《智能控制导论》读书报告（课程作业）－－常规控制的智能化

 

 

 

 

《智能控制导论》读书报告

 

常规控制的智能化

 

 

 

 

 

 

 

学 生：xxx

学 号：xxxx

指导教师：xxx

专 业：控制工程

 

 

xx大学自动化学院

二OO七年十一月

 

 

 

摘要：本文以常规控制器中最具代表性的PID控制为基础，讨论了近年来常规控制器的智能化及其发展，并对各种参数优化方法的特点和应用做了简要的介绍。

 

关键字：PID，专家控制，神经网络，模糊控制，自整定，自适应，神经网络，遗传算法，仿人智能控制，协同进化算法，小波神经网络

 

1.引言

 

PID控制器是常规控制器中最具代表性，工程应用最为频繁的控制器。所以本文仅以PID控制器为研究对象，对其智能化方法进行研究。

PID控制器问世至今已有几十年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当被控对象的结构和参数不能完全掌握，或得不到精确的数学模型，控制理论的其它技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PID控制技术最为方便。

PID控制中一个至关重要的问题，就是控制器三参数（比例系数（P）、积分时间(I)、微分时间(D)）的整定。整定的好坏不但会影响到控制质量，而且还会影响到控制器的鲁棒性。然而，随着工业的发展，对象的复杂性、高度非线性和不确定性导致系统辨识和建模更加困难，对象特性和控制任务更趋复杂，定性、逻辑、语言控制等控制手段，无法精确的运用数学语言表达，尤其对于大滞后、时变的、非线性的复杂系统:其中有的参数未知或缓慢变化；有的带有延时或随机干扰；有的无法获得较精确的数学模型或模型非常粗糙。加之人们对控制品质的要求日益提高，常规PID控制的缺陷逐渐暴露出来。对于时变对象和非线性系统，传统的PID控制更是显得无能为力。因此常规PID控制的应用受到很大限制和挑战。

近年来，随着这一系列问题的出现和智能技术的发展，人们在对智能控制方法研究和常规PID控制应用的同时，形成了许多形式的智能PID控制器。通常它具备自学习、自适应、自组织的能力，能够自动辨识被控过程参数、自动整定控制参数、能够适应被控过程参数的变化；同时，它又具有常规PID控制器结构简单、鲁棒性强、可靠性高、为现场工程设计人员所熟悉等特点。因而，这种智能化的PID控制方法，引起了国内外学者的广泛关注，成为当前控制领域研究热点之一。

 

2.早期智能PID控制

文献[1]-[4]，以文献综述的方式对PID控制中几个基本的智能控制方法进行了介绍，其中包括模糊PID控制，神经网络PID控制，专家PID控制，遗传算法PID控制，这些控制方法鉴于上述综述性文献已经做了较详细的介绍，在此仅给出上述智能PID控制的简要介绍。

2.1 模糊PID控制

在工业控制过程中经常会碰到大滞后、时变的、非线性的复杂系统，其中有的参数未知或缓慢变化;有的带有延时和随机干扰；有的无法获得较精确的数学模型或模型非常粗糙。对上述这些系统，如果使用常规的PID控制器，则较难整定PID参数，因而比较难达到预期效果。
  模糊控制器是一种近年来发展起来的新型控制器，其优点是不要求掌握受控对象的数学模型，而根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。

将模糊控制和PID控制两者结合起来，扬长避短，既具有模糊控制灵活，适应性强的优点，又具有PID控制精度高的特点。

文献[5]-[12]对模糊PID控制方法及其进一步的改进进行了详细的描述。

2.2神经网络PID控制

以非线性大规模并行处理为主要特征的神经网络，以生物神经网络为模拟基础，试图模拟人的形象思维以及学习和获取知识的能力。它具有学习、记忆、联想、容错、并行处理等能力，已在控制领域得到广泛的应用。常用的有单神经元PID控制器，BP神经网络PID控制器，RBF神经网络PID控制器， ELMAN神经网络PID控制器。

