Se aplican algoritmos de optimización por enjambre de partículas (PSO) basados en integral proporcional y de gradiente de política determinista profunda (DDPG) a un motor síncrono de imán permanente para el control de velocidad. Los métodos propuestos, basados en cuadernos, pueden abordar los desafíos de retraso temporal, modelos matemáticos imprecisos y cargas de perturbación desconocidas. Primero, se utiliza un método de identificación de sistemas para obtener un modelo aproximado del motor. Las ecuaciones de estimación de carga y velocidad se pueden determinar utilizando el modelo. Al agregar las ecuaciones de estimación, el algoritmo PSO puede determinar los parámetros suboptimizados del controlador proporcional-integral utilizando la respuesta de velocidad predicha; sin embargo, el tiempo de cálculo y los desafíos de consistencia del algoritmo PSO dependen en gran medida del número de partículas e iteraciones. Por lo tanto, se propone un método de aprendizaje en línea, DDPG, combinado con el algoritmo PSO para mejorar el rendimiento del control de velocidad. Finalmente, los métodos propuestos se implementan en una plataforma real, y se presentan y discuten los resultados experimentales.