控制与智能（控制科学与工程）研究生课程

原创已于 2026-09-02 10:32:41 修改 · 393 阅读

6 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

控制科学与工程

于 2026-09-01 21:00:00 首次发布

自动化系的课程设置通常分为公共必修课、专业基础课、专业核心课、专业限选课和任选课。以下是针对“控制与智能”方向核心课程的详细梳理：

1. 数学与专业基础课 (Mathematical Foundations)

这些课程为高水平研究提供数学工具。

- 最优化理论与方法 (Optimization Methods): 自动化系的王牌基础课，涵盖线性/非线性规划、凸优化等。
- 矩阵分析/矩阵论 (Matrix Analysis): 控制理论必备的数学基础。
- 随机过程 (Stochastic Processes): 处理不确定性系统、预测与滤波的基础。
- 泛函分析 (Functional Analysis): 为深入理解现代控制理论（如鲁棒控制、算子理论）提供基础。

矩阵分析与应用
系统与控制理论中的线性代数
凸优化
离散优化
高等数值分析
系统与控制中的随机方法
统计学方法及其应用
信息论基础
概率图模型理论与方法

2. 控制理论核心课 (Core Control Theory)

这是控制学科的灵魂，强调严谨的数学证明与系统建模。

- 线性系统理论 (Linear System Theory): 研究生阶段最核心的课程，涵盖状态空间、能控性能观测性、稳定性理论等。
- 非线性控制系统 (Nonlinear Control Systems): 学习Lyapunov稳定性、反馈线性化、滑模控制等。
- 最优控制 (Optimal Control): 变分法、极小值原理、动态规划（DP）及LQR/LQG控制器设计。
- 现代鲁棒控制 (Robust Control): 处理模型不确定性等。
- 自适应控制 (Adaptive Control): 参数估计与在线调整。

矩阵分析与应用
系统与控制理论中的线性代数
凸优化
离散优化
高等数值分析
系统与控制中的随机方法
统计学方法及其应用
信息论基础
概率图模型理论与方法

3. 人工智能与智能控制 (AI & Intelligent Control)

这是近年来“控制与智能”方向发展最快的部分。

- 模式识别 (Pattern Recognition): 自动化系的传统强项课，涵盖统计辨识、聚类等。
- 机器学习 (Machine Learning): 系统性学习监督学习、非监督学习及强化学习。
- 深度学习 (Deep Learning): 卷积神经网络、循环神经网络及其在视觉、语音中的应用。
- 强化学习 (Reinforcement Learning): 控制与AI的结合点，研究基于奖励的决策与控制。
- 智能控制 (Intelligent Control): 模糊控制、神经网络控制及仿生算法。

模式识别
现代信号处理
人工神经网络
软计算理论与方法
摄动分析、马尔可夫决策和强化学习（双语）
多传感器融合理论及其应用
工业数据统计分析与应用
统计学习理论导论
模糊控制系统的分析与设计
多智能体协同与控制
计算机视觉（可跨选 AI 学院课程）

4. 机器人与感知 (Robotics & Perception)

- 机器人学导论 (Introduction to Robotics): 运动学、动力学、路径规划。
- 计算机视觉 (Computer Vision): 图像处理、特征提取、SLAM（即时定位与地图构建）。
- 多智能体系统 (Multi-agent Systems): 协同控制、群体智能、分布式优化。

5. 系统工程与应用领域 (Systems Engineering & Applications)

- 系统辨识 (System Identification): 如何从实验数据建立数学模型。
- 过程控制 (Process Control): 针对工业生产过程（化工、电力等）的控制策略。
- 网络化控制系统 (Networked Control Systems): 考虑通信带宽、延迟对控制系统的影响。
- 复杂系统理论 (Complex Systems): 生物系统建模、社会经济系统分析。