2.2.1单神经元PID控制器

利用具有自学习和自适应能力的单神经元来构成单神经元自适应PID控制器，不但结构简单、学习算法物理意义明确、计算量小，且能适应环境变化，具有较强的鲁棒性。

2.2.2 BP神经网络PID控制器

BP神经网络PID是用学习规则调整各输入量的权重值，相当于变系数的自适应PID调节器，它既有自适应能力，又具备传统PID控制器的优点。且使系统的动态性能只依赖于其误差信号，而不受或少受对象模型参数的影响，同时根据学习所得的结果对相应的积分、比例、微分系数进行在线调整，产生自适应控制作用，具有很强的鲁棒性。

该结构是文献中出现较多的一种神经网络PID控制结构，文献[13]-[22]对该结构原理和应用做出了详细的描述。

2.2.3 RBF神经网络PID控制器

与BP网络相比，径向基函数(RBF)是一种3层前向网络，由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而大大加快了学习速度并避免局部极小问题。RBF作为智能控制的一种途径，具有收敛速度快、全局逼近能力强等优点，对于复杂不确定问题具有自适应能力和自学习能力，在解决非线性和不确定系统的控制方面应用广泛，并且性能优良。PID控制方式具有直观、实现简单和有成熟理论支持等一系列优点。采用神经网络方法与PID控制相结合，设计的控制系统将具有更强的适应能力和更强的鲁棒性。[23]-[26]

2.2.4 ELMAN神经网络的PID控制器

文献[27]探讨了基于ELMAN神经网络的PID控制方法，并将其运用于位置随动系统中，取得了良好的控制效果．

 

2.3专家PID控制

专家智能控制是指将专家系统的理论和技术同控制理论方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。把基于专家控制的原理所设计的系统或控制器，分别称为专家控制系统或专家控制器。它对环境的变化有很强的自适应能力和自学习功能，具有高可靠及长期运行的连续性、在线控制的实时性等特点。

文献[28]-[32]，对专家PID控制原理和工程实际应用进行了讨论。

 

2.4遗传算法PID控制

遗传算法是一种基于自然选择和基因遗传原理的迭代自适应慨率性搜索算法。包括三个基本操作：复制、交叉和变异。基本思想就是将待求解的问题转换成由个体组成的演化群体和对该群体进行操作的一组遗传算子。设计PID控制器时，将控制器参数按二进制或其它形式编码，按Kp、Ki、Kd拼接成一条染色体个体，然后随机生成一组个体，称为群体。它以个体的适应度判断个体的优劣，适应度函数一般基于系统动态响应的性能指标，常为各种积分型指标的某种函数。依据个体的适应度按慨率从当前群体中选择个体进行交叉、变异产生下一代群体。个体的适应度越高其被选择的慨率越大。然后再对下一代群体进行评价，优胜劣汰。遗传算法操作的是解空间的一组个体而非单个解，因而可以有效地减小局部收敛的危险。此外，遗传算法采用纯数值计算方法和随机进行策略，使得问题的处理更具灵活性、适应性、全局性和鲁棒性。

从理论上看，对于控制系统的设计与优化它不仅能提高控制系统的品质，而且能降低设计的难度。尽管遗传算法在优化问题上表现出巨大的优越性，但由于其本身还存在着一些问题，如理论上还不完善，收敛性问题、未成熟收敛(早熟)、局部搜索能力差等，遗传算法的应用受到了一定的限制。因此目前使用较多的是各种改进的遗传算法，如在线自寻优PID控制器采用了最优个体保留的做法，这一机制保征了进行过程某一代的最优秀个体不会被交叉和变异所破坏，确保标准遗传算法能全局收敛于最优解。[33]-[35]

 

