing examples of practical applicability. It is ironic that about 30 years later, Bellman was awarded IEEE"s Medal of Honor for his development of dynamic programming.控制現在很大程度上是個工程問題。距離純粹的學術研究越來越遠。這意味著，任何控制理論最後的落腳點必須是現實的問題。一個控制理論做得再炫，不能解決任何實際問題也白搭。
這一點需要每一個學習控制論的人心中有數。
PID控制好不好用？很好用。你可以不知道經典控制理論，不知道什麼是二階系統，不知道零極點分布，只要知道PID三個增益各自會如何影響系統響應就夠了。
我覺得世界上也許有80的控制問題可以用PID搞定，剩下的20%裡面又有90%可以用PID加前饋解決。最後其實可能只有那麼1-2%的控制問題必須用成體系的控制理論去解決。如果你要做控制，就要把自己擺在那1-2%的控制問題所在的位置。
這些問題可能有哪些特徵呢？
1. 高度非線性；
2. 多輸入/多輸出，且高度耦合;
3. 系統延遲極大，但控制指標要求卻不低；
4. 感測器信息非常有限，或更新頻率相對很低；
5. 系統參數變化很大；
等等。
對於這些高難度系統，一個控制工程師不應該再僅僅專註於控制，而應該從全局上把握整個系統。
很多的控制問題，只要把感測器或者驅動裝置進行一定限度的改良，立刻就能將難度降低大半。
比方說自動駕駛車輛裡面的車輛朝向的控制，如果只部署一個GPS感測器，那麼只有當車子運動起來以後你才能知道具體的朝向（磁力計的精度太差），而且運動速度越低方向測量精度越差。如果你需要低速下高精度的方向測量，那麼你可能需要花費非常大的精力在擴展卡爾曼濾波、感測器融合等方面。但如果你一開始就部署兩個GPS天線，直接測量車輛朝向，也就沒這麼多麻煩了。
越是複雜的系統越是如此。
在這個意義上，我一直主張控制工程師應該成為複雜機電系統的產品經理。所有的機械部件，所有的感測器，所有的電路，最後都要由控制系統來支配。所有的控制目標都要由控制系統來實現。只有控制工程師是同時要和一個設備的上下游同時打交道，只有控制工程師能夠將最終目標轉化為對各個子系統的具體要求。如果僅僅是把一個已經定型的複雜機電系統交給控制工程師去設計控制演算法，那麼大部分時候將無法完全發揮這個機電系統全部的潛力，或者會為了實現性能指標而產生成本浪費。
如此一來，一個控制專家，在如今的背景下，絕不只是一個能推公式寫演算法的專家，而是一個能夠從全局高度上把握整個系統、根據控制目標來規劃整個硬體/機械系統設計的產品經理。他必須了解各種相關感測器各自的優劣，能夠權衡利弊，能夠在成本允許的條件下對驅動器、感測器進行選型，向機械和電子工程師傳達明確無誤的信息，在必要時用演算法補足實體系統的不足。
一向都有人說自動控制專業是萬金油，而產品經理恰恰就應該是萬金油——除了自己那一塊要精通，其他方面也都需要有相當的涉獵，這才能夠高水平的完成工作。
所以，對於做控制的人來說，首先需要明白那些需要你這樣的人來解決的1-2%的問題在哪裡。然後要儘可能地了解周邊系統（機械、電子、力學等等）的知識。否則的話，往往會覺得並無用武之地，或者工作難以展開。
