随着现代社会的飞速发展,工业过程不断复杂,在实际应用中出现的被控对象规模也越来越大,因此导致系统模型的阶数也越来越高,这也造成了计算难度的加大以及控制成本的增加。因此模型降阶理论这个方面一直都是热门研究领域,尽管近些年国内外很多研究学者在这方面做了很多贡献,即通过对实际中存在的难以控制的高阶对象进行降阶处理,以简单的低阶模型来替代实际高阶对象,从而降低设计控制器的难度,提高控制效果和精度。但是在已有的成果中还有我们可以去进一步探索的领域。本文在总结前人工作的基础上,主要将高阶模型与改进粒子群优化算法结合的模型降阶方法做了进一步的研究。本论文研究的主要内容包括如下两个方面:在模型降阶问题上,本文主要是随机选择若干高阶系统模型分别降为典型低阶模型,这样做有利于工程的实现,同时也保证了系统的稳定性;在改进的粒子群优化算法方面,则通过研究人工免疫与粒子群算法,提出了一种基于自适应免疫双态粒子群优化算法(AIBPSO)的模型降阶方法,并分析降阶后系统与原系统在误差匹配尺度下的误差参数和两者在阶跃响应下的仿真输出曲线。文中一方面将一般的模型降阶方法(如Padé逼近法)与基于粒子群优化算法的模型降阶方法,从时域与频域两方面进行对比;另一方面也将基于基本粒子群优化算法的模型降阶方法与基于AIBPSO的模型降阶方法,从不同性能指标下的适应度值变化曲线进行对比,对比结果皆表明本文所提出的基于AIBPSO的模型降阶方法在针对高阶系统模型降阶中有着较好的效果。