1.    
PID控制

PID控制即比例、积分、微分控制。自19世纪40年代以来，由于其结构简单、容易实现、控制效果好、鲁棒性强等特点，因而，在工业过程控制中至今仍得到广泛应用(有资料表明在90%以上)。温控系统将热电阻实时采集的温度值与设定值比较，将差值作为PID功能块的输入。PID算法计算出合适的输出控制参数，利用修改控制变量误差的方法实现闭环控制，使控制过程连续，其缺点是现场PID参数整定麻烦，被控对象模型参数难以确定外界干扰会使控制漂离最佳状态。

2.    
模糊控制

模糊控制是基于模糊逻辑的描述一个过程的控制算法，主要嵌入操作人员的经验和直觉知识。它适用于控制不易取得精确数学模型和数学模型不确定或经常变化的对象。

PID控制简单、方便，但难以解决非线性和参数的变化，模糊控制不需要装置的确模型，仅依赖于操作人员的经验直观判断，非常容易应用。对温度误差采样的精确量模糊化，经过数学处理输入计算机中，计算机根据模糊规则推理做出模糊决策，求出的控制量，变成精确量去驱动执行机构，调整输入达到调节温度，使之稳定的目的。

3.    
遗传算法控制

遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的全局优化搜索算法。通过正确的编码机制和适应度函数的选择来操作称为染色体的二进制串1或0。引入了如繁殖交叉和变异等方法在所求解的问题空间上进行全局的并行的随机的搜索优化，朝全局最优方向收敛。

基于遗传算法温控系统的设计就是传感器得到的温度信号放大，数字化送入计算机，将其与给定温度进行比较，用遗传算法来优化3个PID参数，然后将控制量输出。具体实现将3个Pm参数串接在一起构成一个完整的染色体。从而构成遗传空间中的个体，通过繁殖交叉和变异遗传操作生成新一代群体，经过多次搜索获得最大适应度值的个体即所求。采用遗传算法对PID参数进行优化控制，具有很高的稳定性，温控精度高。

4.    
神经网络控制

温度控制系统由于负载的变化以及外界干扰因素复杂，而PID控制只能对电参数的影响做精确的计算，对于外界环境的变化只能做近似的估算，影响控制精度。人工神经网络以其高度的非线映射、自组织、自学习和联想记忆等功能，可对复杂的非线性系统建模。但收敛速度比较慢，训练和学习时间也很长，在对工件进行热处理的过程中，很难达到快速升温的要求。

因此，在温控系统中，通常采用神经网络与PID相结合的方法，将温度的影响因素如天气、气温、外加电压、被加热物体性质以及被加热物体温度等作为网络的输入，将其输出作为Pro控制器的参数，达到自整定PID控制器参数的目的。与传统PID相比较，具有响应速度快，抗干扰能力强，超调量小等特点。