3.智能PID控制发展

浏览近几年关于智能PID控制方面所发表的论文可以清晰的发现融合与交叉成为了当前该控制理论发展的主流。

3.1 融合

PID控制技术与认知学、社会学、仿人、仿智、仿生融合从而产生了一些新的控制方法，这些新方法对常规PID控制不能实现的以及早期的智能PID控制方法或多或少存在的缺陷，在一定的程度上进一步的进行了优化。

3.1.1 仿人智能控制

文献[36]-[46]，利用仿人智能控制思想，设计PID控制器及其参数的自校正算法对控制系统大滞后，超大滞后，及系统的非线性问题有了较好的解决。

3.1.2 粒子群算法

文献[47]-[61]，模拟生物的社会性行为，提出了一种基于粒子群算法的PID 控制参数自整定方法。该方法具有良好的鲁棒性和动态品质。算法的优化性能和效率都比遗传算法有一定的提高。对传递函数具有大滞后环节时，粒子群算法仍能满足系统对PID参数自适应的要求。

3.1.3 蚁群算法

利用意大利学者Marco Dorigo等人在1991年提出的，一种模拟蚂蚁群体行为的蚁群算法去整定PID 控制参数，在PID控制中取得了较好的效果。但基本的蚁群算法对PID参数的整定，易出现停滞现象，全局搜索能力不足，收敛速度较慢等问题，文献[62]-[72]的作者，分别从不同的方面对基本蚁群算法整定的PID控制器进行了优化和改进，克服了基本蚁群算法的不足，能够满意地实现PID 控制参数优化。仿真结果与Z-N法、遗传算法、基本蚁群算法相比较，优化效果明显得到改善。

3.1.4 人工免疫算法

根据1974年Jerne提出的独特型网络理论（aiNet），Perelson提出的动态免疫，Timmis提出的资源有限人工免疫系统(RLAIS)的理论支持，人工免疫算法得到极大的发展，并广泛应用于到多目标优化问题、模式识别、多模态优化、聚类、数据挖掘等多种领域。文献[73]-[76]，作者在PID控制参数的优化中，引入该人工免疫算法，优化系统参数，克服了常规优化算法，易陷入局部最优和早熟的缺陷，仿真结果与Z-N法、自适应遗传算法相比较，超调量和调整时间均得到了较好的改善。

3.2 交叉

这种交叉又可以分为智能控制与传统控制方法的综合与交叉和智能控制方法之间的综合与交叉，前者包括：模糊变结构控制，自适应模糊控制，自适应神经网络控制，神经网络变结构控制等控制方法。后者范围则更加的广泛，包括：专家模糊控制，模糊神经网络控制，专家神经网络控制，模糊自校正仿人智能控制，神经网络自校正仿人智能控制，模糊、变结构神经网络控制模糊，自适应神经网络控制，专家、模糊神经网络控制等。通过不同控制方法之间的交叉与结合，相互取长补短，总体来说，在最近几年的论文发表情况来看，基于智能控制方法之间的综合与交叉较为活跃。

3.2.1模糊+神经

文献[77]-[80]，将模糊控制解决不确定，非线性的问题的优越性能和神经网络的自学习，自适应能力相结合，形成了模糊神经网络PID控制。该控制方式继承了传统的PID的鲁棒性好、可靠性强、调整方便的优点，同时又具有模糊PID控制的自适应的能力，可以对PID的参数进行实时的调整，还整合了神经网络学习能力，对于实际的情况进行学习得到最合适的调节方案。

3.2.2 模糊+遗传

模糊理论和遗传算法的结合主要有2个方面: ①应用模糊规则，在线调整遗传操作的参数设置，形成动态的遗传算法，如利用模糊规则在线调整交叉率Pc和变异率Pm; ②借鉴模糊逻辑及模糊集合运算的思想，得到模糊编码和相应的模糊遗传操作，如利用遗传算法进行模糊规则的优化等[81]-[92]

