蜣螂算法优化PID参数：Simulink联合仿真整定实战

上个月有个做电加热设备的朋友找我诉苦，说厂里那台热处理炉的PID参数一直是老师傅靠手感摸出来的，一批料换一种工况就得重新试，试一次大半天。我听完就乐了：这都什么年代了，参数整定完全可以交给算法自己去搜。我给他搭了一套蜣螂算法（DBO）优化PID参数的仿真环境，m代码驱动Simulink自动跑，把Kp、Ki、Kd三个值当成优化变量，几分钟就能出一组看着还不错的参数。这篇文章把整套思路和可运行的代码分享出来，适合正在做控制仿真、又对参数整定头疼的朋友。

先说清楚一件事：这不是什么高深的前沿课题，而是把一类已经被验证过的智能优化算法，套到控制工程最经典的参数整定问题上。思路本身不复杂，真正麻烦的是m代码和Simulink之间的数据交互、多次仿真的稳定性、以及适应度函数怎么设计才合理。这些恰恰是论文里不会细写、但实际动手一定会遇到的东西。

1. PID参数为什么难整定：试凑、Z-N法与智能搜索的对比

1.1 三个参数互相牵扯，人工试凑的效率太低

PID控制器之所以能统治工业控制这么多年，是因为它足够简单：比例项管响应速度，积分项管稳态误差，微分项管超调抑制。问题是这三个参数不是独立工作的。你把Kp调大，响应快了，但超调跟着上来；为了压超调加Kd，结果系统对噪声敏感了；为了消稳态误差加Ki，又把之前的稳定性节奏全打乱。这种强耦合关系让"试凑法"变成一门手艺活，老师傅能调好，是因为他脑子里积累了大量的"调参手感"，而这种手感很难复制。

尤其遇到大纯滞后、强非线性、或者工况经常变化的对象，人工试凑基本就是在碰运气。比如我朋友那台热处理炉，加热惯性大，温度反馈滞后明显，用试凑法一个参数组合下去，等温度曲线跑完要等十几分钟，试几组就一上午过去了。

1.2 Z-N法虽然快，但在非理想对象上表现偏保守

很多人说"整定用Ziegler-Nichols不就行了"，这话对一半。Z-N法分为反应曲线法和临界比例度法，本质是通过对象的阶跃响应或临界振荡数据，用经验公式直接算出三组参数。好处是快，几分钟能出结果；坏处是它针对的是"理想线性小滞后"对象，一旦对象带纯延迟、非线性、执行机构饱和，Z-N法给出的参数往往超调很大，甚至系统根本稳不住。

以我后面测试用的对象为例，一阶惯性加1.5秒纯延迟，用Z-N反应曲线法算出来的参数做阶跃响应，超调能到20%以上。这种参数丢到现场，设备来回震荡，谁看了都头大。

1.3 智能算法整定的本质：把调参问题翻译成优化问题

智能算法整定的思路和前面完全不一样。它不跟你讲"先调P再调I最后调D"的手感，而是把PID参数直接定义成优化变量，把控制效果定义成目标函数，然后让算法在这个三维空间里自动搜索。你只需要告诉它三个约束：参数范围、仿真时长、性能指标怎么算。剩下的事就是让算法反复调用仿真模型，不断试新的参数组合，最后返回一组让目标函数最小的Kp、Ki、Kd。

这个过程的价值在于：不需要人工干预，能处理非线性、大延迟、带饱和的对象，而且每次工况变化后只要重新跑一遍优化就行。缺点也很明显——计算量大，因为每一组参数都要跑一次完整仿真。但配合Simulink加速模式，几分钟完成几十轮迭代是完全可以接受的。

选型上为什么用DBO而不是更常见的GA或者PSO？两个原因。第一，GA涉及到编码解码和一堆超参数（交叉率、变异率、选择策略），你用它对PID参数这种连续实值问题反而绕远路；PSO在低维问题上容易早熟，飞着飞着就堆到局部最优出不来。第二，DBO是2022年提出的新算法，它的四种行为机制天然把"全局探索"和"局部开发"分开设计，滚球负责跑远找新区域，产卵和偷窃负责在好解周边精细搜索，这种分工在PID参数这种多峰、非线性的目标函数上比较稳，而且实现起来并不比PSO复杂。

