王志文，李大刚，陈崇城，曾飞虎，陈晓玲

生物发酵过程被广泛地应用于饮用食品、生物制药、精细化工等行业，其过程控制中的一个关键问题是如何简单、高效、稳定地通过调节过程变量（如菌体稀释率、反应温度或原料流量），以达到控制产品生产质量（如生成物量、底物或产品浓度）的目的［1−4］.为了能够有效地降低企业生产过程的原料成本，提高所需生产的产品质量，必须适当、准确地对发酵过程进行控制［5−7］.

由于PID控制回路具有结构简单、运行稳健、易于实现等优点，被超过95%的工业过程所采用［8−10］，它也被称为控制工程当中的“面包和黄油”.然而，大多数发酵过程具有很高的非线性和时变性［11−13］，通过人工调试、经验整定等方式所获取的PID控制参数，适用范围有限，难以有效地克服控制过程的特性.

PID控制参数的分析整定、搜索优化和调节计算等方法已有200余种，如经典Ziegler−nichols（齐格勒−尼科尔斯）、Cohen−Coon（柯恩−库恩）和IMC（Internal Model Control，内模控制法）等［5，11−12］.在实际工程应用中，经验操作方法和传统参数整定应对具有及时稳定、快速反应要求的工业生产，其所整定的PID控制效果很差［13−15］.

PSO（Particle Swarm Optimization，粒子群优化算法）是一种基于函数全局优化的启发式演化计算方法，以简单的寻优结构、快速的收敛性能和高效的求解途径等优点，为解决基于PID控制器、神经网络等复杂问题的求解过程提供了新的更为稳定和可靠的处理方法.与传统参数整定方法（如典型Z−N和IMC等）相比，PSO算法具有结构简单、易于实现、可调参数少、优化……