企业官网建设流程全解析

简介：一份面向自动化控制、电气工程以及智能算法学习者的MATLAB实现资源，聚焦粒子群算法（PSO）整定PID控制器参数的问题。针对采用试凑法与经验公式难以兼顾响应速度、超调量及稳定性的痛点，资源将PSO全局搜索能力与PID参数优化相结合，给出了从性能指标定义到仿真验证的完整链路。压缩包共三个文件，包含两个M函数脚本与一个Simulink仿真模型：一个脚本实现粒子群迭代寻优流程，另一个脚本负责计算IAE（积分绝对误差）目标函数，Simulink模型则搭好被控对象与控制器闭环结构，整体大小仅为26KB，轻量易部署，适合二次修改。目前已有2526人学习下载，适合正在学习智能控制算法、希望将PSO落地到Simulink环境中的读者。学习后可获得整套可直接运行的PSO-PID整定程序，通过替换Simulink中的被控对象模块，即可扩展至水位控制、负荷频率控制（LFC）等更多工业场景，对理解参数自整定原理和工程应用均有实际帮助。

1. 为什么是PSO来整定PID：从手调玄学到离线自动寻参

调PID参数这件事，做到后面基本靠玄学：先试一组Kp，看到曲线振荡就调小，超调大了加点Kd，稳态压不下去再补Ki，遇到带纯滞后、参数随工况漂移的对象，一组参数调一下午很正常。基于粒子群算法（PSO）整定PID参数，本质上是把“调参”这个经验活转成“优化”这个计算活：粒子位置就是一组(Kp, Ki, Kd)，速度和迭代负责在搜索空间里找适应度更好的解。它解决的痛点很直接——你有被控对象的仿真模型、或者能离线复现对象特性时，PSO可以在几十代内找出一组可落地的PID参数，替代大部分人工试凑。适合写PLC程序、做运动控制、搭仿真模型、又不想每次换工况都重调一遍的工程师。

2. 把PID整定翻译成粒子群搜索：状态向量、搜索空间与适应度函数

2.1 把PID整定翻译成粒子群搜索：位置向量与边界约束

粒子群算法原理并不复杂，核心是“每个粒子代表一个候选解”。用在PID整定上，粒子的位置就是三维向量(Kp, Ki, Kd)，粒子的速度是当前这一轮迭代里三个参数各自的变化方向。每个粒子维护自己的历史最优pbest，整个种群共享一个全局最优gbest。每一轮迭代里，粒子速度同时被三个力牵引：上一轮速度（惯性）、朝自己历史最优飞（个体认知）、朝全局最优飞（社会共享），然后位置更新一次。

速度更新公式写成常见形式是：

v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x) x = x + v

其中w是惯性权重，c1是个体学习因子，c2是社会学习因子，r1和r2是[0,1]均匀分布的随机数。如果你之前用过遗传算法，可以把这里的“粒子位置 + pbest + gbest”理解成“染色体 + 个体历史 + 群体记忆”，不需要交叉变异，更新规则更简单。

落到PID整定上，第一步不是写代码，而是确定搜索空间。搜索空间就是Kp、Ki、Kd三个参数的上下界[lb, ub]。这个下界和上界不该拍脑袋，最好来自对象的物理语义：Kp过大会让系统增益过高、趋于不稳定，Kp过小又响应太慢；Ki过大会积分饱和、超调变大；Kd过大会放大测量噪声，现场执行器会抖。常见做法是把上界定在使系统临界振荡的参数附近，或者比你手调经验上限再放宽 30%~50%。注意一点：边界太窄会让最优解贴在边界上，看起来收敛了，实际只是“被边界截断的解”，不是真正合适的那组参数。

维度标度是个很容易被忽略的坑。Kp可能是几十的量级，Kd可能只有零点几，如果直接用绝对坐标搜索，同一套速度上限对三个维度的影响完全不同：Kp维度更新太慢，Kd维度可能一步就跳出合理区。你在初始化速度时，vmax不能用同一个标量，要按维度分开设。我一般按“每个维度搜索宽度的 0.1~0.2 倍”来定vmax。这个问题最彻底的解法是先把三个维度归一化到[0,1]区间再搜索，具体做法放在本文最后一章。

