自适应PID控制综述(完整版)
自适应PID控制研究概要
概念设计控制器,并能保证在有界噪声和不可量测扰动存在的情况下控制误差是稳定和收敛的。F.Radke和R.Isermann在1984年提出了名为参数逐步优化的自适应PID控制算法,讨论了时域和频域中该种控制器的设计问题。他们提出的算法特点是,能使PID参数在线逐步优化,从而使整个系统的动态性能渐近最优化。A.Holme在1984年从另一角度用二次型性能指标函数方法设计了一种参数自适应PID控制器,这种方法的实时性较强,其不足之处是不能应用于非最小相位的过程控制中。2.2非参数自适应PID控制
1.2/a
2L
L/2
注:a=T k
3.2闭环系统的增益自适应
利用ERCM法确定的PID控制器适合于定常系统,但实际物理系统存在时变性、非线性和不确定性,特别是当用“一阶惯性十纯滞后环节”逼近模型时,理论上己经存在模型误差;另外,将连续系统的研究成果应用于离散系统时,其系统性能会受到采样周期的影响。因此,为了提高PID控制器的自适应能力,有必要在ERCM基础上对其进行探究。
自适应PID控制研究
摘要:PID控制结构简单、可靠性高,在工业控制中得到了广泛的应用。但是实际工业生产过程往往具有大滞后、非线性、时变不确定性,因此常规PID控制经常达不到理想的控制效果。因此,有必要提出一种算法简单且对被控对象数学模型要求不高的自适应PID控制器。本文围绕这一目标,主要作了一些研究工作:首先对扩充响应曲线法进行改进,提出了扩充响应曲线法开环递推求解算法,简化了PID参数的整定过程。研究结果表明这些工作取得了一定的成果。
针对PID离线整定的不足,提出来开环情况下ERCM方法的递推求解方案,无需通过系统响应曲线的面积计算来提取被控对象的特征参数,简化了PID的整定过程;在闭环条件下,对递推算法加以改进,在确保PID控制器零极点不变的条件下,实现了PID增益自适应。
(完整word版)单神经元自适应PID控制算法
单神经元自适应PID 控制算法一、单神经元PID 算法思想神经元网络是智能控制的一个重要分支，神经元网络是以大脑生理研究成果为基础，模拟大脑的某些机理与机制，由人工建立的以有向图为拓扑结构的网络，它通过对连续或断续的输入做状态响应而进行信息处理；神经元网络是本质性的并行结构，并且可以用硬件实现，它在处理对实时性要求很高的自动控制问题显示出很大的优越性；神经元网络是本质性的非线性系统，多层神经元网络具有逼近任意函数的能力，它给非线性系统的描述带来了统一的模型；神经元网络具有很强的信息综合能力，它能同时处理大量不同类型的输入信息，能很好地解决输入信息之间的冗余问题，能恰当地协调互相矛盾的输入信息，可以处理那些难以用模型或规则描述的系统信息。
神经元网络在复杂系统的控制方面具有明显的优势，神经元网络控制和辨识的研究已经成为智能控制研究的主流。
单神经元自适应PID 控制算法在总体上优于传统的PID 控制算法，它有利于控制系统控制品质的提高，受环境的影响较小，具有较强的控制鲁棒性，是一种很有发展前景的控制器。
二、单神经元自适应PID 算法模型单神经元作为构成神经网络的基本单位，具有自学习和自适应能力，且结构简单而易于计算。
传统的PID 则具有结构简单、调整方便和参数整定与工程指标联系紧密等特点。
将二者结合，可以在一定程度上解决传统PID 调节器不易在线实时整定参数，难以对一些复杂过程和参数时变、非线性、强耦合系统进行有效控制的不足。
2.1单神经元模型对人脑神经元进行抽象简化后得到一种称为McCulloch-Pitts 模型的人工神经元，如图2-1所示。
对于第i 个神经元，12N x x x 、、……、是神经元接收到的信息，12i i iN ωωω、、……、为连接强度，称之为权。
利用某种运算把输入信号的作用结合起来，给它们的总效果，称之为“净输入”，用i net 来表示。
根据不同的运算方式，净输入的表达方式有多种类型，其中最简单的一种是线性加权求和，即式 （2-1）。
具有自适应参数的PID控制器设计
具有自适应参数的PID控制器设计PID控制器是现代工业中常用的控制器之一，其具有结构简单、易于调节、可靠性高等特点。
然而，在实际控制过程中，PID控制器的参数常常需要根据被控对象的特性进行调节，以达到较好的控制效果。
因此，在实际工程应用中，具有自适应参数的PID控制器逐渐成为研究热点。
本文将介绍具有自适应参数的PID控制器的设计原理和实现方法。
