‘壹’ PID算法的算法种类
离散化公式：
△u(k)= u(k)- u(k-1)
△u(k)=Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
进一步可以改写成
△u(k)=Ae(k)-Be(k-1)+Ce(k-2)
对于增量式算法，可以选择的功能有：
(1) 滤波的选择
可以对输入加一个前置滤波器，使得进入控制算法的给定值不突变，而是有一定惯性延迟的缓变量。
(2) 系统的动态过程加速
在增量式算法中，比例项与积分项的符号有以下关系：如果被控量继续偏离给定值，则这两项符号相同，而当被控量向给定值方向变化时，则这两项的符号相反。
由于这一性质，当被控量接近给定值的时候，反号的比例作用阻碍了积分作用，因而避免了积分超调以及随之带来的振荡，这显然是有利于控制的。但如果被控量远未接近给定值，仅刚开始向给定值变化时，由于比例和积分反向，将会减慢控制过程。
为了加快开始的动态过程，我们可以设定一个偏差范围v，当偏差|e(t)|< β时，即被控量接近给定值时，就按正常规律调节，而当|e(t)|>= β时，则不管比例作用为正或为负，都使它向有利于接近给定值的方向调整，即取其值为|e(t)-e(t-1)|，其符号与积分项一致。利用这样的算法，可以加快控制的动态过程。
(3) PID增量算法的饱和作用及其抑制
在PID增量算法中，由于执行元件本身是机械或物理的积分储存单元，如果给定值发生突变时，由算法的比例部分和微分部分计算出的控制增量可能比较大，如果该值超过了执行元件所允许的最大限度，那么实际上执行的控制增量将时受到限制时的值，多余的部分将丢失，将使系统的动态过程变长，因此，需要采取一定的措施改善这种情况。
纠正这种缺陷的方法是采用积累补偿法，当超出执行机构的执行能力时，将其多余部分积累起来，而一旦可能时，再补充执行。 离散公式：
u(k)=Kp*e(k) +Ki*+Kd*[e(k)-e(k-1)]
对于位置式算法，可以选择的功能有：
a、滤波：同上为一阶惯性滤波
b、饱和作用抑制： 在基本PID控制中，当有较大幅度的扰动或大幅度改变给定值时， 由于此时有较大的偏差，以及系统有惯性和滞后，故在积分项的作用下，往往会产生较大的超调量和长时间的波动。特别是对于温度、成份等变化缓慢的过程，这一现象将更严重。为此可以采用积分分离措施，即偏差较大时，取消积分作用；当偏差较小时才将积分作用投入。
另外积分分离的阈值应视具体对象和要求而定。若阈值太大，达不到积分分离的目的，若太小又有可能因被控量无法跳出积分分离区，只进行PD控制，将会出现残差。
离散化公式：
当时当|e(t)|>β时
q0 = Kp(1+Td/T)
q1 = -Kp(1+2Td/T)
q2 = Kp Td /T
u(t) = u(t-1) + Δu(t)
注：各符号含义如下
u(t);;;;; 控制器的输出值。
e(t);;;;; 控制器输入与设定值之间的误差。
Kp;;;;;;; 比例系数。
Ti;;;;;;; 积分时间常数。
Td;;;;;;; 微分时间常数。（有的地方用Kd表示）
T;;;;;;;; 调节周期。
β;;;;;;; 积分分离阈值 当根据PID位置算法算出的控制量超出限制范围时，控制量实际上只能取边际值U=Umax,或U=Umin,有效偏差法是将相应的这一控制量的偏差值作为有效偏差值计入积分累计而不是将实际的偏差计入积分累计。因为按实际偏差计算出的控制量并没有执行。
如果实际实现的控制量为U=U（上限值或下限值），则有效偏差可以逆推出，即：
=
然后，由该值计算积分项
微分先行PID算法
当控制系统的给定值发生阶跃时，微分作用将导致输出值大幅度变化，这样不利于生产的稳定操作。因此在微分项中不考虑给定值，只对被控量（控制器输入值）进行微分。微分先行PID算法又叫测量值微分PID算法。公式如下：
离散化公式：
参数说明同上
对于纯滞后对象的补偿
控制点采用了Smith预测器，使控制对象与补偿环节一起构成一个简单的惯性环节。
PID参数整定
(1) 比例系数Kp对系统性能的影响
：
比例系数加大，使系统的动作灵敏，速度加快，稳态误差减小。Kp偏大，振荡次数加多，调节时间加长。Kp太大时，系统会趋于不稳定。Kp太小，又会使系统的动作缓慢。Kp可以选负数，这主要是由执行机构、传感器以控制对象的特性决定的。如果Kc的符号选择不当对象状态(pv值)就会离控制目标的状态(sv值)越来越远，如果出现这样的情况Kp的符号就一定要取反。
(2) 积分控制Ti对系统性能的影响
：
积分作用使系统的稳定性下降，Ti小（积分作用强）会使系统不稳定，但能消除稳态误差，提高系统的控制精度。
(3) 微分控制Td对系统性能的影响
：
微分作用可以改善动态特性，Td偏大时，超调量较大，调节时间较短。Td偏小时，超调量也较大，调节时间也较长。只有Td合适，才能使超调量较小，减短调节时间。
‘贰’ 大家能给穷举一下自动控制领域有哪些控制算法吗
还有非线性控制，自适应控制，模型预测控制，数字控制，智能控制（神经网络，贝叶斯模型，模糊算法，机器学习，进化，遗传等等）。这些分类之间都有交集。