边界处理也是必选项。粒子飞到lb或ub之外以后，如果直接保留越界位置，下一轮速度还可能继续往外推，整个种群很容易飞散。常见处理方式有三种：钳位（越界就拉回边界）、反弹（速度反向）、罚函数（在适应度里加大惩罚）。我在PID整定这种连续参数问题上更推荐钳位，并且在越界那一轮把速度清零，避免粒子“贴在边界上还被惯性继续往外推”。

注意：搜索空间的上下界、边界策略、速度上限，这些看起来是细节，实际决定了PSO是快速收敛还是一直在无效区域里空转。先画好边界再调算法，否则后面加多少迭代都没用。

2.2 适应度函数：ITAE为什么比ISE更接近工程习惯

PSO不关心被控对象传函长什么样，它只认一个数：适应度值。所以适应度函数的设计直接决定最终拿到的那组PID参数“能不能用”。这是整个方案里最值得花时间的地方，也是新手最容易翻车的地方——目标函数没定义好，算法越努力，结果越离谱。

常用的误差型指标有ISE、IAE、ITAE、ITSE。ISE是误差平方积分，对大偏差特别敏感，整定出来的系统响应快，但对小幅振荡几乎不惩罚，容易出现“前期猛冲、后期抖个不停”的现象。IAE是误差绝对值积分，比ISE温和一些。ITAE是时间乘以绝对误差再积分，对时间权重很大，表示“拖得越久惩罚越重”，所以整定出来的系统调节时间短、衰减快，最贴近工程上对快速稳定跟踪的诉求。ITSE是时间乘以误差平方，介于ITSE和ISE之间，对初始大误差更敏感。我个人在PID参数整定里默认用ITAE，后面加超调和稳态误差惩罚项，形成这个形式：

fitness = ITAE + w1 * overshoot + w2 * ess

为什么不能只用ITAE？因为现场的工艺要求往往是“超调不超过5%”“稳态误差小于0.5%”，ITAE本身不区分4%的超调和20%的超调，只要你愿意用超调换调节时间，ITAE就会偏向大超调。所以要把超调量罚进去。超调惩罚不一定要用线性，可以用分段：超调超过阈值后，惩罚系数翻倍，让PSO明确知道“这条路径不值得走”。稳态误差ess同样要罚，如果你的被控对象是带积分环节或非单位增益对象，没有稳态误差罚项，搜索出来的Ki可能偏小，最终曲线拖着长尾巴。

还有一个重要细节：仿真评估里必须包含实际控制器会有的非线性环节。我一般会加上输出限幅、积分分离和微分动作抑制，否则PSO可能搜出一套在纯线性仿真里很漂亮、但在真实PID里完全没法用的参数。比如你在仿真里允许控制器输出负值，而现场执行器只能输出0~10V，那搜索出来的参数一落地就饱和，曲线完全不是仿真那个样子。

发散保护也不能省。被控对象在整定过程中一旦遇到不稳定的参数，输出会在几十步内飞掉。如果不做保护，这个粒子的适应度可能是一个特别大的数，或者直接NaN，后续所有比较都会乱掉。处理方法是：仿真过程中检测到y超过设定值几十倍，或者出现NaN，直接返回一个很大的惩罚值（比如1e6），并且不再计算ITAE。这样PSO会自动躲开不稳定区域，而不是把不稳定当成“特殊解”保存下来。

适应度函数里的仿真时长也要够。如果对象调节时间要20秒，你只仿真10秒，粒子会因为“还没稳下来”被误判成稳态误差很大，导致PSO过度加大Ki。我一般按对象时间常数和纯滞后的5~8倍来估算仿真时长，宁可多算一点，也别让未完成的瞬态污染适应度。最后记住一点：适应度函数里的每个权重都不是某篇文章给定的“标准答案”，它应该跟你的工艺指标一一对应。现场要求超调严，就把超调罚权调大；现场要求响应快，就把ITAE里的时间权重再提高。

3. 粒子群整定PID的Python实现：完整仿真回路与主循环代码

3.1 被控对象、PID控制器与适应度评估函数

这一节给出一个可以直接复制运行的Python实现。被控对象我选了一阶惯性加纯滞后模型，传递函数为G(s) = 2 * e^(-0.8s) / (5s + 1)。选这个对象的理由是它有实际代表性：过程控制、温控、流量控制里大量对象都可以近似成一阶惯性加纯滞后，PSO在这里能体现出手调PID的痛点——纯滞后会让增益调大就振荡、调小就迟钝，手调非常费时。