2. 蜣螂算法在模仿什么：四种行为与数学表达

2.1 滚球与跳舞：全局探索的两种随机策略

蜣螂，俗称屎壳郎，有个很有意思的行为：它会把粪球滚成球体，然后推着走，并且依靠月光或者偏振光导航，尽量让粪球沿直线滚动。如果遇到障碍物，它没法直线前进，就会爬到粪球上"跳舞"——也就是绕着一个轴转圈，重新确定方向。

算法把这套行为抽象成了两个更新公式。

正常滚球时，个体位置更新为：

x_i(t+1) = x_i(t) + alpha * k * x_i(t-1) + b * |x_i(t) - X_w|

其中t是当前迭代次数，alpha是方向系数，随机取1或-1，表示蜣螂偏离原来方向的角度；k是偏转系数，用来控制历史位置对当前位置的影响；b是常数；X_w是当前种群里的全局最差位置。公式里的|x_i(t) - X_w|可以理解为"光照强度的变化量"，蜣螂倾向于远离光源弱（也就是适应度差）的区域，这样种群整体会朝着更好的方向推进。

遇到障碍时，跳舞更新为：

x_i(t+1) = x_i(t) + tan(theta) * |x_i(t) - x_i(t-1)|

其中theta是[0, pi]范围内的随机角度。注意当theta等于0、pi/2或者pi时，tan(theta)分别为0、无穷大、0，这时候位置不更新，模拟蜣螂跳舞后没有找到新方向的随机性。这个机制的作用是给种群注入随机扰动，避免所有个体都往同一个方向集中，从而减少陷入局部最优的概率。

2.2 产卵、觅食、偷窃：局部开发的三重保障

比滚球更妙的是后面三种行为。雌蜣螂会把卵产在粪球里，然后埋在土壤中一个安全区域。算法把这个区域建模成动态收缩的边界：

Lb* = max(X* * (1 - R), Lb) Ub* = min(X* * (1 + R), Ub) R = 1 - t / T_max

X*是当前局部最优个体，Lb和Ub是问题的变量上下界。R随迭代次数从1线性降到0，意味着产卵区域一开始很大，后期逐渐收缩到局部最优附近。产卵更新为：

x_i(t+1) = X* + b1 * (x_i(t) - Lb*) + b2 * (x_i(t) - Ub*)

b1、b2是两个随机向量。这个公式保证新个体在局部最优周边产生，实现精细搜索。

觅食行为描述的是小蜣螂从巢穴出来找食物的过程，它也有一个动态收缩的最佳觅食区域，边界定义和产卵类似，只是中心换成了全局最优X^b：

Lbb = max(Xb * (1 - R), Lb) Ubb = min(Xb * (1 + R), Ub) x_i(t+1) = x_i(t) + C1 * (x_i(t) - Lbb) + C2 * (x_i(t) - Ubb)

注意这里C1服从柯西分布，C2服从标准正态分布，目的是让搜索步伐既有随机跳跃又有局部微调。

偷窃行为则模拟某些蜣螂不自己推粪球，而是直接去偷别的蜣螂的粪球。这类个体围绕全局最优Xb和局部最优X*做随机游走：

x_i(t+1) = Xb + S * g * (|x_i(t) - X*| + |x_i(t) - Xb|)

S是常数，g是标准正态分布随机向量。偷窃个体的优势是它始终记住全局最优在哪里，同时利用当前个体与两个最优的差异来产生新位置，搜索步长能自适应变化。

2.3 角色分配与迭代边界：实现时最容易糊涂的地方

实际编码的时候，一个绕不开的问题是：种群里的个体怎么分配行为角色？我查阅了多份公开的复现代码，发现不同实现差别还挺大。有的按20%/40%/30%/10%分，有的干脆四等分。我自己测试下来，一套比较稳的划分方式是：

这个比例不是定死的。如果发现算法收敛太慢，可以增加滚球比例；如果发现陷入局部最优，就增加偷窃和觅食的比例。重要的是理解每种角色在干什么，而不是死记一个数字。

每次迭代都要做一步：把种群按适应度从小到大排序，排在前面的个体作为产卵和觅食角色（它们本身质量较高，负责开发），排在后面的作为滚球和偷窃角色（它们需要更多探索）。这就是为什么代码里要先排序再更新，顺序不能乱。

3. 联合仿真的数据链路：m代码指挥Simulink跑仿真

3.1 为什么选"工作区变量传参数"而不是其他方式

DBO优化PID最核心的工程问题是：算法在m脚本里跑，Simulink模型怎么快速拿到当前的Kp、Ki、Kd，并把仿真结果返回给m脚本计算适应度？

常用的方式有三种。第一种是把PID参数直接写成工作区变量，Simulink模型引用变量名，m脚本用assignin把新参数塞进base工作区，再调用sim()仿真。第二种是用set_param去改PID模块里P、I、D三个参数的值。第三种是把优化算法整个放进Simulink的MATLAB Function模块里，在模型内部完成循环。