算法只是理论而已，和复杂的实际情况还不是一回事。
‘叁’ linux服务器要怎样针对IP流量限制
不是木马，是设置问题，下面是流量的控制方法一、Linux流量控制过程分二种：1、队列控制即QOS,瓶颈处的发送队列的规则控制，常见的有SFQPRIO2、流量控制即带宽控制,队列的排队整形，一般为TBFHTB二、Linux流量控制算法分二种：1、无类算法用于树叶级无分支的队列，例如：SFQ2、分类算法用于多分支的队列，例如：PRIOTBFHTB三、具体实现：1.在网卡上建立以SFQ算法的限流#tcqdiscadddeveth0roothandle1:sfqSFQ参数有perturb(重新调整算法间隔)quantum基本上不需要手工调整:handle1:规定算法编号..可以不用设置由系统指定..#tcqdiscshdeveth0显示算法#tcqddeldeveth0root删除注:默认eht0支持TOS2.在网卡建立以TBF算法的限流#tcqdadddeveth1roothandle1:速率256kbit突发传输10k最大延迟50ms#tc-sqdshdeveth1统计#tcqddeldeveth1root删除3.在网卡建立PRIO#tcqdiscadddeveth0roothandle1:prio#此命令立即创建了类:1:1,1:2,1:3(缺省三个子类)#tcqdiscadddeveth0parent1:1handle10:sfq#tcqdiscadddeveth0parent1:2handle20:注:此为TBF限速的另一写法,前文有讲解.#tcqdiscadddeveth0parent1:3handle30:sfq4.WEB服务器的流量控制为5Mbps,SMTP流量控制在3Mbps上.而且二者一共不得超过6Mbps,互相之间允许借用带宽#tcqdiscadddeveth0roothandle1:#tcclassadddeveth0parent1:0classid1:.这部分按惯例设置了根为1:0,并且绑定了类1:1.也就是说整个带宽不能超过6Mbps.#tcclassadddeveth0parent1:1classid1:.#tcclassadddeveth0parent1:1classid1:.建立了2个类.注意我们如何根据带宽来调整weight参数的.两个类都没有配置成"bounded",但它们都连接到了类1:1上,而1:1设置了"bounded".所以两个类的总带宽不会超过6Mbps.别忘了,同一个CBQ下面的子类的主号码都必须与CBQ自己的号码相一致!#tcqdiscadddeveth0parent1:3handle30:sfq#tcqdiscadddeveth0parent1:4handle40:sfq缺省情况下,两个类都有一个FIFO队列规定.但是我们把它换成SFQ队列,以保证每个数据流都公平对待.#tcfilteradddeveth0parent1::3#tcfilteradddeveth0parent1::46.过滤器过滤示例#::1在10:节点添加一个过滤规则,优先权1:凡是去往22口(精确匹配)的IP数据包,发送到频道10:1..#::1在10:节点添加一个过滤规则,优先权1:凡是来自80口(精确匹配)的IP数据包,发送到频道10:1..#:prio2flowid10:2在eth0上的10:节点添加一个过滤规则,它的优先权是2:凡是上二句未匹配的IP数据包,发送到频道10:2..#tcfilteradddeveth0parent10:.3.2.1/32flowid10:1去往4.3.2.1的包发送到频道10:1其它参数同上例#tcfilteradddeveth0parent10:.2.3.4/32flowid10:1来自1.2.3.4的包发到频道10:1#:prio2flowid10:2凡上二句未匹配的包送往10:2#tcfilteradddeveth0parent10:.3.2.1/:1可连续使用match,匹配来自1.2.3.4的80口的数据包
‘肆’ 智能控制的类型
分级递阶智能控制是在自适应控制和自组织控制基础上，由美国普渡大学Saridis提出的智能控制理论.分级递阶智能控制（Hierarchical Intelligent Control）主要由三个控制级组成，按智能控制的高低分为组织级，协调级，执行级，并且这三级遵循伴随智能递降精度递增原则。
组织级（organization level）：组织级通过人机接口和用户（操作员）进行交互，执行最高决策的控制功能，监视并指导协调级和执行级的所有行为，其智能程度最高.
协调级（Coordination level）：协调级可进一步划分为两个分层：控制管理分层和控制监督分层.
执行级（executive level）：执行级的控制过程通常是执行一个确定的动作. 专家指的是那些对解决专门问题非常熟悉的人们，他们的这种专门技术通常源于丰富的经验，以及他们处理问题的详细专业知识.
