1.一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，包括以下步骤：以孵化室温度为被控对象，采用传递函数建立孵化室温度物理模型，由比例环节、积分环节和微分环节构成PID控制器算法，调节温度趋向于设定值；

采用模糊算法整定PID控制器算法中的积分系数和微分系数，模糊算法与PID控制器算法中积分环节和微分环节构成模糊ID控制器算法；采用免疫算法整定PID控制器算法中比例环节的比例系数，免疫算法与比例环节相结合构成免疫P控制器算法，然后使用猫群优化算法确定免疫P控制器算法的量化因子和比例因子的最优值，通过量化因子和比例因子的最优值，采用免疫P控制器算法实现孵化室温度的精准调节。

2.根据权利要求1所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，被控对象由孵化室温度物理模型描述，采用传递函数进行建模，给出孵化室内被控温度变化量ΔT与温控机箱控制量ΔQ之间传递函数：其中，K为增益系数；D为惯性时间常数；τ为温度响应延时。

3.根据权利要求2所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，具体的，模糊ID控制器算法包括模糊控制规则和隶属度函数，通过模糊算法对PID控制器算法中的积分系数和微分系数进行整定，在线计算第n时刻积分系数的增量Δki(n)和微分系数的增量Δkd(n)；

建立模糊ID控制器算法中的模糊控制规则：

首先给出孵化室温度的设定值Td，作为控制目标；将n时刻的孵化室温度采样数据记为T(n)，将T(n)与设定值Td的偏差记为e(n)，温度偏差e(n)经过微分得到偏差变化率ec(n)，将温度偏差e(n)和温度偏差变化率ec(n)作为模糊算法的输入，得到模糊算法的输出：积分系数ki的增量Δki和微分系数的增量Δkd；

接着，给出温度偏差e(n)、温度偏差变化率ec(n)的模糊论域、模糊语言值，设计隶属度函数：给出温度偏差e(n)的模糊论域为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，模糊语言值为{NB，NM，NS，NO，PO，PS，PM，PB}；给出温度偏差变化率ec(n)的模糊论域为{-3，-2，-1，0，1，

2，3}，模糊语言值为{NB，NM，NS，O，PS，PM，PB}；

给出积分系数增量Δki的模糊论域和模糊语言值，设计隶属度函数：给出积分系数增量Δki的模糊论域为{-0.36，-0.3，-0.24，-0.18，-0.12，-0.06，0，0.06，0.12，0.18，0.24，

0.3，0.36}，模糊语言值为{NB，NM，NS，NO，PO，PS，PM，PB}；制定积分系数增量Δki的模糊控制规则：根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值，制定二者组合情况下Δki的控制规则；

然后，给出微分系数增量Δkd的模糊论域和模糊语言值，设计隶属度函数：给出微分系数增量Δkd的模糊论域为{-0.24，-0.2，-0.16，-0.12，-0.08，-0.04，0，0.04，0.08，0.12，

0.16，0.2，0.24}，模糊语言值为{NB，NM，NS，NO，PO，PS，PM，PB}；制定微分系数增量Δkd的模糊控制规则：根据温度偏差e(n)、温度偏差变化率ec(n)的模糊语言值，制定二者组合情况下Δkd的控制规则；

对Δki(n)和Δkd(n)分别乘以积分系数增量的比例因子α、微分系数增量的比例因子β，进行反模糊化；再分别加上常规PID参数整定方法整定出的常规PID控制器积分系数初值和微分系数初值，得到第n时刻模糊ID控制器的积分系数ki(n)和微分系数kd(n)：其中，ki0和kd0分别为常规PID控制器参数整定方法整定出的积分系数初值和微分系数初值。

4.根据权利要求1所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，免疫P控制器算法包括免疫控制规则、隶属度函数、量化因子和比例因子，其中量化因子包括PID输出量化因子和PID输出变化率量化因子；免疫算法对PID控制器中比例系数进行整定，在线计算第n时刻比例系数的增量Δkp(n)，使用模糊推理来逼近免疫算法中抑制细胞的抑制量，确定免疫控制规则。