我强烈建议用第一种。set_param的方式每次改参数都要触发模型编译，几百次迭代跑下来速度感人；MATLAB Function的方式调试不方便，中间变量看不到，而且一旦算法里出个数组维度错误，排查起来很痛苦。工作区变量方式最大的优势是：PID模块里填的表达式（比如Kp）在每次仿真开始前自动从base工作区取值，m脚本只需要在sim()之前写一行assignin('base','Kp',newKp)，干净利落。

这里有个容易踩的坑：如果你把DBO主程序写成函数，函数内部定义的局部变量Kp不会自动传给Simulink，Simulink只认base工作区。所以必须显式assignin到base，否则sim()会报"未定义变量Kp"。我在第六章会详细展开。

3.2 Simulink模型的搭建细节

模型结构不复杂，下面这条链就是全部：

Step -> Sum(+-) -> PID Controller -> Saturation -> Transfer Fcn(5/(2s+1)) -> Transport Delay(1.5s) -> To Workspace(Scope) ^ | |___________________________ 负反馈 _______________________________________|

模块选型上注意几点。PID Controller模块的P、I、D参数直接填Kp、Ki、Kd，不要加引号，不要内联数值，Simulink会在仿真启动时从base工作区解析这三个名字。Saturation限幅模块模拟执行机构的物理限制，我习惯把上下限设成[-3, 3]，这样优化出来的参数更贴近工程实际，不会出现控制器输出无限大的理想情况。被控对象用Transfer Fcn加Transport Delay组合，比用LTI System模块更直观。

为了把数据导回工作区，在对象输出端接一个To Workspace模块，变量名设成yout，Save format选Array；再单独用一个To Workspace记录时间tout，或者在模型配置参数里勾选输出时间。我偏好前者，因为显式、可控。

模型搭好后一定要用Ctrl+D编译一次，确认没有错误，再把模型文件保存为dbopid_sim.slx。主程序里通过load_system('dbopid_sim')预加载模型，这样可以避免每次sim()调用都重新解析模型文件，能省下大量时间。

3.3 适应度函数设计：ITAE加超调惩罚

适应度函数是整定效果的决定性因素。我用的是经典ITAE指标，也就是时间加权绝对误差积分：

ITAE = integral( t * |e(t)| , dt )

其中e(t)是设定值与被控输出的偏差。ITAE相比IAE和ISE的好处是：它对稳态阶段的小误差更敏感，能有效抑制长时间的低频振荡，整定出来的系统超调小、阻尼特性好，这是控制领域几十年实践下来的共识。

但只优化ITAE还不够，在带纯延迟的对象上，可能收敛出的参数让系统超调10%以上，而ITAE值依然不高。所以我在适应度里加了一项超调惩罚：

J = ITAE * (1 + 1.5 * Overshoot/100)

超调量Overshoot越大，惩罚越重。这个1.5的系数可以根据你的工程偏好调整，如果系统绝对不允许超调，就把系数加大到3甚至5；如果允许10%以内超调换更快响应，就调小一点。

另外还要处理一种特殊情况：DBO随机生成的参数组合可能让系统发散，仿真输出变成NaN或者Inf。这种个体不能直接参与排序，否则会污染整个种群的比较。我会在适应度函数里显式判断，一旦发现yout里有NaN或者Inf，直接返回一个很大的数，比如1e10。