國內985控制理論控制工程博士畢業，上來簡單談一下對專業的認識，希望能幫到各位迷茫的同學。類似於科普，如有表述不對或者不恰當的地方，望海涵。
相對於數學物理等公認的基礎學科，控制理論可以算得上是人類認識世界的結果和改造世界的理論基礎。控制理論（也可以說是系統控制論）的主線，無外乎分為：辨識或建立系統模型（無模型控制除外），系統穩定性分析，控制器設計。
1.建立或辨識系統模型
人類對任何一個自然界的事物或者現象的認識最初都出於人類感知器官的感知。例如蘋果從樹上掉下來，你可以用眼睛觀察，或者可以聽到蘋果落地的聲音。所以在人類腦海中我們得到了一個結論：一個蘋果掉下來了。但是在客觀的自然界中，是什麼使得蘋果下落，下落的過程是怎樣的。學過高中物理的親們知道在重力的作用下蘋果會下落，下落的過程可以簡單敘述為初速度為零，受空氣阻力影響，加速度為重力減去阻力後蘋果所受外力產生的加速度。這就是一個系統運動過程。而牛頓定律所描述的直線加速運動就是這個過程的數學模型。這個模型表徵了這個系統的動態過程，通過這個模型我們可以清楚的知道在這個過程中的每一個時刻系統處在什麼樣的狀態，就好像第三秒的時候蘋果受力多少，加速度是多少，還有幾秒鐘落地。因此，如果我們想要清楚的認識一個系統或者過程，最好的方法就是搞清楚它內部的運行規律並用數學加以描述。然而這只是理想情況，很多過程複雜到我們很難在短時間內建立可用的數學模型。這個時候我們就要通過系統辨識的方法去建立一個「不能清晰解釋整個過程物理含義的，但是卻恰巧能夠計算出系統運行數據的，精度還可以接受的數學表達式」。
2.穩定性分析
當我們通過系統模型可以窺探系統運行規律時，我們所關心的事情就是我們能不能對它施加外部作用從而讓一個過程按照我們我想要的方式運行。而系統穩定性分析的結果就是告訴我們我們可不可以做到，並順帶著告訴我們怎麼做到。加入一個蘋果快要落地了，我們用細線拴住它，當他下落的時候我們對它施加外力從而讓它可以落到我們身邊，這就是上面這個問題的現實情況。我們建立了運行方程通過穩定性分析發現施加外部作用後改變系統的運行從而可以使它落到我們身邊，這就是穩定性分析做要做的事情，而需要施加多大的力，這個問題也在分析過程中順帶著計算出來了。
相對於現在穩定性分析方法，控制器只是穩定性分析中的一個未知量。我們暫且用一個符號去代替他，然後完成整個穩定性分析的判別過程，當系統可以穩定時，我們就可以反解這個未知量。而控制器設計，對於21世紀的我們來說基本可以等同於如何去編程實現這個數學計算過程。
我十幾年前交大自控系試點班畢業,後來又在交大自控系讀了碩士.現在做軟體開發.所以對這個問題還比較了解.
壞消息是就業面窄,因成熟行業,要按部就班,對口就那幾個公司. 和互聯網做軟體是不能比的.所以我同學畢業後都改行了.
大學教兩種知識,
- 屠龍之術, 就是基本知識,高大上,帶來短期回報可能性很小
- 雕蟲小技.所謂的實用知識,比如C#寫個管理軟體
控制理論是我學的屠龍術里最有用的一種,把它當一種設計哲學來看.比如易控制的系統是負反饋時間滯後最小的系統.有助於我理解快速反饋和TDD的意義.我做大型系統設計的時候,喜歡狂刪中間件和抽象層,也是根據這個原理,CS畢業的人做法和我相反.
長期來說,有用的是屠龍術,雖然屠龍術應用的概率是1%,你學100種屠龍術,應用的概率不就是100%了?以後漫長的人生有的是機會應用屠龍術.
屠龍術的優點是有助於培養你的品味,而且一旦有機會屠龍你的形象就光彩非凡.
