经典复杂控制来源于实践，其实反映了工程师解决控制问题的思路，是解决问题方法的组合。复杂控制可以分两类：单入单出(SISO)过程的控制改进和多变量逻辑协调优化。单入单出过程的控制改进包括：a、PID算法的改进，例如比例微分先行、抗积分饱和、变增益……；b、控制算法改进，例如内模控制、自抗扰控制、模糊控制、专家控制……；c、PID变结构改进，主要是克服控制侧干扰的串级控制改进和克服过程侧干扰的前馈控制改进。第一种改进归类到PID算法本身，这类技巧改进标准的PID控制模块一般都包括。第二类改进由于不是工业实际使用的标准算法，可以归类到广义的先进控制范畴，这一类也不属于经典复杂控制的内容。这样只有第三种PID变结构改进属于经典复杂控制。
任何单入单出过程控制问题首先想到使用PID单回路解决。如果单回路的性能不能满足要求，就要考虑串级和/或前馈改进。如果闭环性能还是不能满足控制要求，建议的考虑方向是变量配对改进、设备改进、工艺改进。
过程工艺非常复杂，很多都是多变量的控制问题。经典复杂控制的很多改进都是为了扩展PID的多变量协调优化能力。多变量控制的实现方式包括：a、多变量控制算法，包括模型预测控制、解耦控制等；b、自己写代码的专家系统；c、基于PID的多变量协调优化。第一类没有基于PID不属于复杂控制。虽然自己写代码可以很容易地实现特殊控制要求，但是第二类自己写代码实现协调优化是非标准的工作方法不推荐。很显然第三种才属于我们说的经典复杂控制。
我们现在非常清晰地把涉及多变量协调的经典复杂控制分为三类：a、被控变量(CV)优先级切换的超驰控制；b、操纵变量优先级切换的分程控制；c、操纵变量优先级切换的阀位控制。如果不存在MV饱和或者本质是单入多出/多入单出的系统，可能只需要被控变量或者操纵变量的优先级切换算法。分程控制适用于直接到多个最终控制元件，并按固定顺序使用的多操纵变量场合。优先使用分程控制解决多操纵变量协调问题，如果涉及状态串级、快速性和经济性的不同等，就需要使用阀位控制来解决多操纵变量协调。一般来说阀位控制的速度要慢一些，更侧重优化。多被控变量和多操纵变量的系统设计要根据变量间的关系从优先级和自由度分析入手。常见的多变量控制系统的方案都是基于分程/阀位+超驰控制。基础组件和逻辑工具构成了复杂控制方案设计的核心，这些类似于多变量模型预测控制的软件功能。由于实际过程问题多种多样，在解决问题的过程中形成了一些复杂控制的高级应用，例如三冲量控制本质是前馈串级的组合控制，交叉限幅属于多变量复杂逻辑优化，常见的支路温度平衡也是使用多个复杂控制组件的复杂控制高级应用。具体控制方案设计中，随着控制目标、工艺条件的不同，可能控制方案也显著不同。例如交叉限幅要比比值控制复杂很多，支路流量耦合的流量控制要比单回路流量控制复杂很多。
为了实现工艺目标，控制系统设计必须包括具有适当能力的设备，提供测量和操纵手段，并设计正确且灵活的控制系统以应对正常和异常情况。反馈控制是一切控制策略改进的基础。当单回路控制性能不能满足要求时，可以考虑克服控制侧干扰的串级控制改进和克服过程侧干扰的前馈控制改进。而比值控制是一种特殊前馈，往往和反馈控制回路组合使用。单回路、串级控制和前馈控制是最常用的单目标控制策略。这三种控制策略选择的原则和依据非常清晰，是多变量协调优化的基础解决方案。
当有多个最终控制元件和/或多个过程变量时，就必须通过逻辑优化使系统满足运行目标。当有多个被控变量一个操纵变量时，需要考虑被控变量控制目标的优先级，通过超驰控制的方式实现。当有一个被控变量、多个操纵变量时，则：a、如果操纵变量按固定顺序使用，通过分程控制实现；b、如果考虑多个操纵变量的有效性和经济性，不希望使用其他操纵变量进行主控，可以通过阀位控制实现；c、允许被控变量在一定范围波动，则可以考虑分级控制使用不同的操纵变量。
当有耦合的多个被控变量和操纵变量时，要首先进行被控变量的优先级排序，然后考虑被控变量和操纵变量的配对原则，特别是在操纵变量饱和导致自由度变化后的控制要合理完整。这种最优的控制方案和变量间的关系、优先级有关，如果默认的变量配对不能满足要求，则需要同时使用超驰控制和分程控制、超驰控制和阀位控制来更新配对原则。
尽管复杂控制在处理许多复杂的控制问题时往往效果显著，但其设计和实现可能非常困难。在选择最佳的复杂控制方案时，对控制要求的正确理解和对这些功能块的充分了解至关重要。一个复杂的控制方案，简单性和可靠性总是控制设计的重中之重，因此最好的解决方案总是适合于目的的。通常有不止一种方法来实现相同的控制目标，但控制性能可能有很大的不同。最优和非最优控制设计之间的差别有时非常小。非最优设计可能会在其整个生命周期中提供低于标准的性h能，而且通常还会增加维护负担。
这些复杂控制策略简单易行，往往可以极大地扩展单回路反馈控制的能力，但仅限于低维系统。用这些方法来实现一个具有许多被控变量和操纵变量的变量协调优化是非常困难的。高维多变量协调优化问题要依赖于多变量模型预测控制算法。