4. 可运行的DBO-PID整套m代码

4.1 主程序框架与初始化

下面这套代码我按MATLAB R2023a的语法写的，大部分版本都能兼容。先用rng固定随机种子，保证每次跑出来的结果可复现，方便对比调参效果。

%% DBO优化PID参数主程序 clear; clc; close all; rng(20240401); % 固定随机种子，方便复现 % 加载Simulink模型 model = 'dbopid_sim'; load_system(model); % 参数搜索范围（根据对象特性设定） lb = [0, 0, 0]; % Kp, Ki, Kd下限 ub = [3, 1.5, 2]; % Kp, Ki, Kd上限 % DBO参数 N = 30; % 种群规模 T = 50; % 迭代次数 dim = 3; % 优化变量维度 % 角色数量划分：产卵20%、觅食20%、偷窃30%、滚球30% N_brood = floor(0.2 * N); N_forage = floor(0.2 * N); N_steal = floor(0.3 * N); N_roll = N - N_brood - N_forage - N_steal; % 种群初始化 X = repmat(lb, N, 1) + rand(N, dim) .* repmat(ub - lb, N, 1); fitness = zeros(N, 1); % 先给base工作区赋默认PID参数，防止sim()首次调用报错 assignin('base', 'Kp', 1); assignin('base', 'Ki', 0.1); assignin('base', 'Kd', 0.1); % 初始适应度评估 for i = 1:N fitness(i) = dbopid_fitness(X(i, :), model); end % 按适应度排序，适应度小的排前面 [fitness, order] = sort(fitness); X = X(order, :); % 记录全局最优与局部最优 Xbest = X(1, :); fbest = fitness(1); Xlocal = X(1, :); Xworst = X(end, :); convergence = zeros(T, 1); % 保存每轮最优适应度，用于画收敛曲线

4.2 四种行为更新代码

主循环里每次迭代分两步：先按角色更新位置，再重新评估和排序。我这里把四种行为都完整写了，滚球行为需要用到上一代的位置prevX，所以在每次迭代开始时保存一份。

%% DBO主循环 for t = 1:T R = 1 - t / T; % 动态收缩系数，随迭代从1降到0 prevX = X; % 保存上一代位置，供滚球/跳舞公式使用 for i = 1:N if i <= N_brood % ----- 产卵行为：在局部最优Xlocal附近动态收缩区域内生成新个体 ----- LbStar = max(Xlocal .* (1 - R), lb); UbStar = min(Xlocal .* (1 + R), ub); b1 = rand(1, dim); b2 = rand(1, dim); X(i, :) = Xlocal + b1 .* (X(i, :) - LbStar) + b2 .* (X(i, :) - UbStar); elseif i <= N_brood + N_forage % ----- 觅食行为：围绕全局最优Xbest收缩搜索 ----- Lbb = max(Xbest .* (1 - R), lb); Ubb = min(Xbest .* (1 + R), ub); C1 = tan(pi * (rand(1, dim) - 0.5)); % 柯西分布抽样 C2 = randn(1, dim); % 标准正态分布 X(i, :) = X(i, :) + C1 .* (X(i, :) - Lbb) + C2 .* (X(i, :) - Ubb); elseif i <= N_brood + N_forage + N_steal % ----- 偷窃行为：围绕全局最优与局部最优的差做随机游走 ----- S = 2; % 偷窃步长常数 g = randn(1, dim); X(i, :) = Xbest + S * g .* (abs(X(i, :) - Xbest) + abs(X(i, :) - Xlocal)); else % ----- 滚球+跳舞行为 ----- if rand < 0.9 % 正常滚球：按概率取方向系数alpha为1或-1 if rand < 0.5 alpha = 1; else alpha = -1; end k_coef = 0.1; % 偏转系数 b_coef = 0.3; % 光照强度影响系数 deltaX = abs(X(i, :) - Xworst); X(i, :) = X(i, :) + alpha * k_coef * prevX(i, :) + b_coef * deltaX; else % 跳舞：随机角度重新定向，theta为0或pi/2或pi时不更新 theta = rand * pi; if abs(theta) < 1e-10 || abs(theta - pi/2) < 1e-10 || abs(theta - pi) < 1e-10 X(i, :) = X(i, :); else X(i, :) = X(i, :) + tan(theta) .* abs(X(i, :) - prevX(i, :)); end end end % 边界钳制，确保参数不超出搜索范围 X(i, :) = max(X(i, :), lb); X(i, :) = min(X(i, :), ub); end % 重新评估所有个体 for i = 1:N fitness(i) = dbopid_fitness(X(i, :), model); end % 排序，更新全局最优与局部最优 [fitness, order] = sort(fitness); X = X(order, :); if fitness(1) < fbest fbest = fitness(1); Xbest = X(1, :); end Xlocal = X(1, :); Xworst = X(end, :); convergence(t) = fbest; fprintf('iter %d/%d, fbest = %.4f, [Kp Ki Kd] = [%.3f %.3f %.3f]\n', ... t, T, fbest, Xbest(1), Xbest(2), Xbest(3)); end % 输出最终结果 fprintf('\nDBO优化完成\n'); fprintf('最优参数: Kp = %.4f, Ki = %.4f, Kd = %.4f\n', Xbest(1), Xbest(2), Xbest(3)); fprintf('最优适应度: %.4f\n', fbest);