我現在後悔大學裡花在所謂實用知識上的時間.這些東西早過時了,以後也絕不會有機會再應用了莫失望，也莫以偏概全，其實這是個非常萬金油的專業，在化工，飛行某些領域甚至佔主導作用。不妨推薦一篇好文，自動控制的故事，相信你會有收穫的。http://3g.renren.com/share.do?id=8576830318suid=1083539214
謝邀。
====
「對於普通人來說，能買菜算賬會算數就夠了，你去市場買菜跟賣菜的阿姨講三角函數嗎？」
於我而言，控制理論和數學一樣，都是美好的事物。
可是常聽人家這麼說，學數學無用啊，你去買菜和人家講價，難道會用到函數嗎？
可是數學學好的人，買菜是不用講價的。
但我覺得，學數學最大的用處，就是他不必有任何用處。
雖然馬克思說：「一種科學，只有在成功地運用數學時，才算達到了真正完善的地步」。但是歷史上推動數學發展的，遠遠不只是需求產生的。就拿數學的皇冠——數論來說，」數論一直被視為最純粹的數學，它只在數學內部有著深刻的意義和漂亮的形式，一直沒有實際的應用。直到計算機網路誕生之後，在電子通信密碼學上，數論才派上了用場。「
但是從古到今不計其數的數學牛人都研究這一領域，很多拉轟的數學進展也都發生在這裡，比較著名的有：哥德巴赫猜想，黎曼猜想，費馬大定理等。
所以，數學到底有什麼用？很迷茫，無非就是公式的推導，實際應用大多數還是加減乘除求導積分等基本方法，上次看到一個搞數學的博士畢業去教中學，覺得十分感慨~
寫到這裡，我覺得已經回答完了。
直到今天，我還能記得當年看到Nyquist穩定性定理證明時候心裡的激動，看到狀態空間法能控能觀性理論的優雅，看到最優控制魯棒控制之間的某種聯繫，看到Kalman濾波理論推導的完美，看到微分幾何竟然以這樣的方式用到了非線性控制系統中…我並不認為自己未來有一天也能做出如此令人激動的成就，但我希望在我的一生中，能儘可能多的看到、理解這些美好的事物，然後把這些都記錄下來。
想了很久，終於鼓起勇氣寫下這個答案。We solve problems you don"t realize in ways you don"t understand.
從一些實際經歷看來，其實很多企業尤其是國內的企業對控制理論方面的人才需求很急迫，只是有時候他們並不知道自己需求的是哪方面的人。
個人認為，控制理論得生命力不在於理論本身，而是在於找到合適的應用場合。
很多場合，控制對象模型簡單，控制精讀要求不高，用基本的PID，甚至更簡單的滯環，bang bang控制都行。
有些場合模型特別複雜，就要用自適應，模糊控制，諧振積分器等等。
但總而言之，有趣的地方，有難度的地方不是理解掌握控制理論本身，而是能夠根據工程需求尋找最合適的方法。這些需要對應用的工程場合，或者控制對象的數學模型有更深刻的了解。很多時候這些步驟都比設計控制器本身有趣的多。
另外，一個控制器是否有可能獲得廣泛應用，與行業相關性很大。比如你為航天系統做設計，設計要求本來非常高，而且整個領域的人對控制理論理解都非常深刻，那麼你可以大刀闊斧，火力全開。但是如果你為某生產線做控制器設計，哪怕你知道更好的設置最優的設計，也要考慮到行業的整體水平是否可以接受一個極其複雜，實施成本，維護成本都比較高的解決方法。研究人造系統的物理特性，用數學去發現什麼能實現，什麼不能實現。感覺學進去之後還是有一番天地的，只是這個學科門檻有些高，需要一定的數學積累。
當年本科的時候曾對數學不屑一顧，覺著那都是那幫人無聊無趣的產物，直到某天突然回想起曾經項目里一個無論如何無法解決的問題竟是數學裡面的一個無解的問題的時候才醒悟到原來數學如此曼妙，我卻如此天真。
不說了，我去學習數學了。
===================
一年後再看到這個回答，越發感覺數學極大的推進了工程領域的發展。真是一個神奇的工具。
先看一段模糊控制創始人Zadeh在The Evolution of System
Analysis and Control:
A Personal Perspective IEEE Xplore Abstract 一文中的對於Bellman動態規劃的一些回憶：
「I became acquainted with
Bellman"s work in 1954 and perceived
dynamic programming as a powerful tool
of wide applicability. I suggested to Bellman
to submit to the IRE Proceedings a
paper describing his work. He did so, but
to my embarrassment his paper was rejected
by the referees, who felt that Bellman
did not provide convincing examples
of practical applicability. It is ironic that
about 30 years later, Bellman was
awarded IEEE"s Medal of Honor for his
development of dynamic programming. 」
「我1954年了解到Bellman的工作，預見到他的動態規劃方法將是一個具有廣泛應用的強有力方法。我建議 Bellman 將他的相關論文投向IRE Proceedings。他確實投稿了, 但是令我尷尬的是，他的論文被拒絕了，因為審稿人認為Bellman沒有提供一個說明這個方法具有實際可用性的令人信服的例子。具有諷刺意味的是，30年後, Bellman因為發展了動態規劃方法，而被IEEE授予Medal of Honor（IEEE 最高獎）。」
而如今，動態規劃的應用範圍之廣，大家有目共睹。而如此的理論，在其提出之初，也是會被大家懷疑能否實用。
其實Zadeh自己的模糊集、模糊邏輯、模糊控制，在其提出之初，也曾受到過類似的待遇。
當年的Kalman濾波，又何嘗不是如此呢？
回到原問題。當你「斷定」一個控制理論沒有用的時候，要格外小心，因為可能會成為後人回憶中的那個referee，說你ironic都是給面子的了。
當然，並不是說所有的理論，所有被懷疑的理論，都可以實用。大部分其實到最終也還是不能用的。
而如何區分，是需要功力的～
附：The Evolution of System Analysis and Control: A Personal Perspective節選