仿真采用固定步长dt = 0.05秒，总时长30秒，共600步。纯滞后用deque实现：长度等于延迟步数+1，每次把控制器输出推进队列，取队首作为对象当前时刻真正收到的输入。这种处理方式在代码上最简单，也容易改成环形缓存。对象离散化采用欧拉法，这个模型时间常数5秒、步长0.05秒，欧拉法精度足够；如果你换成快对象，比如时间常数0.1秒，就要缩小步长或改用四阶龙格库塔。

import numpy as np from collections import deque # 被控对象与仿真参数 K_OBJ, T_OBJ, DELAY = 2.0, 5.0, 0.8 DT = 0.05 SIM_TIME = 30.0 N_STEPS = int(SIM_TIME / DT) DELAY_STEPS = int(DELAY / DT) SP = 1.0 # 阶跃设定值 U_MIN, U_MAX = 0.0, 10.0 # 控制器输出限幅 INTEGRAL_OFF_E = 1.0 # 积分分离阈值 def simulate_pid(params): kp, ki, kd = params y = 0.0 # 被控对象输出 e_prev = 0.0 integral = 0.0 # 纯滞后缓存，初始化全0 u_buf = deque([0.0] * (DELAY_STEPS + 1), maxlen=DELAY_STEPS + 1) y_list = np.zeros(N_STEPS) for k in range(N_STEPS): u_delayed = u_buf[0] # 一阶惯性对象欧拉法递推 y += (K_OBJ * u_delayed - y) / T_OBJ * DT e = SP - y # 积分分离：大误差时暂停积分，防止积分饱和 if abs(e) > INTEGRAL_OFF_E: integral = 0.0 else: integral += e * DT # 第一拍微分置0，避免设定值阶跃造成微分尖峰 d_term = 0.0 if k == 0 else kd * (e - e_prev) / DT raw_u = kp * e + ki * integral + d_term u = min(max(raw_u, U_MIN), U_MAX) u_buf.append(u) y_list[k] = y e_prev = e return y_list def fitness(params): y = simulate_pid(params) # 发散保护：输出异常直接判死 if not np.all(np.isfinite(y)) or np.max(np.abs(y)) > 50.0: return 1e6 t = np.arange(N_STEPS) * DT itae = np.sum(t * np.abs(SP - y)) * DT overshoot = max(0.0, np.max(y) - SP) ess = abs(y[-1] - SP) return itae + 50.0 * overshoot + 200.0 * ess

这段代码里几个参数不是随便写的。INTEGRAL_OFF_E = 1.0表示偏差绝对值超过1时积分暂停，因为设定值是1.0，这相当于在系统尚未进入“可控窗口”时不让积分累积，避免启动阶段积分项撑满输出限幅。d_term在第一拍置0，防止设定值阶跃瞬间误差从0跳到1，微分项计算出超大值——现场PID都会遇到这个“微分kick”，仿真里不处理，整定结果就会带上一个不该存在的启动尖峰。输出限幅0~10对应实际执行机构量程，对象增益为2，稳态时需要控制器输出0.5，限幅余量很足。

fitness里超调罚权50、稳态误差罚权200是我对这个对象常用的起点。its和ess都是绝对量，如果换了设定值或对象增益，这两个权重需要跟着调。建议过程中把每次搜索到的最优曲线打印出来看一眼，再决定是调权重还是调搜索范围。

3.2 粒子群主循环：初始化、迭代更新与边界处理

下面是PSO主循环。粒子数量40、迭代60轮、惯性权重0.9线性衰减到0.4、学习因子都用2.0，速度上限设为每维搜索宽度的20%。这些都是这个维度规模下的稳妥起点。种子固定为42，保证第一次跑能复现；如果你想看多次运行的稳定性，可以换几个种子多跑几次。

