一般來說，控制器的設計，分為控制框架的選取，跟引數的優化。自適應控制、預測控制、模糊控制等，跟PID一樣，是控制演算法（我習慣稱為控制框架）。

　　而粒子群、遺傳演算法（類似的還有蟻群演算法、神經網路，還有機器學習、人工智慧中的很多方法）是優化方法，本來跟控制沒關係，只不過有時被拿來引數優化，本來就不是為控制器設計而發明的，只不過是在確定了控制框架之後，控制器的設計問題，轉為一個優化問題。於是就用優化演算法來解，問題是物理意義不明確，很難調出好效果，很多時候只是組合組合發論文，即使能用，也對模型的精度，以及優化指標的選取，要求很高。

　　這些所謂智慧演算法，其實只是優化演算法，原本跟控制無關，只不過用來優化引數。在很多基於模型的控制器設計優化中，關鍵在於模型的精度跟優化指標，優化方法反而不那麼重要。

　　其次，這些控制演算法，都有實際的應用，但都不是用之天下而皆準。

1. 　　像模糊控制、預測控制一般用於過程控制中的溫度控制啥的。模型不太準確，噪聲大，不能model的不確定性大；而控制要求更注重於穩態效能，比如variance較小。模糊控制在比如電飯煲、洗衣機什麼的中有很多應用。
2. 　　相比之下，預測控制（模型預測控制）的應用更廣，特別是多入多出、有約束的，比如很多化工廠、發電廠什麼的。很多國際上的大企業如殼牌都在用。更詳細的說，一般底層用PID，處理單個plant動態的效能。PID上面用預測控制，把所有plants連起來考慮，同時考慮約束。預測控制更注重於整個系統的穩態效能
   。
3. 　　而自適應控制、最優控制什麼的，更多的用於模型較精確的比如航天、衛星、機器人、無人機的運動控制，跟電機馬達掛鉤的。控制要求更注重於動態效能，比如給你一個指令，你跟上的速度怎麼樣啥的。自適應控制則在一些航天飛船等要求更高的場合中有應用。

　　至於控制演算法在電網中的應用，接觸的不多，不敢說什麼樣的能用，什麼樣的不能用。企業用電側優化控制，我也是一竅不通。但我剛開始學控制演算法，也是看著這麼多演算法，理不清頭緒。但我常尋找一些前輩，首先要在實際中摸爬滾打過的，同時有一定理論深度的，向他們取經。單純懂理論的，往往鑽入數學，控制的最多不過是matlab中的所謂plant。只懂工程的，則往往對理論中的一些好東西熟視無睹，而好的理論是磨刀不費砍柴工的。

　　但如果你能提供更詳細的背景資料，也許我能回答得有針對性。現在我只能泛泛回答，因為怕做出錯誤引導。