The early "50s at Columbia University
were the years of flourishing research on
systems analysis and control. Among
those who were active participants in this
research were Eli Jury, Gene Franklin,
Jack Bertram, and Bernie Friedland. It
was during this period that the idea of
what is now known as system theory began
to crystallize in my mind. There was
some earlier work by Ludwig von Bertalanfy
on what he called "Theory of General
Systems," but his approach had a
different agenda and was philosophical
and biological in its orientation. I described
my conception of system theory in
a 1954 paper entitled "System Theory,"
which-like my thinking machines paper-was
published in Columbia Engineering
Quarterly.
A work that made a pronounced impact
on my thinking was that of E.F.
Moore on finite-state automata. I was
highly impressed by its elegance, simplicity.
and relevance to real-world problems.
Influenced by Moore"s work, I began to
teach a course on sequential machines and
continued to do so for more than a decade.
Another direction that I began to pursue
involved the use of multi valued logic in
coding and systems design. The 1953 thesis
by my student Oscar Lowenschuss on
the application of multi valued logic to
logical circuit design was one of the first
in its field. Another important thesis by
my student Werner Ulrich dealt with applications
to multivalued coding.
At about that time Rudy Kalman entered
Columbia as a graduate student. I
remember distinctly that Ragazzini asked
me to look at his application for admission.
I could discern in his application that
Kalman was a highly original thinker and
a man of great promise. His later accomplishments
confirmed my expectations.
Kalman"s work on filtering and systems
analysis opened new directions and had,
and continues to have, a major impact.
Although I am an electrical engineer
by training, I have always been close to mathematics and mathematicians. As a
strong believer in the power of mathematics,
I viewed my mission as a teacher and
researcher to be that of "precisifying and
mathematizing" the foundations of systems
analysis and control. This is the influence
that I exerted on my students and
colleagues. The 1956 paper in which I
coined and defined the term "system identification"
exemplifies my motivation at
that lime.
The mathematization of systems
analysis and control got a strong boost
from the launching of the Sputnik and the
beginning of the Space Age in 1956-57.
The entry into the field of eminent mathematicians
like Pontryagin, Bellman,
Lefschetz, and many others has marked a
turning point in the direction of research
in systems analysis and control, placing a
high priority on the development of optimal
control methods for space guidance
and navigation. I will have more to say
about this at a later point.
