PID调节之学习心态

事情的起因是经历过智能车的比赛虽然结果不是很满意，但是从收获的知识和自我纠错上我收获了很多，内心感到满足同时再加上距离新的赛题的发布还有两个月，所以内心感到浮躁难以静心。学习了PID的知识后加上经过两周时间的调节有些感悟。

先说说浮躁吧，从初中开始几乎每个人应该都能听过这个词，但是内心来讲一直没有感同身受或者只有一个模糊的印象。浮躁就是身浮起气燥，没有一个耐心去思考。这就会导致一个很严重的问题，学习效率很低，学习深度很浅。从很忙的状态到一个空闲的状态就容易产生浮躁，或者说每当完成一个学习任务或者学习目标，尤其是一个很大很复杂的时候很容易产生浮躁。所以心态调节很重要尤其是当我们要做一件事的时候，这里啰嗦一句吧，其实每个人的差距很小（除非天赋异禀：记忆超群）对于大多数人来讲，学习的心态会直接决定做事的深浅。根据我的经历，心态的调节其实就是一场PID的调节与较量，本质上都是控制。

先说说PID吧说深了是一个自动调节控制的算法，说白了其实就像一个电梯要到几楼，PID就是控制这个电梯到目标的速度也包括电梯运行的稳定和电梯的反应时间。这里因为不是专业的讨论这个算法的，所以不再细讲，只从方法和大概的原理讲讲如何调节学习的心态。

为了更好的定量的调节这个先给出一个公式

       Pwm=kp*error+ki*(error+error_last)+kd*(error-error_last)

更直观的理解是 还是拿电梯说话，简单理解的话你先可以理解为功率，因为这里为了能方便理解，暂时理解为功率，实际上我这里写的是pwm。

这里为了你能再次理解这个式子，相当于在骑自行车的工程中，假设你在起点，kp就相当于你什么都不管，以莫个度快速的骑到终点，会产生一个问题，我们自己是知道什么时候减速但是程序不知道需要你告诉它，所以就需要另外一个项就是微分项就是(error-error_last)的系数这样的话当你越过终点线的话距离终点就会负的，你的程序结果倒回来最终稳定在终点，下面放一张图。关于中间的第二项就是积分项，因为现实中，因为摩擦等其他原因，最终的结果距离实际还有一点偏差所以就会累加一点，消除误差。

直观理解就是kp一直向前冲，过了终点反向冲。Kd可以提前预知结果减小冲劲，ki的增加就比较谨慎了，有累积的误差就需要没有就不需要。

讲了这么多，回到主题和学习心态上有什么关系，第一个就是心态的过程曲线类似与这个图，只要是人有情感都避免不了浮躁。这里给定x轴是时间，y轴是学习心态也可以理解为学习成果（心态平静学习起来困难不大）。 Kp项以理解为内驱力 kd项以理解为休闲放松 ki项可以理解为焦虑度，误差可以理解为渴望目标与当前的差距。

当然内驱力的调节不会像程序上给个参数，当目标差距过大的时候理论上内驱力应该要大一些但是当目标误差过于大的时候，时间周期会加长，心态又会被其他东西影响，所以这个误差，必须是学习的误差且是具体的，所以如果只给kp的话会出现一个问题就是每当达到目标的时候，心态曲线就会浮在目标值之上，这样就会出现另一个问题浮躁，学习效率低的问题，这里就要引入kd，也就是休闲娱乐，d过大很明显调节曲线就会上升很慢，相应很慢。 现实生活中如果没有ki也就是说焦虑度，那么就是说实际的心态和目标还有一段距离很难把握，引入焦虑度就会激发一些潜力达到目标值。

所以，里有两个启发，第一个当处于低谷时期的时候，学习效率最好这时候就要学习一些难点重点。当超调的时候也就是超过误差的时候，心态是最浮躁的我探索的方法是第一个找到新的目标误差，找到自己想要的感兴趣的学习目标经行调节，第二个是kd给一点虽然实际按周期会拉长，但是达到目标后会更趋于稳定。

    我们有时候常说，这个人的学习能力强，其实有时候再说他们的调节能力快，适应性强，学习能力强的人他的心态调节算法和普通人的不一样，就像PID算法有很多像模糊PID、微分先行、还有智能PID、等等。所以及时的更新调节自己的算法，遵循心太变化的规律会使学习成绩，学习效率大大的提高。