一、PID控制器的基本原理PID控制器是由比例控制器、积分控制器和微分控制器三个部分组成的。
在控制过程中，比例控制器通过与被控对象的偏差成比例的输出控制信号，积分控制器通过对偏差的时间积分来消除静态误差，微分控制器通过对偏差的变化率进行控制，来减小超调量和提高控制速度。
PID控制器的输出信号可表示为：u(t) = Kp[e(t) + 1/Ti∫e(τ)dτ + Td(de(t)/dt)]其中，e(t)为被控对象的偏差，Kp、Ti、Td为控制器的比例系数、积分时间常数和微分时间常数。
二、PID控制器参数调节问题PID控制器的参数调节对于控制系统稳定性和控制品质的影响非常大。
传统的PID控制器参数调节方法主要有经验调整法、试控法、模型辨识法等。
这些方法都需要对被控对象进行较高的数学建模和系统参数辨识，并且难以处理非线性、时变的被控对象。
因此，针对复杂度高、涉及数学理论较多的问题，基于现代控制理论和人工智能技术的自适应PID控制器应运而生。
三、具有自适应参数的PID控制器原理与设计自适应PID控制器的设计原理是根据被控对象的特性或控制系统的工作状态，通过对PID控制器的参数进行在线自适应调节，以达到控制效果的优化。
具有自适应参数的PID控制器的设计关键是参数选择和规划方法的确定。
常用的自适应PID控制器设计方法主要包括下面几种：1.基于遗传算法的PID控制器设计方法：遗传算法是一种有效的参数优化方法，可根据被控对象的特性和优化目标确定适当的PID控制器参数，以提高控制效果。
PID自适应控制
PID 自适应控制PID Adaptive Control●夏 红 王 慧 李 平Xia Hong Wang Hui Li Ping夏 红,现在浙江大学工业控制研究工作。
地址:杭州市邮政编码:310027收稿日期:1995年9月30日(磁盘来稿)1 引言在PID 控制中,一个关键的问题便是PID 参数整定。
传统的方法是在获取对象数学模型的基础上,根据某一整定原则来确定PID 参数。
然而实际的工业过程往往难以用简单的一阶或二阶系统来描述,且由于噪声、负载扰动等因素的干扰,还可以引起对象模型参数的变化甚至模型结构的改变。
这就要求在PID 控制中,不仅PID 参数的整定不依赖于对象数学模型,而PID 参数能在线调整,以满足实时控制的要求。
本文提出将PID 继电自整定与神经网络相结合,共同完成PID 自适应控制任务。
2 系统构成如图1所示,PID 控制器由一个二层线性网络构造[1,2],网络权的初值由PID 继电自整定法[3]提供。
实施控制时,先将开关T 置于S 处,进行PID 参数整定,将所得的参数做适当的修正后作为网络权的初值,然后将开关T 置于V 处,进入系统自适应控制。
2.1 PID 继电自整定图1PID 自适应控制系统 基于继电反馈的PID 参数自动整定方法用继电特性的非线性环节代替Ziegler ─Nichols 法中的纯比例器,使系统出现极限环,从而获得所需的临界值。
设继电器特性幅值为d ,继电器滞环宽度为h ,且被控过程的广义对象传递函数为G (S ),用N 代表非线性元件的描述函数,则对无滞环的继电器型有 N =(4d/πa )<0(1)对于具有滞环的继电器非线性有 N =2(4d/πa )<-arcsin (h/a )(2)中,a 为继电器型非线性环节输入的一次谐波振幅。
只要满足方程: G (jω)=-(1/N )(3)则系统输出将出现极限环。
得到的临界增益K u 为: Ku =(4d/πa )(4)临界振荡周期tu 通过直接测量相邻两个输出过零的时间值确定。
PID整定综述
PID控制器参数整定综述PID调节器从问世至今已历经了半个多世纪，在这几十年中，人们为它的发展和推广作出了巨大的努力，使之成为工业过程控制中主要的和可靠的技术工具。
即使在微处理技术迅速发展的今天，过程控制中大部分控制规律都未能离开PID，这充分说明PID控制仍具有很强的生命力。
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、积分时间、微分时间)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。
此外，现代工业控制系统中存在着名目繁多的不确定性，这些不确定性能造成模型参数变化甚至模型结构突变，使得原参数无法保证系统继续良好的工作，这时就要求整定PID控制器的参数，这是自从使用PID控制以来人们始终关注的重要问题之一。
参数整定的方法很多，下面介绍几种工程上常用的方法。
