PID控制器是过程控制中应用最为广泛的控制器，而传统PID控制器参数整定难以达到最优状态，同时，存在控制结果超调量过大、调节时间偏长等缺点，因此，将变异粒子群优化算法（Mutation Particle Swarm Optimization，MPSO）运用于BP-PID的参数整定过程中，设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制，以种群适应度方差与种群最优适应度值为标准，进行种群变异操作，可以克服早熟，提高收敛精度和PSO的全局搜索能力，使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中，通过比较BP-PID、PSO-BP-PID以及MPSO-BP-PID三控制器仿真结果，证明了所提MPSO算法的有效性和所设计MPSO-BP-PID控制器的优越性。

通过BP神经网络实现PID参数在线正整定。

GA-BP神经网络PID控制器在BLDCM控制系统中的应用

基于BP神经网络PID控制的PMSM调速系统

基于PSO优化BP神经网络PID控制器的仿真,使用matlab2021a或者更高版本测试 for j=1:1:H Oh(j)=( exp( net2(j)-exp(-net2(j)) ) )/(exp( net2(j)+exp(-net2(j)) )); end net3=wo*Oh; for l=1:1:Out K(l)=exp(net3(l))/(exp(net3(l))+exp(-net3(l))); %K(l)=M*net3(l); end kp(k)=M(1)*K(1); ki(k)=M(2)*K(2); kd(k)=M(3)*K(3); Kpid=[kp(k),ki(k),kd(k)]; du(k)=Kpid*epid; u(k)=u_1+du(k);

MATLAB基于BP神经网络PID控制程序

编写BP神经网络S函数，搭建BP神经网络ＰＩＤ控制器simulink模型进行仿真

基于BP神经网络PID控制+Simulink仿真，例程（传递函数为高阶修改版，MATLAB R2019a亲测可用）

通过复杂例子，采用误差反向传播的BP算法，实现Kp、Ki、Kd参数自整定

关于杨艺的那篇《基于S函数的BP神经网络PID控制器及simulink仿真》，我自己在Matlab2016b搭建出来的SIMULINK模型，亲测可用