np.random.seed(42) N_PARTICLES = 40 N_ITER = 60 DIM = 3 LB = np.array([0.0, 0.0, 0.0]) UB = np.array([20.0, 5.0, 5.0]) VM_RATIO = 0.2 W_MAX, W_MIN = 0.9, 0.4 C1, C2 = 2.0, 2.0 # 每个维度独立速度上限：搜索宽度 * 0.2 vmax = VM_RATIO * (UB - LB) # 初始化种群 pos = np.zeros((N_PARTICLES, DIM)) vel = np.zeros((N_PARTICLES, DIM)) pbest = np.zeros((N_PARTICLES, DIM)) pbest_fit = np.full(N_PARTICLES, np.inf) gbest = None gbest_fit = np.inf for i in range(N_PARTICLES): pos[i] = LB + np.random.random(DIM) * (UB - LB) vel[i] = (np.random.random(DIM) * 2 - 1) * vmax f = fitness(pos[i]) pbest[i] = pos[i].copy() pbest_fit[i] = f if f < gbest_fit: gbest_fit = f gbest = pos[i].copy() # 迭代优化 for it in range(N_ITER): # 惯性权重线性递减：前期探索，后期开发 w = W_MAX - (W_MAX - W_MIN) * it / (N_ITER - 1) for i in range(N_PARTICLES): r1, r2 = np.random.random(DIM), np.random.random(DIM) vel[i] = w * vel[i] + C1 * r1 * (pbest[i] - pos[i]) + C2 * r2 * (gbest - pos[i]) # 速度截断，防止粒子一步飞出搜索区域 vel[i] = np.clip(vel[i], -vmax, vmax) pos[i] = pos[i] + vel[i] # 边界钳位 + 越界后速度清零 viol = (pos[i] < LB) | (pos[i] > UB) pos[i] = np.clip(pos[i], LB, UB) vel[i][viol] = 0.0 f = fitness(pos[i]) if f < pbest_fit[i]: pbest[i] = pos[i].copy() pbest_fit[i] = f if f < gbest_fit: gbest_fit = f gbest = pos[i].copy() print("最优PID参数: Kp=%.3f, Ki=%.3f, Kd=%.3f, fitness=%.4f" % ( gbest[0], gbest[1], gbest[2], gbest_fit))

主循环的逻辑说明：粒子速度由三部分叠加——惯性项w * vel[i]保持原方向，个体认知项C1 * r1 * (pbest[i] - pos[i])朝自己找到过的最好位置飞，社会项C2 * r2 * (gbest - pos[i])朝全局最优飞。r1和r2是每次迭代重新采样的随机数，保证搜索有随机性。速度截断用np.clip(vel[i], -vmax, vmax)，这个vmax是三维向量，因为每个维度的搜索宽度不一样：Kp维度上限是4，Ki维度上限是1，Kd维度上限也是1。

边界钳位之后把对应维度速度清零，是前面提到的“钳位+归零”策略。之所以不保留越界速度，是因为粒子如果已经飞到边界外，速度还指向外侧，下一轮它会再次出界，形成在一个无效方向上反复试探的无效循环。清零之后，粒子下一轮只能受pbest和gbest牵引往回走，更干净。

参数说明再强调一遍：种群40对这个三维问题是够用的，如果PID变量增加到五维以上，种群要提到60~80；迭代60轮是看适应度曲线有没有走平的经验值，有些对象20轮就收敛，有些对象100轮还在微调。惯性权重线性递减是让粒子前期做“广撒网”式探索，后期把精力放在最优解附近精细搜索。C1 = C2 = 2.0比较均衡，既不会过分依赖历史最优，也不会过早全挤到gbest周围。

3.3 评估整定结果：和手调基线对比，看超调、调节时间和稳态误差

跑完PSO，拿一组手调基线参数做对比是必须的步骤。手调基线我常用Kp=2.0, Ki=0.3, Kd=0.5——这组参数稳定但响应偏慢，能明显看出PSO搜索是否有效。对比代码很简单：

manual = np.array([2.0, 0.3, 0.5]) y_manual = simulate_pid(manual) fit_manual = fitness(manual) y_pso = simulate_pid(gbest) print("手调基线 fitness=%.4f, 超调=%.2f%%" % ( fit_manual, max(0.0, np.max(y_manual) - SP) / SP * 100)) print("PSO结果 fitness=%.4f, 超调=%.2f%%" % ( gbest_fit, max(0.0, np.max(y_pso) - SP) / SP * 100))

这段代码只是对比参考，实际跑下来你会发现，手调基线的ITAE通常远大于PSO搜出来的结果。这是正常的，因为PSO搜索的维度是连续的，而且适应度函数明确惩罚超调和稳态误差；手调基线则完全凭经验，可能某些指标更好，但综合适应度大概率不如优化结果。

