PID控制器因其原理清晰、结构简单、实现方便,至今仍广泛应用于工业现场控制领域。PID控制器应用的关键在于选择合适的参数,以适应不同的控制对象。但是对于具有时变性、大滞后特性的控制对象,PID控制器的控制效果有限,原因在于其参数不具备在线整定能力,难以适应变化的环境。这是自PID控制算法提出以来,许多研究人员一直努力改善的问题。人工神经网络(Artificial Neural Network)是从生理角度对智能的模拟,具有极高的学习能力和自适应能力,能够以任意精度逼近任意函数,完成对系统的仿真;而遗传算法是对自然界生物进化过程的模拟,具有极强的全局寻优能力,这两种算法都是当下研究较多的智能方法。将这两种方法与常规的PID控制相结合,构成智能PID控制器,使其具有参数自整定、自适应的能力,以适应复杂环境下的控制要求,这一思路对提高控制效果具有很好的现实意义。本文主要做了三部分工作:第一,深入研究常规PID控制,熟悉各个参数的物理意义及对控制效果的影响。探讨关于PID控制各个环节的相关改进和比较常用的参数整定方法。第二,重点研究与BP神经网络相结合的PID智能控制。借助与BP神经网络的自学习能力,在线自整定PID控制的三个参数。由于BP算法是基于梯度下降法的,所以会以一定的概率陷入局部极小,网络无法收敛至全局最优。因此,深入探讨BP算法的相关改进。第三,遗传算法由于其独特的运算方式,具有了极强的全局搜索能力,甚至会以概率1收敛于全局最优,非常适合用于对人工神经网络一类的隐函数的优化。本文探讨了遗传算法与神经网络的结合方式,并且将这两种算法相结合,用于对PID控制的参数的自整定过程之中。