4.3 仿真评估函数

适应度函数单独放到一个dbopid_fitness.m文件里，主程序用循环调用它。

function f = dbopid_fitness(x, model) % 将当前PID参数写入base工作区，供Simulink模型引用 assignin('base', 'Kp', x(1)); assignin('base', 'Ki', x(2)); assignin('base', 'Kd', x(3)); % 运行仿真，固定仿真时长 try simOut = sim(model, 'StopTime', '20', 'ReturnWorkspaceOutputs', 'on'); catch f = 1e10; % 仿真报错直接给最大值 return; end % 从仿真输出中提取时间和被控量 tout = simOut.get('tout'); yout = simOut.get('yout'); t = tout(:); y = yout(:); % 防发散处理 if any(isnan(y)) || any(isinf(y)) f = 1e10; return; end % 计算ITAE e = 1 - y; % 单位阶跃设定 ITAE = trapz(t, t .* abs(e)); % 计算超调量 OS = (max(y) - 1) / 1 * 100; if OS < 0 OS = 0; end % 适应度 = ITAE * (1 + 1.5 * 超调百分比) f = ITAE * (1 + 1.5 * OS / 100); end

这里有个细节：simOut.get('yout')返回的是模型里To Workspace模块导出的数据。如果你的To Workspace模块Save format设置了Timeseries而不是Array，那读取方式要改成simOut.yout.getElement('yout').Values.Data。建议在模型里统一把Save format设成Array，代码最省事。

5. 实测对比：一个纯延迟被控对象上的整定结果

5.1 测试对象与仿真条件

为了验证这套东西的效果，我用一个典型的过程控制对象做测试：一阶惯性加纯延迟，传递函数为G(s) = 5 / (2s + 1) * e^(-1.5s)。这个对象模拟的是带传输延迟的加热腔，变量之间有明显的滞后，对PID参数很敏感，适合用来对比整定效果。

仿真条件设置如下：仿真时长20秒，单位阶跃给定，执行器饱和限幅[-3, 3]，求解器用变步长ode45，最大步长限制0.05秒。DBO种群规模30，迭代次数50，搜索范围Kp∈[0,3]，Ki∈[0,1.5]，Kd∈[0,2]。

为了对比，我同时跑了Z-N整定法和标准PSO算法。Z-N法直接按反应曲线计算，PSO的种群和迭代次数与DBO保持一致。

5.2 DBO、PSO与Z-N法的阶跃响应对比

在我机器上的典型结果如下表：

DBO优化出来的参数把超调压到了2%以内，调节时间也只有Z-N法的一半左右。这个结果说明两点：一是这套联合仿真链路确实能跑通，二是DBO在低维连续优化问题上表现不差，至少在这个被测对象上明显优于Z-N和PSO。

收敛曲线方面，DBO大致在10代左右就有明显的适应度下降，到20代之后基本趋于平稳；而PSO到20代还在缓慢下降，最终收敛值比DBO高出一截。不过我不建议把这个结果过度泛化，换个被控对象、换个边界范围，相对优劣可能会有变化。但至少对这类带纯延迟的过程对象，DBO的表现是有竞争力的。

5.3 参数配置的几条经验

从多次测试来看，有三条经验比较值得分享。

第一，搜索边界不要拍脑袋定。先用Z-N法粗算一组参数，然后以这组参数为中心，向上下各扩展2到3倍作为搜索范围，这样算法一开始就在合理的区域内探索，收敛快而且不容易跑偏。比如Z-N算出Kp=0.32，我就把Kp上限定到3，留了接近10倍的余地，既不放过可能的好解，也不会因为界太宽导致算法前期疯狂试探无效区域。

第二，种群规模和迭代次数不是越大越好。我试过N=50、T=100，结果比N=30、T=50好不到哪里去，但耗时翻了三倍；也试过N=10、T=20，结果不太稳定，有时会收敛到明显较差的局部最优。对于三维参数问题，N=20到30、T=40到60是一个性价比很高的区间。

第三，固定随机种子极其重要。DBO本身有随机性，如果不固定种子，每次跑出来的最优参数会有差别，你很难判断某个参数改动到底是算法改进了还是随机波动导致的。固定种子之后，每次跑的结果完全一致，调试和参数对比都方便得多。

6. 联合仿真翻车记录：我把最常见的坑一次说清

6.1 sim()总是报"参数未定义"：工作区变量的时机问题

第一次尝试联合仿真的人，几乎都会遇到这个报错：调用sim()时提示模型里的Kp未定义。原因前面提过——sim()在base工作区解析模型变量，而你如果把DBO主程序写成了函数，你在函数里定义的局部变量Kp，Simulink根本看不到。