1、临界比例度法这是目前使用较广的一种方法，它是先通过试验得到临界比例度PB 和临界周期Tk ,然后根据经验公式求出控制器各参数值。
具体做法如下：1）被控系统稳定后,把控制器的积分时间放到最大，微分时间放到零（相当于切除了积分和微分作用，只使用比例作用）。
2）通过外界干扰或使控制器设定值作一阶跃变化，观察由此而引起的测量值振荡。
3）从大到小逐步把控制器的比例度减小，看测量值振荡的变化是发散的还是衰减的，如是衰减的则应把比例度继续减小；如是发散的则应把比例度放大。
4）连续重复2）、3）步骤,直至测量值按恒定幅度和周期发生振荡，即持续4～5 次等幅振荡为止。
此时的比例度示值就是临界比例度PB。
5）从振荡波形图来看，来回振荡1 次的时间就是临界周期Tk，即从振荡波的第一个波的顶点到第二个波的顶点的时间。
如果有条件用记录仪，就比较好观察了,即可看振荡波幅值，还可看测量值输出曲线的峰———峰距离,把该测量值除以记录纸的走纸速度，就可计算出临界周期Tk ；如果是DCS 控制，在趋势记录曲线中可直接得出Tk（如图1）。
得到了临界比例度PB 和临界周期Tk 后，就可根据表1 中的经验公式求出控制器的P、时间Ti、Td 参数值了。
自适应控制中PID控制方法
自适应PID 控制方法1、自适应控制的理论概述设某被控对象可用以下非线性微分方程来描述：'()((),(),,)()((),(),,)x t f x t u t t y t h x t u t t θθ== （1-1）其中x （t)，u （t ）,y （t ）分别为n ，p,m 维列向量。
假设上述方程能线性化、离散化，并可得出在扰动和噪音影响下的方程：(1)(,)()(,)()()()(,)()()X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ （1-2) X(k ）,X （k)，U(k ），Y(k)，V （k)分别为n ，n ，p ，m,m 维列向量；(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。
那么自适应控制就是研究：在矩阵(,)k θΦ,(,)k ρθ，(,)H k θ中的参数向量,随机{()k ω}，{v(k ）}的统计特性及随机向量X(0）的统计特性都未知的条件下的控制问题，也就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1）,…，u （N — 1），使得指定的性能指标尽可能接近最优和保持最优。
自适应控制是现代控制的重要组成部分,它同一般反馈控制相比有如下突出特点：(l)一般反馈控制主要适用于确定性对象或事先确知的对象，而自适应控制主要研究不确定对象或事先难以确知的对象。
(2）一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。
（3）自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统"1.1模型参考自适应控制系统模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成.此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。
单神经元自适应PID
单神经元自适应PID一、单神经元神经网络与PID 结合的基础根据前面的推文“神经网络基础”中所介绍的，神经元是多输入单输出的，训练的目的确定权值，从而当给予输入时，能给出理想的输出。
对于PID 控制来讲，以增量式PID 为例，公式如下()()()[]()()()()[]212**1*-+--++--=∆k E k E k E kd k E ki k E k E kp k U输入是()k E 、()1-k E 和()2-k E ，输出是增量()k U ∆，对于PID 来讲，最重要的任务是确定系数。
两者相比较，只要将大量的()k E 、()1-k E 和()2-k E 作为输入，()k U ∆作为输出，确定权值的过程就是确定PID 系数的过程。
二、控制算法单神经元自适应PID 的整体结构如下图以智能车为例，上述参数解释为，()k r 为控制器输入的参考值，K 是神经元比例系数，()k u ∆是增量，()k u 是输出PWM ，()k y 是反馈值，偏差()()()k y k r k e -=。