看结果时我习惯按这个顺序：先看gbest三个参数是不是都在搜索空间内部——如果任何一维贴着边界，说明边界设置有问题，需要放宽；再看超调量和调节时间，超调超过5%就把适应度里超调罚权翻倍再跑一轮；最后看稳态误差，如果Ki太小导致残差明显，把稳态误差罚权提高。PSO每次运行有随机性，最优参数会有小幅度波动，这很正常。我在测试中见到的最优位置通常是Kp在4~8区间、Ki在0.5~2区间、Kd在1~3区间，不同随机种子下会小幅波动。

如果发现适应度曲线下降很慢或陷入局部优，先不要急着加迭代次数，而是检查搜索边界和速度上限。边界太大，粒子大部分时间在无效区域；速度上限太大，粒子会反复跳过最优区域。这两个问题修正后，收敛速度通常会有明显改善。

4. PSO-PID整定的参数选择与排查：5个必调参数和4个踩坑记录

4.1 粒子群5个必调参数：取值、作用与调整方向

粒子群优化算法的性能不是由单一参数决定的，五个参数要放在一起调。下表是三维PID整定问题里的常见起点，也是我在这类问题上的默认配置。

种群规模对三维问题其实不敏感，40个粒子已经能覆盖。如果搜索空间维度加到五维以上，比如PID加滤波系数、前馈增益，种群规模至少提到60，并且要考虑用归一化空间来降低维度间的速度标度问题。

惯性权重的线性递减是粒子群算法论文里最常见的做法，实际工程里也最稳。前期w大，粒子速度受上一轮影响大，飞得远，能探索更大区域；后期w小，粒子更听pbest和gbest的话，在最优解附近精细搜索。如果你发现搜索后期适应度还在明显下降，说明衰减太快，可以把W_MIN提高到0.5；如果后期曲线已经走平但结果不好，说明衰减太慢，后期开发不足，把W_MIN降到0.3试试。

学习因子c1和c2的经典值是2.0，一些改进算法用2.05并做归一化约束。实际调的时候，我更关注两者的比值。c1远大于c2时，每个粒子都往自己去过的地方跑，种群多样性好但收敛慢；c2远大于c1时，大家很快被gbest吸过去，容易早熟。如果发现多次运行结果都很相似但都不是理想解，通常就是c2太大、发生早熟，可以降低c2或提高c1让粒子多探索一些。

速度上限是导致“搜索翻车”最隐蔽的因素。vmax太大会让粒子像弹球一样在搜索空间里乱跳，适应度曲线忽高忽低；vmax太小则所有粒子都在局部慢慢爬。我一般先用搜索宽度的0.2倍跑一轮看曲线形态，如果前10代适应度基本没降，就降到0.1倍；如果曲线振荡明显，再降到0.15倍。这里有个常识：vmax是按维度分别设置的，不能用一个数。上面代码里vmax = VM_RATIO * (UB - LB)生成的是三维向量，分别作用到Kp、Ki、Kd上。

4.2 PSO-PID常见故障排查：4个踩坑记录

以下是这类整定里最常见的四个问题，按“现象→原因→解决”记录。这些坑我在不同对象上都踩过，前两个最隐蔽，后两个最容易在换对象时暴露。

排查点一：适应度曲线下降几轮后突然反弹，或者一直在高位震动。

现象：记录每轮gbest_fit画出来，不是平滑下降，而是明显波动甚至上升。

原因：速度上限过大，粒子一步就越过了当前的最优区域，下一轮又从另一侧飞回来，形成“过冲式搜索”。另一个常见原因是惯性权重没有衰减，粒子速度一直很大，后期无法收敛。

解决：把vmax从0.2倍降到0.1倍，重跑；同时确认w确实随迭代线性递减。如果修改后曲线稳定下降，说明问题就出在速度控制上。

排查点二：搜索出来的参数超调大，明明适应度不高却有20%以上超调。

现象：overshoot惩罚系数设了，但搜索结果超调仍不可接受。

原因：超调罚权太小，罚权50在ITAE面前不敏感。ITAE对“很晚才稳定”的惩罚非常重，粒子宁可牺牲超调把系统拉快，也不愿意承担长调节时间。这本质上是目标函数权重和工程指标不对齐。