3.2.3 神经+遗传

文献[93]-[95]，将神经网络、遗传算法与PID控制相结合，利用神经网络的自学习能力和逼近任意函数的能力，在线精确地辨识系统的模型；利用遗传算法的全局搜索能力，可在线寻找最优的PID控制参数，弥补了神经网络学习过程收敛速度慢，可能陷入局部级小的不足。

3.2.4 专家+神经

文献[96]-[97]，采用专家调节单神经元PID控制中的比例增益，有效地解决了单神经元PID控制中学习速度较慢，动态响应时长等问题，这种控制方法具有较强的鲁棒性，其控制性能优于常规PID控制和单神经元PID控制，通过对一阶惯性加纯迟延的典型工业过程对象的仿真研究，表明了这种控制算法具有优良的控制性能。

3.2.5 专家+模糊

文献[98]，根据专家、模糊和PID控制理论，深入研究了把专家、模糊和PID控制策略相结合的问题，采用分层递阶智能控制结构把多种控制策略相结合，并把分层递阶智能控制思想引入到交流伺服系统中，构成了多级式智能复合控制的交流伺服系统。

3.2.6 神经+仿人

在仿人智能控制算法的闭环阶段须调整比例、积分和微分三种控制作用，形成控制量既相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，需要从变化无穷的非线性组合中可以找出最佳的组合。而BP神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的过程控制。

文献[99]，将BP神经网络与仿人智能控制相结合，BP神经网络根据系统的运行状态，调整仿人智能控制器的各控制参数，以期达到某种性能指标的最优化。通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制规律下的控制参数。

3.2.7 遗传+仿人

文献[100]，将仿人智能控制与基于自适应在线遗传算法整定的PID控制算法相结合，在线调整闭环阶段的参数；在保持环节，根据误差极值调整抑制系数。按照已给的适应度函数，适时调整各控制参数和改进控制规则，实现仿人智能控制器的多模式、变参数控制，在解决系统的超调、调整时间和负调之间的矛盾方面，达到了期望的性能指标要求，从而保证控制系统的能控性和稳定性。

3.2.8 协同进化+模糊

文献[101]-[103]，在水轮机模糊控制PID模型中，提出了一种新的基于协同进化算法的参数自整定模糊PID控制算法，解决了常规遗传算法在优化水轮机模糊PID调节系统的模糊规则时，对于模糊PID整定公式中的三个比例因子的确定采用手动调整的不科学性。该方法采用协同进化算法同时优化模糊PID控制的模糊规则和模糊PID整定公式中的三个比例因子。通过模糊推理的方法求解PID参数的变化量，对PID参数进行自动整定。仿真结果表明，该控制算法具有良好的静态、动态性能和很强的鲁棒性。

3.2.9 小波+神经

神经网络由于其特有的非线性映射能力、自学习能力等优势在控制领域备受关注，目前应用较为广泛的仍是前馈网络，但前馈网络较易陷于局部极小且收敛速度慢、抗噪能力差。小波变换作为一种十分有效的数学变换，通过特有的平移系数和伸缩系数来保证模式样本的平移及比例变化的相对不变性，从而获得多尺度的分辨效果。

文献[104]-[107]将二者有效结合构成小波神经网络并运用于PID数学模型的在线辨识。这种网络结构既具有一般神经网络的并行性和本质学习、泛化记忆功能及多层网络逼近任意函数的能力，又具有小波变换的时频局部特性和多尺度分辨的功能，故可从本质上改善前馈网络的学习能力，基本克服了一般神经网络控制对初始权值的依赖，大大提高了对未知模型的辨识精度，改善了系统的动态响应品质，增强了系统的鲁棒性。

4.结束语

综合前面的讨论可知，随着人类科技的不断发展，受控对象越来越复杂，传统的PID控制已经不能满足人们的要求。而另一方面，智能控制的发展，对于智能PID的研究与应用，打开了新的篇章。特别是现有各分支学科的融合与交叉，用于常规PID控制的参数整定，让常规控制的智能化越来越强，其自适应能力和鲁棒性也越来越好，这必将是智能控制发展的极有前途的方向。