In 1956-57, I became a visiting member of the Institute of Advance Study in
Princeton, NJ. In Princeton, I learned a
great deal about logic from Stephen
Kleene, one of the foremost logicians of
our lime. I also developed a close relationship
with Professor John B. Thomas in
electrical engineering, with whom I collaborated
on research in communications
and system analysis. My stay at the Institute
had a significant impact on my intellectual
development and laid the
groundwork for my later work on fuzzy
logic.
In 1956, thanks to my knowledge of
Russian, I became one of the first to become
familiar with the work of Pontryagin
on what has come to be known as
Pontryagin"s maximum principle. I was
deeply impressed by Pontryagin" s work
and through lectures and talks contributed
to the propagation and adoption of his
ideas in the United States. However, with
the growth in my familiarity and understanding
of Pontryagin"s work, I began to
feel that-beautiful through it was-its
effectiveness as a tool for the solution of
realistic problems was rather limited. This
was the beginning of my doubts about the
ability of mathematical tools of high sophistication
to address the complex and
not very well defined problems that pervade
systems analysis and control.
shared by many. The ascendancy of mathematical
methods was unchallenged, and
Lyapounov"s stability thcory and differential-equations-based theory of nonlinear
systems moved to the center of the stage,
as did the problems relating to optimal
control and systems optimization. The
highly original work of Rudy Kalman on
controllability, observability, and filtering
was at the center of attention. Another
contribution of major importance, whose
impact transcended disciplinary lines,
was Bellman"s development of dynamic
programming. I became acquainted with
Bellman"s work in 1954 and perceived
dynamic programming as a powerful tool
of wide applicability. I suggested to Bellman
10 submit to the IRE Proceedings a
