自适应控制、预测控制、模糊控制等与PID同样是控制算法。
粒子群、遗传算法(同样蚁群算法、神经网络，还有机器学习、人工智能的很多方法)是优化方法，本来与控制无关，有时只是用于参数优化，本来是控制器优化
1 .模糊控制模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的智能控制方法，是从行为上模仿人的模糊推理和决策过程的智能控制方法。 该方法首先为将操作人员或专家经验编成模糊规则，然后对来自传感器的实时信号进行模糊，将模糊后的信号作为模糊规则的输入完成模糊推理，并将推理得到的输出量加到执行器中。
现在举一个典型的例子，秃顶悖论
秃子悖论认为：如果一个有X根头发的人被称为秃子，那么，有X + 1根头发的人也是秃子。所以，(X + 1) + 1根头发的还是秃子。以此类推，无论你有几根头发都是秃子。
关于秃子的悖论，据说以一般人平均拥有的5000根头发为界，可以规定以下为秃子，以上为秃子。 这样规定的话，4999根不是秃子吧？ 有5000根头发的她和他，在梳头的时候，掉了一把梳子，很快就变成了“秃子”吗？ 明显太荒谬了！ 到底怎么解决？
数学家们认为，当一个要素完全属于一个集合时，规定隶属度为1，反之为0的某个要素在某种程度上属于集合时，其隶属度为0~1之间的某个值(取这样的值的范围与概率相似)。 那么，对于这个悖论，稀疏生长的500根头发以下的人为完全秃头，对秃顶这个群体的隶属度为1，5000根以上头发茂盛的人为http://www.Sina 501棵时，隶属度为0.998，4999棵时，隶属度为0.002。 也就是说，501~49999根者相对于秃顶集合为“完全不秃头”的状态。 这样，应用模糊数学，很好地解决了秃顶悖论。
2 .人工神经网络人工神经网络的灵感来自于其生物对应物。 大脑的许多功能仍然是个谜，但我们知道生物神经网络允许大脑以复杂的方式处理大量的信息。
神经网络为既属于又不属于，由多个节点(或神经元)之间的相互耦合构成。 每个节点表示一个称为“激励函数”(activation function )的特定输出函数。 每个节点之间的连接代表穿过该连接的信号的权重，称为权重，其对应于人工神经网络的存储。 网络输出因运算模型、网络的连接方式和权重值而异。
神经网络学习，从激励函数最简单的例子来说明，其实是数字猜谜游戏。 必须得到的值是我写的值，数：
答：“5？ ”
b :“猜得很小”
答： ' 7？'
b :“猜得很大”
答：“6？ ”
b :“中了！ ”
人可以反算数据的处理，但计算机不是。 计算机有很强的计算能力，但没有思考能力(因此，有时会胡乱计算奇怪的东西)。 比例，我买了三斤糖果花了21元，一斤糖果多少钱？ 计算机先估计个数，比如先估计一块钱一斤，那么三斤是三块钱，明显比已知的三斤糖果要花21块钱小。 那我加大后猜猜五斤一元。 3斤15元，用已知的3斤糖果和21元也很小。 再把一块钱大了十斤，三斤大了三十元，估计长大了，再把它逐渐变小，最终估计一块钱是七斤。 这个简单的例子是神经网络的学习过程。
再拿复杂一点的问题吧。 毛虫的一种，可能与厚度和长度有比例关系。 取一些样本的数据。 横纵轴分别是长度和厚度。 关键是求斜率值。 这就像之前的数字猜谜游戏一样出现斜率，根据每次的平均次数的误差来调整平均斜率。 为了避免偏移太多，请控制增加或减少的值，首先猜15，以免注意到变小了。 结果，如果你发现下一个猜50，变大了，下一个又猜10，又变小了，这样可能永远得不到正确的值。 控制的叫“根据误差来调整参数”，这个过程就是训练的过程。 学习神经网络请访问神经网络的学习速率
这是相对于简单的层，多层其实也是由简单的层嵌套而成的。 例如，如何区分两种毛虫？ 可以根据数据画出3条线来处理。
根据基本原理得到了很多神经网络模型，请调查一下：
一句话可以看出25个神经网络模型
科普主流神经网络模型及应用场景
3. PID控制PID (比例积分微分)控制是发展最快的控制策略之一，由于算法简单、鲁棒性和可靠性高，被广泛应用于工业过程控制。 特别是
