在工业控制中，被控系统往往是多变量、强耦合的时变系统。多变量系统的回路之间存在耦合，即系统某一个输入变量的改变通常会引起部分甚至全部输出变量的变化，降低控制系统的调节品质，耦合严重会使系统无法运行。为了得到满意的控制效果，必须对多变量系统实行解耦控制。多变量系统的解耦控制能把个回路之间相互耦合多输入—多输出系统变换为若干个相互独立的单变量系统，某一输出仅对某一输入有响应，从而使各个控制回路能很好的控制和运行。但对于绝大多数的多变量、强耦合、非线性、时变系统，采用单变量系统的设计方法已不能解决问题。如何获得这类复杂过程的解耦控制已经成为控制工程领域具有重要意义的热点问题。多变量系统的解耦可分为传统解耦控制，自适应解耦控制，智能解耦控制(包括模糊解耦控制和神经网络解耦控制)，非线性与鲁棒解耦控制。神经元网络解耦控制是当前控制理论界的重大课题之一，尤其适用于传统控制方法难以解决的问题，因此更具有研究价值。文献[1]讨论了对PID神经网络采用BP算法训练连接权值。文献[2]提出了基于标准遗传算法的PID神经网络解耦控制算法。文献[1]采用BP算法存在易陷入局部极值的缺点，因此有可能使最终的控制结果达不到理想状态。文献[2]中，标准遗传算法随着进化代数的增加，种群的多样性逐渐减少，易出现种群早熟的现象，常常得到接近全局最优解的次优解。基于上述原因，作者采用一种改进的遗传算法来训练神经网络PID控制器的参数。该方法设计了基于目标函数的适应度函数，自适应的交叉概率、变异概率，引入移民的遗传算法，能有效地抑制早熟和维持种群的多样性。并结合精馏塔温度控制系统，仿真验证算法。能够获得满意的控制效果。