1.一种基于鱼鳞进化GSOM改进的模糊PID控制方法，其特征在于包括以下步骤：S1、建立鱼鳞调节系统，并在其中引入差分进化算法，通过鱼鳞调节系统对模糊PID控制系统进行优化升级，步骤包括：S11、利用差分进化算法，计算种群中每个个体的适应度，对鱼鳞调节系统进行种群的初始化；

S12、计算场景参数差异，评估鱼鳞调节系统当前的工作状态，以决定种群是否聚集或分散，从而调节模糊PID控制系统的控制效果；

S13、建立鱼鳞调节控制特征定理，并基于鱼鳞调节控制特征定理更新种群状态；

S2、在鱼鳞调节系统中引入GSOM模块，GSOM模块为自组织神经网络结构，动态更新模糊PID控制系统中的权重；

S3、设置模糊PID控制系统中的模糊规则库，动态优化模糊PID控制系统中的模糊规则库和参数调节机制，完成对模糊PID控制系统的改进；

所述的S11中，种群的初始化的步骤为：S111、定义模糊PID控制系统的参数空间，参数空间包括比例系数KS112、设置初始化个体，借助个体集合F进行表示，S113、对于F中的每个个体，分别生成自身所对应的KS114、对于每个个体，利用差分进化算法计算其适应度，适应度的计算指标为：式中，Fit为种群的总适应度函数；m为个体总数；outS115、每个个体的适应度为该个体在模糊PID控制场景下的实际输出与目标输出之间的差值绝对值，对于第k个个体，即为S116、将适应度计算后的个体组成初始种群，种群中的每个个体代表一个PID控制策略，用个体参数向量表示为所述的S12中，调节模糊PID控制系统的控制效果的步骤为：S121、实际场景参数用Φ表示，并将Φ的参考数值表示为向量形式，定义参考场景参数为ΦS122、计算Φ

S123、通过场景参数调节模糊PID控制系统的输出，模糊PID控制系统的输出表示为：式中，u(t)为模糊PID控制系统在t时刻的输出；e(t_k)表示第k个个体当前时刻的偏差，即期望值与实际值之间的误差，e(t_k)对应适应度函数，即通过式（2），实现通过场景差异和每个个体的适应度函数来微调模糊PID控制系统的控制效果；

所述的S13中，建立鱼鳞调节控制特征定理并更新种群状态的方法为：定义模糊PID控制系统的重要当前参数Γ当

当

当

其中，σ

式中，σ

当Γ

所述的S2中，在鱼鳞调节系统中引入GSOM模块并动态更新模糊PID控制系统中的权重的方法为：S21、自组织神经网络结构中，每个神经元视为网络的根节点，神经元之间的连接权重视为树枝的强度，神经元之间的连接权重表示为：式中，W为总权重；神经元等效为鱼鳞调节系统中的个体，即神经元等效为S22、对于f

设定模糊PID控制系统中的输入变量有N个，分别表示为Input={inputGSOM模块动态更新模糊PID控制系统中的权重，表示为：式中，

式（6）中，学习率η(t)控制权重更新的步长，使该步长在训练过程中逐渐减小，确保式（6）的稳定性；差值权重所述的S3中，动态优化模糊PID控制系统中的模糊规则库的步骤为：S31、设置模糊PID控制系统中的模糊规则库，模糊规则库初始化为S32、对模糊PID控制系统中的隶属度函数进行参数化处理，并通过鱼鳞调节控制特征定理来更新此参数，参数化处理后的隶属度函数表示为当满足

不满足则更新规则变为：

式中，

S33、利用差分进化算法改进模糊规则库，已知个体参数向量式中，R

K

S34、模糊规则库中的交叉变异操作表示为：式中，K

K

所述的S3中，动态优化模糊PID控制系统中的参数调节机制的步骤为：S35、定义模糊PID控制系统的多目标函数为：式中，

S36、根据GSOM模块迭代更新参数Φ定义条件1为：

条件2为：

式中，Xn

当更新迭代的参数分别满足条件1或条件2时，采取的参数调节机制为：式中，V

更新迭代的参数选择适应度更高的个体作为下一代鱼鳞调节系统的种群，从而完成对模糊PID控制系统的改进。