基于神经网络的PID控制器设计，可以的，好的

通过GA遗传优化算法解决TSP商旅优化问题，matlab2021a测试

基于GA遗传优化算法的LQR控制器最优参数的仿真，在matlab2021a中仿真测试

基于GA遗传优化算法的TSP最优路径算法仿真，matlab2021a仿真 仿真结论如下 初始种群中的一个随机值: 12—>8—>7—>10—>2—>11—>6—>9—>13—>4—>5—>1—>3—>14—>12 总距离：63.0665 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 最优解: 9—>10—>1—>2—>14—>3—>4—>5—>6—>12—>7—>13—>8—>11—>9 总距离：29.3405 -------------------------------------------------------------

目前，传统自调整PID控制器回路中存在目的误差、平均误差和透过误差较多的现象，容易造成工艺数据控制不精确。为此，提出一种基于免疫遗传算法优化的自调整PID控制器研究方案。首先确定PID控制器系统硬件结构，采用免疫遗传算法对自调整PID控制器回路中的积分单元以及微积分计算进行优化，有效避免了目的误差的产生，使用交叉与变异算子调整比例单元以及比例微分单元，借鉴数据交叉适应度值有效控制系统出现稳定性差变、降低平均误差以及透过误差出现的概率，保证工艺数据控制精度，有效解决了上述问题。仿真实验证明，基于免疫遗传算法优化的自调整PID控制器能够对工艺数据进行高精度控制，具有实践意义，能为自调整PID控制器研究发展提供帮助。

使用PSO粒子群和GA遗传分别去优化RBF网络参数并对比两者的性能

用VHDL实现PID算法，用在CPLD和FPGA实现控制

基于PSO粒子群优化的PID控制器最优参数kp，ki，kd计算，matlab2021a中运行测试 function z=PSO_PID(x) assignin('base','Kp',x(1)); assignin('base','Ki',x(2)); assignin('base','Kd',x(3)); [t_time,x_state,y_out]=sim('PID_Model',[0,20]); z=y_out(end,1);

PID参数自整定的方法及实现doc,PID参数自整定的方法及实现

包括（FA算法、IAE目标函数、Simulink模型）