解决：把超调罚权从50提高到200，或者改为分段惩罚——超调低于5%不罚，超过5%按超调量的10倍罚。这样PSO才会明确知道“5%是不可跨越的红线”。

排查点三：多次运行结果差异大，把仿真步长改小结果又变了。

现象：换随机种子后最优参数波动明显；dt从0.05改成0.01后，最优Kp和Kd都变了。

原因：仿真步长太大导致离散化误差混入适应度函数。PID里的微分项是按(e - e_prev) / dt算的，步长越大，微分项对快速变化的误差越不敏感，PSO会利用这种“仿真失真”搜出在离散仿真里表现好、在连续系统里不成立的参数。纯滞后步数delay_steps也存在四舍五入误差。

解决：把dt缩小到0.01重跑一遍，如果最优参数变化超过20%，就用小步长重新整定。整定完成后，再用不同步长各评估一次，确认适应度差异不大。

排查点四：搜出很大的Kd，仿真曲线好看，现场执行器却一直抖动。

现象：整定结果的Kd超过搜索范围一半以上，仿真里没噪声，看起来没问题；接到真实系统后电机或阀门高频振动。

原因：仿真对象是纯确定性的，没有传感器噪声，微分项对噪声的放大效应完全没被惩罚。PSO只看到Kd大能显著抑制超调，就拼命用它。现场有不规则噪声，微分项会把噪声放大成控制输出的高频抖动。

解决：在适应度评估里给测量值叠加仿真噪声，比如每次评估都对y加上标准差0.01的高斯噪声再算误差。噪声强度按实际传感器水平估计，没有数据时宁可比真实值略大。叠加噪声后，Kd搜索范围可以缩小到原来的一半，或者直接把Td换成带一阶滤波的微分项再整定。

提示：每次改完适应度函数或搜索边界，都要重跑整定流程，不要拿上一轮结果直接外推。PSO整定是“目标函数决定了参数性格”，改目标等于换了一套优化目标。

5. 把整定结果搬到现场：归一化搜索和离线验证矩阵

5.1 归一化搜索空间：消除维度标度差异，收敛更稳

三维PID搜索空间里，Kp和Kd的量纲差异很大，直接用绝对坐标搜索时，不同维度的速度上限和最优解精度很难统一。我的做法是把粒子位置限定在[0,1]^3的三维单位立方体里，评估时再映射回真实PID参数。这样速度上限、边界钳位都用一个统一标量，不同维度搜索精度天然和搜索宽度成比例。

def pos_to_pid(x): kp = LB[0] + x[0] * (UB[0] - LB[0]) ki = LB[1] + x[1] * (UB[1] - LB[1]) kd = LB[2] + x[2] * (UB[2] - LB[2]) return np.array([kp, ki, kd])

使用这个方法时，初始化粒子位置在单位立方体里均匀采样，vmax = 0.1直接作用于三个维度。因为x每一维都是0到1之间的相对值，Kp维度和Kd维度的搜索进度完全一致，不会出现Kd已经震荡多次、Kp还在原地爬的情况。归一化后的PSO对参数变化更平滑，尤其适合后面加扰动验证、换工况重新搜索这些场景。

5.2 离线验证矩阵：整定结果值不值得现场跑一遍

整定完成后不能直接上现场。我习惯用一个验证矩阵，把整定结果放到几种不同场景里分别仿真，全部通过才允许写入控制器。表格里的每一项都在simulate_pid基础上改造：设定值阶跃是默认测试；负载扰动可以在对象输入端加一个持续扰动项；参数拉偏则把K_OBJ和T_OBJ各改变10%~20%。

这套验证矩阵的目的是消除“只在一个工况下最优”的假象。很多PSO整定结果在标称工况下完美，但对象参数稍有偏移就振荡，或者输出饱和后积分饱和导致长时间失控。跑完这四组测试，整定结果才算具备落地基础。

我现在的习惯是：整定完一定把随机种子固定下来存档，换被控对象前先检查搜索边界和目标函数权重，不盲用上一轮参数。如果一次整定的结果现场表现不理想，先改验证矩阵里的工况条件，再决定要不要动模型参数。多看几轮仿真曲线再动手，比现场一遍遍试错省时间得多。希望帮到你。

本文还有配套的精品资源，点击获取