paper describing his work. He did so, but
to my embarrassment his paper was rejected
by the referees, who felt that Bellman
did not provide convincing examples
of practical applicability. It is ironic that
about 30 years later, Bellman was
awarded IEEE"s Medal of Honor for his
development of dynamic programming.
在控制論的概念中，有兩個概念是自動控制理論的概念的核心。
第一個是「系統」的概念，當前，系統問題越來越重要和突出，當今世界範圍內對複雜性科學或複雜系統科學研究越來越多，這也是現代科學技術發展的必然趨勢，導致問題突出的根本原因在於世界在本質上的統一性，控制理論不僅需要分析系統的性質和結構，更需要調控系統的運動狀態：
第二個是「反饋」的概念，這個概念也是控制論中最核心的，同時也是控制理論區別其它學科概念的關鍵。「反饋」概念能讓控制系統具有人類「智能」行為的特徵，也能對付各種 （參數「結構」擾動）等不確定因素對被控系統的影響。
正是因為「反饋」與「系統」這兩個概念的重要性，從而決定了自動控制理論具有兩個特點：
一是控制理論因具有廣泛的實際背景、其科學命題具有豐富的實際來源；
二是控制理論重視對定量的研究，而數學又是研究定量的關鍵工具，這跟實驗性學科有一定的區別，大家都知道，目前在控制理論研究中所需要運用的數學理論與方法非常深入和廣泛。
在科學技術所有領域中，很少有學科能與控制理論一樣的深入和廣泛，它幾乎同時涉及幾乎所有的現代數學分支。 所以公式推導是避免不了的。
現階段我們所講的控制理論主要是指數學模型的控制理論，而不是實際系統的控制理論，雖然我們也一直都在研究系統模型中的不確定性。
因為我們目前所有的理論結果，都是在某些特定條件下針對數學模型的證明，這當然是理所當然。並且你還可以進行辯解，儘管數學模型一般都是通過簡化——抽象和假設而得來的 （與實際系統的差別比較大），但是如果根據其設計的控制器實際適用的範圍可能與理論上所加的條件相比相對要寬鬆一些，這也是正常的。從而也就引出了進一步的理論問題：比如，所能適用的最大系統類到底有多大？數學模型所設計的控制規律和濾波演算法究竟在實際中所適用的臨界邊界是什麼？這些問題是十分自然卻又非常困難的理論問題，科學理論卻很少給出其答案。
PID 控制器，被廣泛的應用到眾多實際系統中。對於理論我們還應該說些什麼？我們所證明的最優性也好、穩定性也好，基本上都是對線性模型的。但是在實際應用中，大家應當知道，無論是 Kalman 濾波器，還是 PID 控制器，都能對付很大一類的非線性系統。
換一個角度來講，我們所依據線性模型設計的和證明的控制和估計方法，實際上都能應用到很大一類複雜非線性系統。能不能從理論嚴格說明，比如著名的 Kalman 濾波器或 PID 控制器，他們到底能被有效地應用到多大的一類非線性系統中去。能不能從理論上刻畫出這類系統的最大範圍？從這個角度來看，就顯得更具挑戰性。
我們還可以這樣來追問：面對不確定的非線性系統，如果我們不局限於某一類或某一個給定控制器，那麼，在所有的 （非線性與線性） 反饋控制規律中，到底哪一個對付的不確定性系統範圍最大或能力最大？對於這個最大不確定性系統類的精確「邊界」能不能從理論上刻畫出來？這也就更具挑戰性了，無論理論意義還是現實意義都很重要。
我們都知道，社會經濟、航空航天、複雜工程等領域中許多重大問題已經超出控制理論目前所研究的範圍。總的來說，目前的控制理論基本都是以控制一個「裝置」為重點，這個「裝置」一般都沒有「自由」和自己的「利益」追求，在結構能的條件下它能被任意控制的。但是當我們在面對經濟與社會中由「人」所組成的系統時，現在的控制理論就不能完全套用在上面，因為控制者與被控者一般都是「博弈」的關係。這些問題大多數都超出了微分博弈和傳統博弈論的研究範圍。我們目前所講的這些調控難題，比如交通擁堵治理「房價調控、醫療改革」、物價調控、生態環境等，也都跟「博弈」結構相關。我認為，把「博弈」因素恰當地運用到控制理論框架中去，是一個重要的研究問題，同時在社會經濟等領域問題中也是不可迴避的，這將會大大的拓展控制理論的研究與應用的範圍。總之，控制理論有好的發展機遇，並且具有廣闊的發展前景。
控制演算法簡單，控制系統複雜，這裡的系統包括機械系統、感測器系統、執行器系統和軟體架構；搞控制的只搞控制演算法往往很難有突破，因為現在的控制演算法也很難突破那幾個控制上的難點問題，比如大滯後，非線性，強耦合問題；