参考文献:

--------------------------------------------------------------------

[1] 王伟， 等，PID参数先进整定方法综述［J］．自动化学报，2000，26（3）

[2] 沈永福，等， 智能PID控制方法综述[J]，工业仪表与自动化装置，2002，6，11-13，24

[3] 朱仲邃， 智能PID控制方法综述[J]，内江科技，2005，3

[4] 闫永跃，等， 智能PID控制综述[J]，PLC&FA，2006，12，9-13

--------------------------------------------------------------------

[5] 李书臣，等，PID参数模糊自适应控制器的设计[J]，仪表技术与传感器，2001，2，39-41

[6] 胡包钢，等，模糊PID控制技术研究发展回顾及其面临的若干重要问题[J]，2001，27(4)，567-584

[7] 况荣华，等，一种新型PID参数自适应模糊控制器[J]， 华中科技大学学报，2001，29(6)，25-26，30

[8] 廖 忠，等，基于模糊的自校正PID控制在水电机组上的应用，动力工程，2004，24（2），208-211

[9] 章志兵，等，中药生产重要浓缩阶段的智能pid控制，计算机测量与控制。2005。13(9)，935-937

[10] 熊钰杉，等，PID和Fuzzy控制相结合的分段复合控制[J]， 计算机仿真，2006，23（6），296-298，318

[11] 戴焰明，等，基于参数模糊自整定PID温度控制系统[J]， 自动化与仪表，2007，3，65-68

[12] 李二超，等，一种PID型自适应模糊控制的设计及其应用[J]，制造业自动化，2007，29（3），55-57

-------------------------------------------

[13] 王涛，等，基于BP神经网络的PID控制器在渠道自动控制中的应用[J]，水利学报，2004，11，1-8

[14] 荆崇波，等，二次调节系统PID控制参数的神经网络自整定研究[J]，液压与气动，2005，3，1-4

[15] 江吕锋，等，基于FPGA的神经网络自整定PID控制器设计[J]，自动化仪表，2006，26（5），12-14，17

[16] 王万召，等，BP神经网络PID控制器在汽温控制中的应用[J]，自动化仪表，2006，27（12），31-33

[17] 史春朝，等，基于改进BP神经网络的PID控制方法研究[J]，计算机仿真，2006，23（12），156-159

[18] 赵浪涛，BP神经网络PID控制器研究[J]，兰州工业高等专科学校学报，2007，14（2），34-36

[19] 赵娟平，等，基于BP神经网络整定的PID控制及其仿真研究[J] ，沈阳化工学院学报，2007，21（2），134-136

[20] 曹海云，等，基于PID神经网络的非线性动态系统控制[J]， 控制工程（增刊），2007，14（5），38-40

[21] 秦淑香，等，神经网络PID在温度控制中的应用[J]，煤矿机械，2007，28（6），166-168

[22] 徐海锋，等，基于神经网络的自校正PID控制研究[J]，计算机网络，2007，9，52-53

-------------------------------------------

[23] LIN M in ，CHO Hyeon seob，DESIGN OF DIRECT CONTROLLER FOR NONLI—NEAR PLANT BASED ON NEURAL NETWORK[J]， Jourm t of Inner Mongoha Normal University(Natural Science Edition)，2002，32(2)，123-127

