张 皓，高瑜翔，唐 军，黄天赐，马 腾，吴美霖

(1. 成都信息工程大学通信工程学院，四川 成都 610225; 2. 气象信息与信号处理四川省高校重点实验室，四川 成都 610225;3. 宜宾职业技术学院电子信息与人工智能学院，四川 宜宾 644000)

0 引 言

由于传统PID算法存在超调量大、调节时间长，模型自适应能力差等缺陷，已无法满足现代工农业生产中，经常存在的非线性、纯滞后、多模型等复杂的控制过程[1-3]。因此，将智能算法与传统算法相结合，是解决上述问题的有效方法之一，也是当下智能控制领域研究的热点之一。文献[1-2]将模糊算法与PID算法相结合，提出模糊PID控制，在一定程度上弥补传统PID算法的不足。但模糊控制不具备自学习能力，如果没有正确的知识和丰富的经验，其控制效果仍然难以满足要求。神经网络具有强大的自学习能力和非线性处理能力，在系统辨识和控制领域得到广泛研究[3-4]。文献[3-5]均提出神经网络PID控制，通过自学习的方式得到P、I、D三个参数，但无法利用模糊系统所具有的知识推理能力。文献[6-7]提出基于粒子群优化的模糊PID控制，利用优化算法选择出最佳量化因子，但粒子群优化算法存在搜索精度低的问题。文献[8-9]将遗传算法和模糊PID相结合，利用遗传算法找到PID的最优初始参数，但遗传算法容易出现编码不规范问题。文献[10]提出基于Mamdani模糊推理的BP神经网络PID控制，文献[11]提出基于Mamdani模糊推理的RBF神经网络PID控制。文献[10-11]均采用Mamdani模糊推理系统，与Sugeno型模糊推理系统相比，其输出平滑性更低。……