吕红芳，王 涛，嵇月强，高 慧，徐 斌，王秋婷

（1.上海电机学院电气学院，上海 201306；2.杭州优稳自动化系统有限公司技术中心，浙江杭州 311100）

随着工业自动化的发展，在控制领域对于PID控制器的研究也不断深入。PID 控制器结构简单、安全可靠，而且相比于其他工控算法的鲁棒性好［1］，算法易于实现，因而在工业控制行业备受推崇。输出与输入的偏差和比例、积分、微分环节系数对控制性能的优劣起直接作用。

由于控制对象的复杂化，使得传统的PID 控制不再满足控制需求。使用优化算法对PID 控制器参数进行优化是如今研究的热点，由艾伯哈特博士和甘乃迪博士［2］提出的粒子群优化算法（particle swarm optimization，PSO）具有代码易实现、迭代过程简单、收敛迅速、参数设置较少等优势［3］。虽然PSO 算法优化性能较好，但也存在早熟收敛、容易陷入局部极值、迭代后期收敛速度慢等问题。针对以上问题，国内外学者进行了积极的探索。邓雪等［4］提出通过非线性惯性权重刻画搜索速度，对个体最优适应值较差部分粒子进行初始化处理，以降低陷入局部最优可能性；张枭等［5］提出一种精英反向粒子群算法（elite opposite particle swarm optimization，EOPSO），在算法进化过程中，对当前种群中的优秀个体，根据概率进行精英反向学习，生成精英反向种群，并将精英反向种群与当前种群进行竞争，当算法陷入停滞时，对最优个体进行柯西变异。华勇等［6］提出了一种基于自然选择和惯性权值非线性递减的改进粒子群算法，引入二阶振荡策略使种群进化过程保持多样性，并将遗传算法中选择机理与粒子群算法结合提高其性能。……