[24] 牛建军，等，基于神经网络自整定PID控制策略及其仿真[J]，系统仿真学报，2005，17（6），1425-1427

[25] 许 昌，等，一种神经网络PID自适应控制及其应用研究[J]，控制工程，2006，14（3），284-286

[26] 凌云，等，基于RBF神经网络的PID自适应真空炉温度控制[J]， 湖南工业大学学报，2007，21（3），39-41

-------------------------------------------

[27] 牛广文，基于ELMAN神经网络的PID控制器设计[J]，兰州工业高等专科学校学报，2007，14（2），30-33

-------------------------------------------

[28] 杨霞，等，专家控制的PID交流伺服系统的研究[J]，燕山大学学报，2002，26（2），176-178

[29] 马翔，等，一种智能自整定PID控制器的设计与阶梯信号的应用[J]，福州大学学报，2003，31（4），430-432

[30] 魏红昀，等，PID专家控制器在温控系统中的应用[J]，兵工自动化，2004，23（4），50-51

[31] 张建国，专家式智能自整定PID控制器的研究与实现[J]，漳州职业技术学院学报，2005，7（4），73-76

[32] 王德玉，等，专家整定PID控制器在智能井控系统中的应用[J]，石油机械，2006，34[7]，49-52

-------------------------------------------

[33] 陈祥光，遗传算法在PID控制器参数寻优中的应用研究[J]，计算机仿真，2001，18（2），30-32

[34] 席俊国，等，一种新型的参数自整定策略[J]，电力电子技术，2001，35（5），36-38

[35] 张雪峰，等，遗传算法在电石炉系统PID参数优化中的应用[J]，自动化仪表，2006，27（12），29-30，33

-------------------------------------------

[36] 陈 众，等，基于HSIC的非线性PID控制器[J]，控制与决策，2003，18（6），694-697，702

[37] 张世玺，等，仿人智能积分控制算法改进研究[J]，上海电力学院学报，2003，19（1），47-49

[38] 谭 飞，等，仿人智能PID控制器及其应用[J]，自动化与仪表，2004，4，43-45

[39] 李科，等，基于参数辨识的仿人智能PID电加热炉温度控制[J]，江南大学学报，2006，5（4），493-496

[40] 周彦，等，仿人智能PID控制的PLC实现及其应用[J]，微计算机信息，2005，21（7-1），1-2

[41] 童眷霞，等，仿人智能PID控制器设计[J]，计算机仿真，2005，22(1)，191-193

[42] 曹晓莉，纯延迟系统仿人智能控制与最优PID控制对比仿真分析[J]，重庆工商大学学报，2005，22(6)，578-580，605

[43] 汤士华，等，一种新的仿人控制方法研究[J]，信息与控制，2005，34（3），360-364

[44] 邹伟，等，纸浆浓度的仿人智能PID控制[J]，中国造纸，2005，24(8)，44-46

[45] 刘 军，等，非线性PID仿人智能控制算法及仿真[J]， 青岛科技大学学报，2006，27(6)，532-534

[46] 王新增，等，自适应仿人智能控制控制策略研究[J]，自动化与仪器仪表，2007，1，13-15

---------------------------------------------

[47] 李勇，等，基于粒子群算法的PID参数寻优，机械与电子，2004，9，26-28

[48] 李剑波，等，基于改进粒子群算法的主汽温系统PID参数优化[J]，华北电力大学学报，2005，32（4），26-30

[49] 湛锋，等，基于改进粒子群优化算法的PID参数整定[J]，继电器，2005，33（19），23-27

[50] 王介生，等，基于粒子群算法的PID控制器参数自整定[J]，控制与决策，2005，20（1），73-76，81

[51] 郝万君，等，基于多模型粒子群优化的PID参数鲁棒整定[J]，信息与控制，2006，35（6），711-714，720

