神经网络PID控制问题是目前控制界的一个重要的课题,其用途日益广泛,应用领域也不断拓展。而BP算法又是神经网络PID控制过程中所经常使用的一种非常有效的神经网络学习算法,且这类算法具有很好的容错能力,泛化能力以及非线性映射能力。但是,这类算法在实际的应用中也存在着很多的局限性(例如收敛速度慢,容易陷入局部极小值以及忘记旧样本等),为了克服这些缺点,我们引入了一种基于遗传算法的神经网络学习算法：先用遗传算法优化神经网络的权值和阈值,将它们的分布范围缩小,再用BP算法精确求解。这样做就可以克服神经网络不容易陷入局部极小值,达到快速收敛。本篇论文根据这种混合思想分别对单变量系统和多变量系统的神经网络PID控制方法进行了研究。论文按照以下结构组织：第一章：介绍了本文研究课题的背景知识以及所涉及到的相关的基础理论知识。具体来讲主要介绍了神经网络的发展历史以及与之相关的一些概念和理论,比如人工神经元,神经网络的分类和学习等；另外还介绍了遗传算法的相关知识。第二章：研究了单变量系统的神经网络PID控制,本章中我们采用了遗传算法优化神经网络的混合算法的思想,得到了良好的控制效果。第三章：首先将第二章中所使用的方法推广到多变量系统,同样采用遗传算法优化神经网络的混合算法的思想,并得到了良好的控制效果。然后,在遗传算法优化神经网络权值的基础上,对改进的PID神经网络多变量控制方法加以研究,取得了较好的成果。第四章：对论文进行总结,并提出进一步的研究方向。