其适用于可建立精确数学模型的确定性控制系统。任何闭环控制系统的首要任务是要稳（稳定）、快（快速）、准（准确）的响应命令。PID调整的主要工作就是如何实现这一任务。P—比例控制系统的响应快速性，快速作用于输出，好比"现在"（现在就起作用，快），I—积分控制系统的准确性，消除过去的累积误差，好比"过去"（清除过去积怨，回到准确轨道），D—微分控制系统的稳定性，具有超前控制作用，好比"未来"（放眼未来，未雨绸缪，稳定才能发展）。当然这个结论也不可一概而论，只是想让初学者更加快速的理解PID的作用。
比例控制可快速、及时、按比例调节偏差，提高控制灵敏度，但有静差，控制精度低。
积分控制能消除偏差，提高控制精度、改善稳态性能，但易引起震荡，造成超调。
微分控制是一种超前控制，能调节系统速度、减小超调量、提高稳定性，但其时间常数过大会引入干扰、系统冲击大，过小则调节周期长、效果不显著。
比例、积分、微分控制相互配合，合理选择PID调节器的参数，即比例系数KP、积分时间常数τi和微分时间常数τD，可迅速、准确、平稳的消除偏差，达到良好的控制效果。
PID控制的缺点：1. 在实际工业生产过程往往具有非线性、时变不确定，难以建立精确的数学模型，常规的PID控制器不能达到理想的控制效果；2. 在实际生产现场中，由于受到参数整定方法烦杂的困扰，常规PID控制器参数往往整定不良、效果欠佳，对运行工况的适应能力很差。
具体的数学原理可参考：PID控制原理
jmdxc接到这样一个任务：有一个水缸漏水，且漏水的速度是不定的，但要求水面高度维持在某个位置，一旦发现水面高度低于要求位置，就要往水缸里加水。开始jmdxc用瓢加水，水龙头离水缸有十几米的距离，经常要跑好几趟才加够水，于是jmdxc又改为用桶加，一加就是一桶，跑的次数少了，加水的速度也快了，但好几次将缸给加溢出了，不小心弄湿了几次鞋，jmdxc又动脑筋，我不用瓢也不用桶，光亮的大炮用盆，几次下来，发现刚刚好，不用跑太多次，也不会让水溢出。这个加水工具的大小就称为比例系数。jmdxc又发现水虽然不会加过量溢出了，有时会高过要求位置比较多，还是有打湿鞋的危险。他又想了个办法，在水缸上装一个漏斗，每次加水不直接倒进水缸，而是倒进漏斗让它慢慢加。这样溢出的问题解决了，但加水的速度又慢了，有时还赶不上漏水的速度。于是他试着变换不同大小口径的漏斗来控制加水的速度，最后终于找到了满意的漏斗。漏斗的时间就称为积分时间。jmdxc终于喘了一口，但任务的要求突然严了，水位控制的及时性要求大大提高，一旦水位过低，必须立即将水加到要求位置，而且不能高出太多，否则不给工钱。jmdxc又为难了！于是他又开努脑筋，终于让它想到一个办法，常放一盆备用水在旁边，一发现水位低了，不经过漏斗就是一盆水下去，这样及时性是保证了，但水位有时会高多了。他又在要求水面位置上面一点将水凿一孔，再接一根管子到下面的备用桶里这样多出的水会从上面的孔里漏出来。这个水漏出的快慢就称为微分时间。故事中jmdxc的试验是一步步独立做，但实际加水工具、漏斗口径、溢水孔的大小同时都会影响加水的速度，水位超调量的大小，做了后面的实验后，往往还要修改改前面实验的结果。当被控对象的结构和参数不能完全掌握，或得不到精确的数学模型时，控制理论的其它技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PID控制技术最为方便。即当我们不完全了解一个系统和被控对象﹐或不能通过有效的测量手段来获得系统参数时，最适合用PID控制技术。PID控制，实际中也有PI和PD控制。PID控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。 4. 鲁棒控制和自适应控制鲁棒控制是以目的定义的控制方法集合；自适应控制是以手段定义的控制方法集合。
这两种控制都是为了应对 “当数学模型不能精确表示实际系统的情况下，传统基于模型的控制该如何做？” 这个大问题的。
狭义的鲁棒控制是指H2，Hinf，LMI等控制，主要思想是使控制器对模型不确定性(外界扰动，参数扰动)灵敏度最小来保持系统的原有性能。
广义的鲁棒控制则是指所有用确定的控制器来应对包含不确定性的系统的控制算法，所以研究滑模控制，自适应控制，包含学习、辨识等算法的智能控制也可以算作鲁棒控制。
而自适应控制则是指通过在线调整控制器参数来应对系统不确定性的控制算法。这是一种很好的应对不确定性的手段，所以现在很多控制器研究中都经常利用到自适应的思想，而这些控制器往往会因此而具有较强的鲁棒性。