最优控制作为控制领域的分支之一,对现代的工业生产和人们的生活发挥着重要的作用。随着计算机硬件技术的发展,许多先进的自适应学习算法得到关注,并应用于求解最优控制问题。自适应动态规划（Adaptive Dynamic Programming,ADP）从强化学习的角度克服了传统动态规划中的“维数灾”问题,是求解复杂非线性系统最优控制问题的有效方法。随着生产效率提升的需要,实际系统的结构日渐复杂,规模也逐渐增大,对单控制器系统的研究已经不能满足实际的需要。一些新型的、具备资源节约属性和高效性的理论以及控制算法迫切需要得到研究。近年来,基于事件触发的微分博弈得到关注,其在复杂系统的高效控制研究上展现潜力。为了进一步节约计算和通信资源,提升学习算法的效率,本文研究了非线性系统微分博弈的事件触发控制,并采用群体智能算法提升ADP方法的效果,包含以下两个方面:1、针对连续非线性系统的零和博弈问题,研究了基于ADP的事件触发控制方法。首先,通过引入无限时间域价值函数,得到了双方的最优控制策略,进而将零和博弈问题转换为最优控制问题。其次,通过采用单评价网络结构,降低了算法的复杂性。此外,通过粒子群优化算法（Particle Swarm Optimization,PSO）进行网络的更新,而不是传统的梯度下降法,克服了初始权重依赖于专家经验的缺点,进而提升了学习的效率。通过理论分析和仿真实验,证明和验证了所提的事件触发控制策略能保证系统的稳定性。2、针对连续时间多玩家非零和博弈系统的跟踪控制问题,研究了一种事件触发控制方法。首先,针对误差系统,设计了每个玩家的最优价值函数以及最优跟踪控制策略,进而得到耦合的哈密顿-雅阁比（Hamilton-Jacobi,HJ）方程。为了克服求解耦合HJ方程的困难,采用了ADP的方法,并利用同步策略迭代框架进行近似求解。其次,利用Lyapunov方法设计了一个新的事件触发条件,该条件能保证闭环误差系统的稳定性。此外,采用PSO算法进行神经网络权重的更新,提高了求解HJ方程的效率,且缓解了初始权重选取的困难。两个仿真实验表明所提出的事件触发跟踪控制方法是有效的。最后,根据研究过程中的经验和心得,总结了全文,并对未来值得研究和改进的方向进行了阐述。