（1）输入()()()11--=k e k e k x ()()k e k x =2()()()()2123-+--=k e k e k e k x（2）权值根据前面讲的，学习规则有两类有导师学习和无导师学习，其中无导师的Hebb 学习规则，又叫无监督Hebb 学习规则，其公式为()()()()()()k y k y k w k w k w k w i j ij ij ij ij η=∆∆+=+1η是设定的学习速率，()k y j 、()k y i 分别是k 时刻i 神经元与j 神经元的输出。
结合Delta 规则，得到有监督的Hebb 学习规则，其公式为()()()()()()()()[]k y k d k y k y k w k w k w k w j j i j ij ij ij ij -=∆∆+=+η1其中，()k d j 是期望输出，()()k y k d j j -在这里即为()()k e k x =2，。
机器人控制中的自适应PID控制算法研究
机器人控制中的自适应PID控制算法研究随着人工智能和机器人技术的进步，机器人在现代生产、服务和家庭等多个领域中得到了广泛应用。
机器人的运动控制是机器人技术中最核心的部分之一，也是机器人实现各种任务的前提。
PID控制算法作为一种经典的控制方法，一直被广泛使用于机器人控制系统之中。
但是，由于现实环境的复杂性和机器人自身的不确定性，传统的PID控制算法难以满足高精度、高性能的控制需求。
因此，自适应PID 控制算法的发展和应用成为了研究热点之一。
什么是自适应PID控制算法？自适应PID控制就是在PID控制算法的基础上，增加了一些自适应的调节因素，从而能够更好地适应不同的控制环境。
自适应PID控制算法的本质思想就是通过对控制对象的实时观测和自身状态的动态更新，从而实现对控制过程的自适应调节。
自适应PID控制算法的本质特征是在PID算法中增加了自适应项，从而能够使控制系统对输入信号产生更加快速、准确和稳定的响应。
具体而言，自适应PID控制算法会根据控制对象的实际运动状态进行自适应调节，以达到更好的控制效果。
自适应PID控制算法的研究意义自适应PID控制算法是机器人技术发展的必要条件之一。
对于机器人来说，精确合理的运动控制是满足各种实际需求的前提。
传统PID控制算法虽然能够在很大程度上实现基本控制要求，但是在应对复杂环境和不确定性因素时表现不佳。
而自适应PID控制算法能够克服这些问题，使机器人能够更好地适应各种复杂环境。
其次，自适应PID控制算法的研究和应用可以为机器人运动控制领域的发展带来更加深远的影响。
在现实应用中，机器人往往面临着各种各样的运动控制问题，需要不断创新和进步。
自适应PID控制算法的研究和应用，可以为机器人智能化、高效化、精确化发展提供更多的思路和方法。
自适应PID控制算法的实现方法自适应PID控制算法的实现方法主要包括三个方面：自适应增益PID控制算法、自适应模型PID控制算法和自适应混合PID控制算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自适应PID控制摘要：自适应PID控制是一门发展得十分活跃控制理论与技术,是自适应控制理论的一个重要组成部分,本文简要回顾PID控制器的发展历程,对自适应PID控制的主要分支进行归类,介绍和评述了一些有代表性的算法。
关键词：PID控制，自适应，模糊控制，遗传算法。
Abstract: The adaptive PID control is a very active developed control theory and technology and is an important part of adaptive control theory.This paper briefly reviews the development process PID controller.For adaptive PID control of the main branches, the paper classifies,introduces and reviews some representative algorithms. Keywords: PID control, adaptive, fuzzy control, genetic algorithm1 引言从问世至今已历经半个世纪的PID控制器广泛地应用于冶金、机械、化工、热工、轻工、电化等工业过程控制之中，PID控制也是迄今为止最通用的控制方法， PID控制是最早发展起来的控制策略之一，因为他所涉及的设计算法和控制结构都很简单，并且十分适用于工程应用背景，所以工业界实际应用中PID 控制器是应用最广泛的一种控制策略(至今在全世界过程控制中用的80% 以上仍是纯PID调节器，若改进型包含在内则超过90%)。
