可以适应被控制对象特性或外界环境条件的变化，以保持控制系统的正常或优化的运行状态；可模拟“人脑”的“自寻优”功能，自动寻找被控制对象的优化运行状态，不仅可以实现基于数字模型的确定性最优控制，而且可以进行基于知识模型的非确定性优化控制；可模拟人脑的“自进化”、“自学习”、“新陈代谢”功能，利用基于进化规划、进化算法、元胞自动机、人工神经网络的进化软件或和进化硬件，进行基于“自学习”的“自进化”控制。可以在控制系统运行过程中，不断学习、不断进化，逐步改进控制器，从而不断改进被控制对象的运行状态。因此，对基于“人工脑”的智能控制器的评价可以从以上高层思维层面表现出的若干智能特性和采用的智能方法人手进行评价。
基于人工感官的智能感知器，将分布在不同位置、处于不同状态的多个同类或不同类型传感器所提供的局部不完整观测量加以综合，形成对系统环境相对一致的感知描述；同时对于多传感系统还要调度传感器满足感知的动机；人的注意机制决定哪个传感器官处于活动状态，与此同时，其他有关联的感官也主动协同工作，对目标进行正确地识别；本基金项目在基于人工感官的智能感知器研究中分别从人类感知器官的主动感知和信息融合机制两方面提出基于人工生命的感知器控制方法。因此，对基于人工生命的智能感知器的评价可以从以上中层感知层面表现出的若干智能特性和采用的智能方法人手进行评价。
基于人工器官的智能执行器，其输出同样也是整个控制系统的输出，不失一般性，对执行器的研究主要涉及执行器的控制算法和执行器环境的约束作用；在基于人工生命控制系统中，行为是系统主体的外部输出，同样受到主体内部状态的控制和环境的约束；基于人工器官的智能执行器的研究首先要进行人工生命行为系统的研究；基于人工生命的行为研究目前主要集中在机器人系统和行为动画系统。因此，对基于行为系统的执行环节智能评价可以从以上基层行为方面表现出的若干智能特性和采用的智能方法人手进行评价。
综上所述，系统的智能可以从系统高层的思维方面、中层的感知方面和基层的行为方面表现出来，有的系统智能可能在多个层面，有的可能表现在某一个层面，有的甚至只表现在某个层面的子模型当中，尤其在我们的智能评价研究刚刚起步之时，更要注意在不同系统、不同约束的情况下给予考虑和评价。
……
展开
