PID控制以其结构简单、可靠性高、易于工程实现等优点至今仍被广泛应用。在系统模型参数变化不大的情况下,PID控制性能优良。但随着现代工业的发展,工业生产过程往往具有非线性、不确定性,难以建立精确的数学模型,应用常规的PID控制器难以达到理想的控制效果。人工神经网络ANN(ArtificialNeuralNetwork)具有自学习、自适应和自组织的能力,将ANN与传统的PID控制结合,构成智能型的神经网络PID控制器。它不需建立精确的数学模型,能够自动辨识被控过程参数、自动整定控制参数、适应被控过程参数的变化,是解决传统PID控制器参数整定难、不能实时调整参数和鲁棒性不强的有效措施。本文主要做了两部分工作:首先,对传统的PID控制算法进入深入分析,针对系统对积分项的要求,偏差大时积分作用应该减弱,偏差小时应该加强。基于这一思想,对PID控制算法进行改进,在变速积分的基础上提出了弹性积分PID算法,仿真研究表明该算法有利于系统的稳定。其次,重点研究了BP神经网络PID控制器。在BP算法中,初始权值的选择对于局部极小点的防止和网络收敛速度的提高均有一定程度的影响,如果初始权值范围选择不当,学习过程一开始就可能出现“假饱和”现象,甚至进入局部极小点,网络根本不收敛。因此,利用粒子群优化算法PSO具有全局搜索的优点对BP网络的初始权值进行优化,避免了可能出现的收敛速度慢,存在局部极小点等问题。针对粒子群算法的早熟现象,将变异思想引入到粒子群算法中,并将改进的IPSO-BP混合算法用于对神经网络PID的权值进行优化。本文对弹性积分PID控制算法和变速积分PID控制算法进行了仿真实验,仿真结果表明弹性积分算法提高系统稳定性。本文也对改进的PSO算法整定BP-PID智能控制器参数进行了仿真实验,阶跃响应曲线和误差跟踪曲线都反映了IPSO优化的BP-PID控制系统收敛速度快,寻优能力强,能尽早进入稳定状态,改善了控制性能,取得令人满意的控制效果。