PID控制器是过程控制中应用最为广泛的控制器，而传统PID控制器参数整定难以达到最优状态，同时，存在控制结果超调量过大、调节时间偏长等缺点，因此，将变异粒子群优化算法（Mutation Particle Swarm Optimization，MPSO）运用于BP-PID的参数整定过程中，设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制，以种群适应度方差与种群最优适应度值为标准，进行种群变异操作，可以克服早熟，提高收敛精度和PSO的全局搜索能力，使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中，通过比较BP-PID、PSO-BP-PID以及MPSO-BP-PID三控制器仿真结果，证明了所提MPSO算法的有效性和所设计MPSO-BP-PID控制器的优越性。

基于神经网络的自适应PID控制器 通过将RBF（BP）神经网络和PID控制器相结合，建立了神经网络PID控制器，采用传递函数进行系统建模，通过自动调整PID参数，实现了对方波信号的跟踪。 程序有注释

PID控制器（比例-积分-微分控制器）是一个在工业控制应用中常见的反馈回路部件，由比例单元比例P（proportion）、积分单元I（integration）和微分单元D（differentiation）组成。PID控制器作为最早实用化的控制器已有近百年历史，现在仍然是应用最广泛的工业控制器。

电压调节模块(Voltage Regulator Module，VRM)具有低压大电流输出、快速负载变化响应、高输出稳定度等特点，主要应用于CPU等对供电电源有特殊要求的集成电路芯片的供电。

为了使PID 参数调整不依赖于模型参数, 而是直接基于闭环响应, 首先分析PID 参数对闭环系统性能的影响, 然后以振荡最小、开环增益最大等为基本原则给出一种无模型PID 参数调整方法. 该方法只需要闭环响应曲线中的振荡频率信息, 避免了模型参数辨识误差对调整结果的影响, 简化了参数调节的过程. 最后通过实验验证了所提出方法的有效性.

1 引言 　　温度是工业生产过程中一个主要的被控参数。目前，大多采用常规PID控制器实现对温度的控制。PID控制器具有结构简单、易于实现且鲁棒性好、可靠性高等优点，对可建立数学模型的定常系统具有很好的控制效果，但由于实际温度控制系统工况复杂、参数多变、大惯性、大滞后，常规PID控制器难以对其高精度进行控制。模糊控制鲁棒性强，无需被控对象的数学模型，只依赖于操作人员的经验知识及操作数据，非常适用于控制非线性、时变和滞后系统，但其静态性能较差，因此应用范围受很大限制。针对这些问题，这里提出一种基于FPGA的温度模糊自适应PID控制器设计方案，该方案将传统PID控制与现代模糊控制相结合，应用模糊推

基于模糊神经网络PID控制器的matlab仿真+提供代码操作视频 运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

闭环控制系统，离散化的控制器和被控对象。给定PID参数，编写matlab .M文件进行控制系统仿真。

基于MATLAB的磁悬浮球系统PID控制器设计与实现.pdf

例2-21 模糊PID控制器代码