由于实际工业生产过程往往具有非线性和时变不确定性，应用常规PID控制器不能达到理想控制效果，长期以来人们一直寻求PID控制器参数的自动整定技术，以适应复杂的工况和高指标的控制要求。
随着微机处理技术和现代控制理论诸如自适应控制、最优控制、预测控制、鲁棒控制、智能控制等控制策略引入到PID控制中，出现了许多新型PID控制器。
人们把专家系统、模糊控制、神经网络等理论整合到PID控制器中，这样既保持了PID控制器的结构简单、适用性强和整定方便等优点，又通过先进控制技术在线调整PID控制器的参数，以适应被控对象特性的变化。
2 自适应PID控制概念及发展2.1 PID控制器常规PID控制系统原理框图如下图所示，系统由模拟PID控制器和被控对象组成。
PID的标准控制规律：式中:e(t)—控制器偏差输入;u(t)—控制器输出;Kp,Ki,Kd —比例、积分和微分项系数。
2.2 PID控制器的发展1936年，英国诺夫威治市帝国化学有限公司(Imperial Chemical Limited in Northwich, England)的考伦德(Albert Callender)和斯蒂文森(Allan Stevenson)等人给出了一个温度控制系统的PID控制器的方法并于1939年获得美国专利。
从美国专利局的网站上，可以找到当年获得专利的PID计算公式。
这个公式与我们现在使用的PID公式已经没有很大区别。
式中，e代表温度。
只是当时把比例积分微分的增益倍数分开了，可以想象当初这样做的原因:用K1来确定积分的强度(斜率)，用K3来确定微分的强度。
面对这个美妙的、简洁的、普适的思想，我们还是多花点时问关注一下她的生日吧。
她的专利的美国存档时问是1936年2月17日。
英国的存档时间:1935年2月13日;1939年10月10日批准美国专利申请。
这说明PID的诞生时问应该在1935年初了，只是出生证明开在1936年。
1940年以后为革新阶段，在革新阶段，PID控制器已经发展成一种鲁棒的、可靠的、易于应用的控制器。
仪表工业的重心是使PID控制技术能跟上工业技术的最新发展。
从气动控制到电气控制到电子控制再到数字控制，PID控制器的体积逐渐缩小，性能不断提高。
一些处于世界领先地位的自动化仪表公司对PID 控制器的早期发展做出重要贡献，甚至可以说PD控制器完全是在实际工业应用中被发明并逐步完善起来的。
PID控制至今仍是应用最广泛的一种实用控制器。
各种现代控制技术的出现并没有削弱PID控制器的应用，相反，新技术的出现对于PID控制技术的发展起了很大的推动作用。
一方面，各种新的控制思想不断被应用于PID控制器的设计之中或者是使用新的控制思想设计出具有PID结构的新控制器，PID控制技术被注入了新的活力。
另一方面，某些新控制技术的发展要求更精确的PID控制，从而刺激了控制器设计与参数整定技术的发展。
2.3 发展中的自适应PID控制PID控制技术经过近几年来的研究和发展，近年来国内外学者越来越多地将智能控制技术引入PID控制器的设计与构成。
下面将介绍这方面的研究、发展和创新。
2.3.1自寻最优PID控制器其控制原理是:系统以积分误差性能指标为准则，当误差性能指标为最小时，即系统为最佳状态，此时PID的各参数为最佳参数。
常用积分误差性能指标有ISE、IAE、ITAE等，可根据不同控制系统选择不同性能指标。
对于随动跟踪控制系统一般可选用ISE积分误差性能指标。
2.3.2模糊PID控制器模糊控制是一类应用模糊集合理论的控制方法。
特别是在一些大滞后、时变、非线性的复杂系统，无法获得系统的精确的数学模型，而模糊控制不需要被控对象的精确数学模型。
这种控制器不但具有PID控制精度高等优点，又兼有模糊控制灵活、适应性强的优点，对复杂控制系统和要求高精度的伺服系统可获得优良的控制效果，是近年来控制领域十分活跃的一支分支。
模糊盒树法自适应PID算法，通过对常规PID控制系统性能品质的分析，提出一种PID控制策略，利用模糊盒树的分枝定界算法，以最少的模糊规则推理实现PID参数的自适应调整。
该方法具有结构简单、鲁棒性强、动态品质优良的特点。