我就學控制理論的，找了嵌入式的工作。其實控制強，電口也要不錯，這樣電力電子和電力設備這塊機會還是有不少的
這個學科太有用，不過學一點沒用，學透了就非常有用。看上面很多人都拿PID來說事，這個只能說還沒有入門。國內由於工業體系發展問題，自動化什麼的都很難就業，在德國自動化是最好就業的幾個專業之一(可能也可以把之一去掉)，因為用的地方太多了，機械、電子、生物、化學、計算機，通信，金融等等哪裡都要用。把眼睛張大些，看遠些，好好學吧。
右下角第一個，是我外公。。。
我搞這個也快搞了10年了，很遺憾，除了水些paper並沒啥大成就。看到樓上很多學霸給出了詳細的深入淺出的答案，我這個不爭氣的外孫替他老人家欣慰一下。
我同時也想給那些在迷茫中的學自動化專業的學生們一個建議（甚至是所有EE，ME學生），這建議並不是轉行，並不是自動化沒用，而是學好數學，編程和英語，以後工作想幹什麼就能幹什麼。
（如果有人有興趣我以後可以補充一下我所知道的我外公帶的碩士博士的各種職業，真是啥都有）
這個問題就像在問 高數有什麼用，買菜會用到嗎
本人為國內985高校控制科學與工程博士畢業，簡單談一下對自己專業的認識。正如你所說，我曾經也存在過這種迷茫，覺得控制這個學科沒有什麼用，工程實際中大多數都是PID控制，那些先進的控制理論根本沒有用，只是為了發SCI，畢業，評職稱，拿基金，對工業幾乎沒有什麼貢獻。近年來控制學科也發展緩慢，目前院士中有很少是控制學科的，傳統控制也快發展到盡頭沒有什麼好的研究方向。
覺得控制理論和控制工程幾乎是脫節的，認為控制理論就是簡單的數學，只需要學會高數，矩陣論等數學課就可以研究控制理論了，其需要的專業基礎知識非常少，因此國內控制理論的博士非常多（即使跨專業，只要學過數學，也可以很快開展課題），能開設控制理論課程的院校也非常多。因此，我曾經認為控制是最沒前途的學科。舉個例子吧，曾經的三代機（殲10，蘇27）以做眼鏡蛇機動來展示自己的機動性和控制系統有多麼的良好；但是隨著發動機技術的進步，四代機上安裝了矢量發動機，做這些機動動作簡直太easy了，根本不需要什麼好的控制系統。因此，我認為控制學科沒什麼發展前途，只要是個可控的系統，如果有足夠的控制輸入、正確的控制方向以及良好的感測器測試數據，沒有什麼是控制不了的。但是，我們反過來思考一下這個問題，沒有矢量發動機，我們依然實現了這些非常難的機動動作，這就是控制的作用。
因此，我認為良好的控制系統可以最大限度的發揮設備的潛能。我們在探索外太空的時候，例如著陸，對接等，由於存在很多未知不確定的情況，我們不能精確建立模型和估計干擾來設置控制系統，這時候就需要用到先進的控制理論來設計控制系統。有很多可能會說，先進的控制理論都太複雜，可靠性太低，但是隨著工業技術的發展，可能若干年之後這些計算量都不算什麼。科學總是先於技術的。
不過，國外的控制理論都是在某個專業學科下面，美國對於純控制理論項目基金的支持變得越來越少。控制理論是非常有用的，但是我覺得是建立在對某個專業領域非常熟悉的基礎上，例如電氣工程，機械工程，飛行器設計等等，因為只有足夠了解才能利用控制最大限度發揮這些設備的潛能。而如果想當然的，把控制理論當成數學來研究，我覺得控制理論是沒有用的。
控制理論單說真的沒有什麼用，真正有用的，是控制工程。
系統論、控制論和資訊理論是現代社會三大基礎理論，應用已經深入到各行各業。單就控制理論來說：
一、傳統應用：傳統控制理論在控制器上運行某種控制演算法(例如PID)，讓設備自主做出決策，把人從生產線解放出來。除了代替人類進行重複、長時間、危險的工作外，使人類無法勝任的極端複雜、極其迅速等類型的控制過程成為可能。大幅提高成品率降低故障率。
--舉例：電廠、鋼廠的自動運行；自動駕駛汽車；飛機的自動駕駛系統。
二、導航制導：現代控制理論主要應用在飛機、衛星、導彈。實時修正軌道，跟蹤目標。如果有導彈打過來，我們該怎麼跟蹤、打擊目標呢，不管複雜或簡單，至少都要有個方法，現代控制理論就是一套非常有效的方法。
三、智能控制理論：主要應用在優化領域、人工智慧、模式識別等內容。智能控制研究的是智慧系統，將來的大數據需要會思考的系統。
--某人的聲音人類很容易分辨出其特點，機器人也需要根據演算法找出其時域、頻域或者其他方面的特徵，識別出該人。
--
四、管理。社會管理、公司的管理從本質上來講都是控制。管理的主要內容：設定目標（相當於被控對象）、執行（相當於執行機構）、檢查是否符合預期（相當於偏差）、如果出現不符合預期的情況進行糾正（反饋）。
歡迎精通網路編程、比特幣的朋友加我QQ群交流，一起完善一項物聯網系統。
推薦閱讀：