解决办法分两步。第一步，在主程序初始化时，先手动assignin一次默认值，确保模型第一次仿真前工作区里有Kp、Ki、Kd这三个变量。第二步，在每次个体评估之前，用assignin更新这三个变量。注意是在sim()之前更新，不是在sim()之后。我见过有人把顺序写反，结果模型永远用的是上一代参数，适应度全算错了，收敛曲线乱成一团。

另外还要注意变量名冲突。如果你的base工作区已经有一个叫K的变量，或者另一个脚本里残留了Ki的历史值，有可能导致模型引用了错误变量。建议在每次优化的最开头加一行evalin('base', 'clear Kp Ki Kd')，清掉历史残留。

6.2 适应度函数里的发散处理：没有兜底的算法迟早翻车

DBO在搜索过程中会随机生成一些极端参数，比如Kp特别大、Kd特别小，这时候闭环系统可能直接发散。仿真输出yout里出现NaN或者Inf，如果不管，直接拿去算trapz，轻则适应度算成NaN导致排序全乱，重则整个循环崩溃。

所以适应度函数里一定要做两件事。第一，检测yout中是否有NaN/Inf，有就直接返回1e10，把这个个体判死刑。第二，用try-catch把sim()包起来，因为有些参数组合可能让求解器直接报错，不捕获的话整个优化过程会中断。这两个兜底逻辑是联合仿真稳定运行的前提，我一开始没加，跑了几次之后程序动不动就中断，血泪教训。

还有个容易被忽略的点：发散个体返回的1e10虽然保证了排序不会错，但如果所有个体都发散了，那种群就全报废了。出现这种情况，优先检查lb/ub是不是设得太大，或者被控对象模型本身就有问题。

6.3 反复仿真越跑越慢：求解器与模型配置建议

DBO要跑N×T次仿真，N=30、T=50就是1500次。如果你发现程序越跑越慢，大概率不是算法问题，而是仿真配置问题。

最影响速度的几件事：第一，模型里挂了Scope或者仪表模块，每次仿真都要刷新波形，窗口一多直接卡成幻灯片。优化的模型里一律不要放Scope，或者放完先删掉，用To Workspace把数据导出来再统一画图。第二，变步长求解器在某些参数下步长被压得很小，求解时间暴涨。可以试试把最大步长限制设成0.05或0.1，或者干脆用固定步长离散求解器。第三，每次sim()调用都在反复编译模型，用load_system预加载模型可以减少这部分开销。

如果模型复杂度上来了，建议把模型切成加速模式：在Simulink界面把仿真模式从Normal改成Accelerator，或者在m代码里用set_param(model, 'SimulationMode', 'accelerator')。加速模式下第一次仿真会编译，后面每次仿真都复用编译产物，1500次仿真跑下来能快好几倍。

6.4 把优化结果落回工程现场的最后一公里

DBO给出一组最优参数，不代表可以直接扔到设备上用。仿真模型和真实对象之间永远有偏差，主要是未建模动态、噪声特性、执行机构磨损这些因素。我的习惯是把DBO的搜索结果当成高质量初值，再在真实设备上做一次局部的梯度式细调，比如用单纯的爬山法或者Nelder-Mead，只在小范围微调Kp、Ki、Kd，很快就能收敛到现场工况下的最优。

这种"先用智能算法粗搜，再用传统方法精调"的组合方案，比纯靠人在现场试要稳得多。DBO负责在全局范围内找到一片好的参数区域，局部精调负责克服模型失配带来的偏差。两段式流程下来，一组实际可用的PID参数通常半小时内就能搞定，而不是像以前那样调一整天。

另外，整定结束后记得把优化过程画出来看一遍。把convergence数组画成曲线，如果你发现适应度在最后十几代还在明显下降，说明迭代次数不够，下次加大T；如果前几代就快速收敛然后一路平坦，说明问题维度低、算法余量充足，可以大胆减小N，节省下次运行时间。这些针对性的调整，比自己瞎猜参数靠谱得多。

就拿我朋友那台热处理炉来说，这套流程跑完，出来的参数放到真实设备上只做了两次微调就交付了。他在厂里感慨说，原来调参这活儿也能"工业化"。我倒觉得这事儿本来就不难，只是大多数人被"手动试凑"这四个字给框住了。换个思路，把参数整定交给算法去搜，剩下的事就简单了。