[52] 郝万君，等，基于改进粒子群算法的PID参数优化与仿真[J]，控制工程，2006，13（5），429-432

[53] 杨 诚，等，基于粒子群算法的PID参数优化，自动化仪表（增刊），2006，27，95-96

[54] 胡海兵，等，基于粒子群优化的PID伺服控制器设计[J]，浙江大学学报，2006，20（12），2144-2148

[55] 李银伢，等，基于粒子群优化的伺服系统比例积分微分控制器设计方法[J]，兵工学报，2006，27（2），202-205

[56] 陈俊风，等，基于粒子群优化算法的PID控制器参数整定[J]，计算机仿真，2006，23（8），158-160

[57] 白文宝，等，基于量子粒子群算法的PID控制器参数整定[J]，计算机工程与应用，2007，43（3），61-63

[58] 孔凡国，等，一种基于粒子群算法的二自由度PID控制器优化设计[J]，机械设计与制造，2007，2，45-47

[59] 刘宏达，等，一种新型船舶航向智能PID控制器优化设计[J]，船舶工程，2007，29（4），36-39

[60] 张兴华，等，PID控制器的粒子群多目标优化设计[J]，应用科学学报，2007，25（4），392-396

[61] 江善和，等，基于粒子群算法的一种非线性PID控制器[J]，计算机技术与发展，2007，17（4），71-74，79

---------------------------------------------

[62] 詹士昌，等，基于蚁群算法的PID参数优化设计[J]，测控技术，2004，23（1），69-71，75

[63] 谭冠政，等，基于蚁群算法的智能人工腿最优PID控制器设计[J]，中南大学学报，2004，35（1），91-96

[64] 胡赤兵，等，基于蚁群算法PID控制器的自动配料系统研究[J]，起重运输机械，2006，10，38-40

[65] 张宪乐，等，基于改进GAAA算法的PID参数优化[J]，计算机测量与控制，2006，14（11），1545-1547

[66] 李丽香，等，基于混沌蚂蚁群算法的PID控制器的参数整定[J]，仪器仪表学报，2006，27（9），1104-1106

[67] 彭沛夫，等，基于分布均匀度的自适应蚁群算法最优PID控制[J]，湖南师范大学学报，2006，29（1），41-46

[68] 彭沛夫，等，基于遗传因子的自适应蚁群算法最优PID控制[J]，电子学报，2006，34（6），1109-1113

[69] 孟令雅，等，基于蚁群算法的PID控制器智能优化[J]，自动化博览，2007，6，96-97

[70] 尹宏鹏，等，基于蚁群算法的PID控制参数优化[J]，计算机工程与应用，2007，43（17），4-7

[71] 贺光辉，等，一种基于蚁群算法的最优非线性PID控制器的设计[J]，PLC&FA，2007，98-104，81

[72] 贺光辉，等，最优PID控制器在智能人工腿中的应用[J]，计算机测量与控制，2007，15（7），887-889

---------------------------------------------

[73] 董梅，等，基于免疫算法PID控制器参数的优化设计[J]，山东师范大学学报，2005，20（3），29-30

[74] 李岷闽，等，液力调速自适应控制系统研究[J]，机床与液压，2006，5，155-156

[75] 陈少白，等，基于一种人工免疫算法的PID参数优化[J]，武汉科技大学学报，2006，29（3），313-315

[76] 刘屿，等，一种新型人工免疫算法的PID自整定研究[J]，计算机应用研究，2007，24（4），83-85

---------------------------------------------

[77] 孙炜，等，基于神经网络的规则自校正模糊控制器及其在交流伺服系统中的应用[J]，中国电机工程学报，2001，21（7），14-17

[78] 张建勇，等，神经网络模糊PID算法在温室温度控制中的仿真研究[J]，中国农机化，2006，6，67-70

[79] Xiao Min ，Zhang Hua ，Jia Jian ping，Fuzzy Neural Network PID Controller for seam tracking[J]，微计算机信息，2006，22（9-1），71-73

