近几十年来,工业控制领域发生了翻天覆地变化,控制对象从单一对象演化到复杂的对象。PID控制是最早应用于过程控制中的控制策略,其算法原理易懂、结构清晰,对单一对象的控制达到了可观的效果。但是,由于越来越多的复杂被控对象具有非线性、参数多和数学模型难以建立等特性,因此,传统的PID控制方法对复杂对象达不到理想的控制效果,需要研究一种不依赖于模型的智能控制策略去解决新问题。神经网络在自动控制领域中的发展过程中也扮演了举足轻重的角色。神经网络不仅自身具有很强的自学习能力,而且还具有对非线性的表达能力,不依赖于数学模型的建立,能够对复杂系统中不确定性的或随时间变化的特性进行学习与适应,具有较好的稳定性与鲁棒性。而BP学习算法作为神经网络训练中运用最多的算法,它在训练过程中主要是对网络权值和阈值的修正,使得误差达到最小。但是其存在收敛速度慢、依赖初始权值、易出现局部极小值的缺点。所以,对BP学习算法的优化迫在眉睫,使其不依赖于网络初始权值的选取,从而提高BP算法的学习性能,将优化的BP神经网络与PID控制算法结合,得到一种新型的PID控制策略。本文针对BP神经网络在自学习时存在的一系列缺陷,提出了一种基于遗传和粒子群混合优化BP神经网络的智能PID控制策略。本智能PID控制策略利用遗传算法较强的全局搜索能力结合粒子群算法较强的局部搜索能力对BP神经网络进行优化,有效的克服了BP算法在网络训练过程中存在收敛速度慢、易陷入局部极小值的缺陷,使系统性能更加稳定。在实验研究方面,采用MATLAB对此智能PID控制策略进行仿真研究,实现了以单片机为核心、Lab VIEW为监控平台,将此智能PID控制算法应用其中的的温室环境控制系统。研究结果表明:将混合优化的BP神经网络PID控制策略应用到温室环境控制系统中,系统具有更好的动态特性和控制效果。