2.3.3神经元自适应PID控制器由Windrow提出的自适应神经元，由于具有自适应学习能力，且结构简单、实时性强、无须对控制对象精确建模等优点。
在神经非模型控制的基础上，结合PID控制的优点，提出了神经非模型自适应PID控制方法，确定了神经元网络的输入信号，设计出自适应系数的在线修正算法，在使控制系统具有良好的动态性能和稳态性能所进行的研究，取得了一定成效。
2.3.4基于遗传算法的PID控制器遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，其基本思想是将待求解问题转换由个体组成的滨化群体进行操作折一组遗传算子，经历生成一评价一选择一操作的滨化过程，反复进行，自到搜索到最优解。
基于遗传算法的PID参数优化方法，这种方法可简化优化的解析计算过程。
对免疫反馈和遗传机制的免疫遗传算法进行了讨论和研究，基于该研究提出了一种改进的变参数PID控制策略和鲁棒整定的思想，并采用免疫遗传算法进行设计参数的鲁棒优化调整。
2.3.5基于蚁群算法的PID控制器蚁群算法是一种新型模拟进化算法，初步的研究表明该算法具有许多优良的性质。
蚁群算法是受到人们对自然界真实的蚁群集体行为的研究成果的启发而提出的一种基于种群的模拟进化算法，属于随机搜索算法。
由意大利学者M.Dorigo 等人首先提出。
仿生学家经过大量细致的观察研究发现，蚂蚁个体之问是通过一种称之为信息激素的物质进行信息传递。
蚂蚁在运动过程中，在它所经过的路径上留下该种物质，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向。
因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象，某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大，从而增加该路径的信息激素强度，这种选择过程称为蚂蚁的自催化过程，其原理是一种正反馈机制，所以蚂蚁系统也称为增强型学习系统。
2.3.6专家智能自整定PID控制器将专家控制与常规PID控制相结合而具有的自整定、自学习等功能可以用来描述复杂系统的特性，并通过学习和自组织得到相应的控制策略。
一些学者对专家自整定PID控制器设计的方法及应用进行了研究，并针对一般专家自整定PID 控制器的不足之处，加入智能自整定控制，提出采用阶梯信号作为系统输入的思路，这种智能自整定PID控制器由于采用了阶梯信号作为系统输入，避免了系统在参数训练过程中频繁启动的问题，还可以根据实际系统变化的要求，灵活地设定给定信号的阶梯数目，以满足一些特殊场合的控制要求，其具有很强的自整定能力，能允许对象模型的结构和参数在较大范围内变化。
一种改进的单神经元PID控制的方法，采用专家控制调节单神经元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，动态响应时问增长等问题。
3 结束语自适应PID控制是随着自适应控制的理论发展和在过程控制上的实践而形成和发展的。
从一开始就带有强烈的应用色彩。
PID控制算法是迄今为止最通用的控制策略，随着计算机技术的迅猛发展，先进控制理论的出现和发展，以及自适应控制技术的引入，使PID控制进入了一个更为深入和广阔的应用大地，自适应PID控制技术将与先进控制理论更为紧密地结合，在先进控制理论推动下，以及微处理器（例如PIC和DSP等）和传感器等硬件的性能的大幅提高，必将是过程控制中极有发展前途的研究和应用方向。
参考文献[1]代军，苏娅芳，张雪.PID算法及其演变[J].辽宁省交通高等专科学校学报2003, (3) :43-45[2]陶水华.新型PID控制及其应用[M].北京:机械上业出版社，2002. 11[3]蒋丽英，李成博，李平.基于最优保留遗传算法的PID参数自寻优[J].仪器仪表学报，2001，22(3):45-46[4]蔡自兴.智能控制一基础与应用[M].国防工业出版社，1998. 10[5]方千山.基于模糊盒树法的自适应PID[J].仪器仪表学报，2002,23(3):378-379[6]腾表芳，秦春林，党建武.神经元自适应PID控制[J].兰州铁道学院学报，2003,22(1):87-89[7]毛敏，于希宁.基于遗传算法的PID参数优化方法[J].中国电力，2002,35(8):48一51[8]詹士昌，吴俊.基于蚁群算法的PID参数优化设计[J].测控技术，2004,23(1):69-72。