[80] 童秀瑾，等，基于线性预测模型的神经网络模糊PID控制[J]，机电工程，2007，24（2），62-64，73

--------------------------------------------------------

[81] 李　欣，王科俊，模糊遗传算法综述[J]，黑龙江自动化技术与应用，1998 ，17(3)，16～19

[82] 庄　健，王孙安，自调节基因移民遗传算法的研究[J]，西安交通大学学报，2002，36(11)，1170～1172

[83] 谭冠政，等，具有不完全微分的Fuzzy-GAPID控制器及其在智能仿生人工腿中的应用[J]，机器人，2002，24(6)，481-486

[84] 谭冠政，等， 最优Fuzzy—GA PID控制器及其应用[J]，中南工业大学学报，2002，33(4)，419-423

[85] 高峻蛲，等，轮式机器人模糊遗传PID转向控制实验研究[J]， 微计算机信息，2003，19(12)，17-18

[86] 杨振勇，等，一种基于遗传算法的自调整模糊PID控制器[J]，电力科学与工程，2003，2，59-61，71

[87] 王　斌，等，基于模糊遗传算法的工业过程控制参数优化研究[J]， 西安交通大学学报，2004，38(1)，56-59

[88] 吴春富，等，基于遗传算法优化的模糊PID控制研究[J]， 自动化技术与应用，2005，24(7)，14-15，18

[89] 干树川，等，基于模糊遗传算法的PID自整定研究[J]， 华北电力大学学报，2005，32(5)，43-46

[90] 刘青松，基于模糊-遗传算法的智能自适应PID控制系统参数优化[J]，电气传动自动化，2006，28(2)，8-12

[91] 王海军，等，一种基于遗传算法优化的模糊控制器研究[J]，微计算机信息，2006，22(10-1)，20-22

[92] 李界家，等，基于遗传算法的模糊PID复合控制在电阻炉上的应用[J]，仪表技术与传感器，2007，6，61-62，66

--------------------------------------------------------

[93] 李秋生，等，基于神经网络和遗传算法的智能PID控制[J]，计算机测量与控制，2007，15（5），610-612

[94] Li GuoDong，Zhang QingChun，Liang YingChun，GA-BASED PlD NEURAL NETWORK CONTROL FOR MAGNETIC BEARING SYSTEMS[J]， CHINESE JOURNAL OF MECHANICAL ENGINEERING，2007，20(2)，56-59

[95]曲尔光，等，基于遗传算法-BP神经网络的PID控制器的设计[J]，机床与液压，2007，35（7），205-206，212

-----------------------------------------------------

[96] 肖冰，等，一种基于专家调节增益的单神经元PID控制[J]，自动化技术与应用，2003，22（4），14-16

[97] 郝媚美，等，一种基于专家系统的变结构神经元自适应PID控制器的设计与实现[J]，福州大学学报，2003，31（5），554-557

-----------------------------------------------------

[98] 杨霞，等，基于专家、模糊和PID复合控制的设计[J]，沈阳工业大学学报，2002，24（5），405-407

-----------------------------------------------------

[99] 邹鲁勇，等，基于BP神经网络的仿人智能控制仿真研究[J]，自动化与信息工程，2006，4，42-44

-----------------------------------------------------

[100] 刘军，等，基于遗传算法的仿人智能控制[J]，2007，28（2），162-165

-----------------------------------------------------

[101] 姚李孝，等，基于协同进化算法的水轮机模糊PID调节系统研究[J]，大电机技术，2005，4，60-64

[102] 王涛，等，基于协同进化算法的水轮机模糊PID调节系统模糊规则的研究[J]，水力发电学报，2007，26（2），137-142，128

[103]谢建宝，等，基于协同进化算法的水轮机模糊PID调速器研究[J]，华北电力大学学报，2007，34(1)，89-93，110

-------------------------------------------------------

[104] 尉询楷，等，基于小波神经网络的PID整定与应用[J]，控制工程，2003，10(6)，532-535

[105] 吴天鹏，等， 基于小波神经网络辨识的PID神经MRAC研究[J]，航空计算技术，2004，34(1)，17-20

[106] 王建辉，等， 基于PSO的板形板厚小波神经网络解耦PID控制[J]，华北大学学报，2005，26(3)，224-227

[107] 顾洲，等， 基于小波基神经网络PID的直流电机伺服控制[J]，南京师范大学学报，2006，6(4)，17-20

------------------------------------------------------