5.根据权利要求4所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，设计免疫P控制器算法：设第m代的抗原数量为ε(m)，由抗原刺激增强细胞TH的输出为TH(m)，且有TH(m)＝g1ε(m)，其中g1＞0是激励因子；抗原抑制细胞的输出为TS(m)，则Ts(m)＝g2f(·)ε(m)，其中g2＞0是抑制因子；f(·)是一个非线性函数，表示抑制细胞TS的抑制量，它的输出限制在[0,1]；则细胞接受的总刺激为：S(m)＝TH(m)-Ts(m)＝(g1-g2f(ΔS(m)))ε(m)，以偏差e(m)作为抗原数量ε(m)，免疫P控制器的比例系数为g1-g2f(ΔS(m))；则免疫P控制器输出为g1(1-ηf(·))e(m)，免疫P控制器的比例系数为g1(1-ηf(·))，其中g1控制反应速度，η＝g2/g1控制稳定效果。

6.根据权利要求5所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，首先，确定非线性函数f(·)取值的模糊论域{-1，0，1}，模糊语言值{N，Z，P}，也可表示为{负，零，正}，隶属度函数采用三角形隶属度，其次，使用模糊逼近和反模糊化来确定f(·)，采用二维模糊逼近结构，包含两个输入变量和一个输出变量；输入变量为PID控制器算法的输出u和输出变化率Δu，输出为逼近的非线性函数 模糊逼近采用以下规则：(1)如果u是P，且Δu是P，则 为N；

(2)如果u是P，且Δu是N，则 为Z；

(3)如果u是Z，且Δu是P，则 为N；

(4)如果u是Z，且Δu是N，则 为P；

(5)如果u是N，且Δu是P，则 为Z；

(6)如果u是N，且Δu是N，则 为P；

针对逼近的非线性函数 使用Zadeh的模糊逻辑AND操作，并采用mom反模糊器，得到模糊控制器的输出f(·)。

7.根据权利要求5所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，设计免疫P控制器的比例系数增量Δkp的控制规则：第n时刻PID控制器的输出记为u(n)，经微分得到输出变化率Δu(n)，u(n)和Δu(n)均作为免疫P控制器的输入值；确定PID控制器输出的模糊论域{-2，-1，0，1，2}，模糊语言值{NB，NM，NS，NO，PO，PS，PM，PB}，PID控制器的输出变化率的模糊论域{-2，-1，0，1，2}，模糊语言值为模糊语言值{NB，NM，NS，NO，PO，PS，PM，PB}，输出及输出变化率的隶属度函数均采用三角形隶属度。

8.根据权利要求7所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，输出u(n)和输出变化率Δu(n)分别乘以PID输出量化因子ke、PID输出变化率量化因子kec进行模糊化，使用免疫P控制算法，得到第n时刻的比例系数增量Δkp(n)，乘以比例因子ku将其精确化；再加上常规PID参数整定方法整定出的常规PID控制器比例系数初值，得到第n时刻免疫P控制器的比例系数kp(n)：kp(n)＝kp0+Δkp(n)×ku

其中，kp0为常规PID控制器参数整定方法整定出的比例系数初值。

9.根据权利要求1所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，利用猫群优化算法对量化因子和比例因子的取值进行寻优，以温度控制的性能测试函数为指标，找到一组相对最优的参数，提高免疫P控制器中比例系数的参数整定效果。

10.根据权利要求9所述的一种基于猫群优化和免疫模糊PID的孵化室温度控制方法，其特征在于，基于孵化室温度偏差构造性能测试函数，以输入的形式进入猫群优化算法，性能测试函数同时也是猫群优化算法的评价指标；采用ITAE作为参数优劣评判的性能测试函数，定义如下：其中，T为采样周期，n为当前采样时刻，e(k)为k时刻的采样误差；

通过猫群优化算法对PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku进行寻优：首先，初始化猫群的种群数、最大迭代次数、分组率、记忆池以及变化域；通过猫群优化算法的迭代解算，分别得到免疫P控制器关于ITAE的PID输出量化因子ke的寻优轨迹图、PID输出变化率量化因子kec的寻优轨迹图和比例因子ku的寻优轨迹图；在最大迭代次数范围内，查找ITAE寻优轨迹图中ITAE的最小值，获取其最小值所对应的进化代数；进而在该进化代数求解所对应的PID输出量化因子ke、PID输出变化率量化因子kec和比例因子ku的值，这些值即为ke、kec和ku的最优取值。