控制算法的划分（自适应控制、预测控制、模糊控制等，PID等；蚁群算法、神经网络，还有机器学习、人工智能中的很多方法） 基金转换算法有哪些种类

一般来说，控制器的设计，分为控制框架的选取，跟参数的优化。自适应控制、预测控制、模糊控制等，跟PID一样，是控制算法（我习惯称为控制框架）。

而粒子群、遗传算法（类似的还有蚁群算法、神经网络，还有机器学习、人工智能中的很多方法）是优化方法，本来跟控制没关系，只不过有时被拿来参数优化，本来就不是为控制器设计而发明的，只不过是在确定了控制框架之后，控制器的设计问题，转为一个优化问题。于是就用优化算法来解，问题是物理意义不明确，很难调出好效果，很多时候只是组合组合发论文，即使能用，也对模型的精度，以及优化指标的选取，要求很高。

这些所谓智能算法，其实只是优化算法，原本跟控制无关，只不过用来优化参数。在很多基于模型的控制器设计优化中，关键在于模型的精度跟优化指标，优化方法反而不那么重要。遗传、遗群、模拟退火、粒子群，都是为了发论文而组合的。话说回来，调不好，到底是方法本身的限制，不能用在这个问题上，还是自己没调好，谁都不知道。但一般很少听说这些优化算法，或者最近兴起的机器学习方法如神经网络等，在实际控制中有较典型的应用的。

其次，这些控制算法，都有实际的应用，但都不是用之天下而皆准。

像模糊控制、预测控制一般用于过程控制中的温度控制啥的。模型不太准确，噪声大，不能model的不确定性大；而控制要求更注重于稳态性能，比如variance较小。模糊控制在比如电饭煲、洗衣机什么的中有很多应用。相比之下，预测控制（模型预测控制）的应用更广，特别是多入多出、有约束的，比如很多化工厂、发电厂什么的。很多国际上的大企业如壳牌都在用。更详细的说，一般底层用PID，处理单个plant动态的性能。PID上面用预测控制，把所有plants连起来考虑，同时考虑约束。预测控制更注重于整个系统的稳态性能。而自适应控制、最优控制什么的，