专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题.它具有启发性，透明性，灵活性，符号操作，不一确定性推理等特点.应用专家系统的概念和技术，模拟人类专家的控制知识与经验而建造的控制系统，称为专家控制系统.
专家系统是利用专家知识对专门的或困难的问题进行描述. 用专家系统所构成的专家控制，无论是专家控制系统还是专家控制器，其相对工程费用较高，而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题. 尽管专家系统在解决复杂的高级推理中获得较为成功的应用，但是专家控制的实际应用相对还是比较少。 神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成.这种神经网络具有某些智能和仿人控制功能.
学习算法是神经网络的主要特征，也是当前研究的主要课题.学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节.神经网络具备类似人类的学习功能.一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输人,而改变输人的唯一方法只能修改加在输人端的加权系数.
神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，学习结束.常用的学习算法有：Hebb学习算法，widrow Hoff学习算法，反向传播学习算法一BP学习算法，Hopfield反馈神经网络学习算法等。
神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法. 它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等. 这些特性是人们长期追求和期望的系统特性. 它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力. 神经网络可以和模糊逻辑一样适用于任意复杂对象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制. 在模糊逻辑表示的SIMO 系统和MIMO 系统中，其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用. 两者既有相同性又有不同性. 其相同性为：两者都可作为万能逼近器解决非线性问题，并且两者都可以应用到控制器设计中. 不同的是：模糊逻辑可以利用语言信息描述系统，而神经网络则不行；模糊逻辑应用到控制器设计中，其参数定义有明确的物理意义，因而可提出有效的初始参数选择方法；神经网络的初始参数（如权值等） 只能随机选择. 但在学习方式下，神经网络经过各种训练，其参数设置可以达到满足控制所需的行为. 模糊逻辑和神经网络都是模仿人类大脑的运行机制，可以认为神经网络技术模仿人类大脑的硬件，模糊逻辑技术模仿人类大脑的软件. 根据模糊逻辑和神经网络的各自特点，所结合的技术即为模糊神经网络技术和神经模糊逻辑技术. 模糊逻辑、神经网络和它们混合技术适用于各种学习方式 智能控制的相关技术与控制方式结合或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点． 所谓模糊控制，就是在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法.模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标.
模糊控制的基本思想是用机器去模拟人对系统的控制.它是受这样事实而启发的：对于用传统控制理论无法进行分析和控制的复杂的和无法建立数学模型的系统，有经验的操作者或专家却能取得比较好的控制效果，这是因为他们拥有日积月累的丰富经验，因此人们希望把这种经验指导下的行为过程总结成一些规则，并根据这些规则设计出控制器.然后运用模糊理论，模糊语言变量和模糊逻辑推理的知识，把这些模糊的语言上升为数值运算，从而能够利用计算机来完成对这些规则的具体实现，达到以机器代替人对某些对象进行自动控制的目的。
模糊逻辑用模糊语言描述系统，既可以描述应用系统的定量模型也可以描述其定性模型. 模糊逻辑可适用于任意复杂的对象控制. 但在实际应用中模糊逻辑实现简单的应用控制比较容易. 简单控制是指单输入单输出系统（SISO) 或多输入单输出系统（MISO) 的控制. 因为随着输入输出变量的增加，模糊逻辑的推理将变得非常复杂。 学习是人类的主要智能之一，人类的各项活动也需要学习.在人类的进化过程中,学习功能起着十分重要的作用.学习控制正是模拟人类自身各种优良的控制调节机制的一种尝试. 所谓学习是一种过程，它通过重复输人信号，并从外部校正该系统，从而使系统对特定输人具有特定响应.学习控制系统是一个能在其运行过程中逐步获得受控过程及环境的非预知信息，积累控制经验，并在一定的评价标准下进行估值，分类，决策和不断改善系统品质的自动控制系统。
（1）遗传算法学习控制
智能控制是通过计算机实现对系统的控制，因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法，它模拟生物界/生存竞争，优胜劣汰，适者生存的机制，利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法，一方面希望在宽广的空间内进行搜索，从而提高求得最优解的概率；另一方面又希望向着解的方向尽快缩小搜索范围，从而提高搜索效率。如何同时提高搜索最优解的概率和效率，是遗传算法的一个主要研究方向。遗传算法作为一种非确定的拟自然随机优化工具，具有并行计算、快速寻找全局最优解等特点，它可以和其他技术混合使用，用于智能控制的参数、结构或环境的最优控制。
（2）迭代学习控制
迭代学习控制模仿人类学习的方法、即通过多次的训练，从经验中学会某种技能，来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成，其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。
‘伍’ 智能控制算法 智能控制算法有哪些
这个太多了，比如专家控制，模糊控制，神经网络控制，进化计算和群体智能等优化计算方法也能跟传统的控制方法结合使用，还有学习控制等等。每个方法里也有很多分类。建议找本书看看吧，书很多的。
