迭代学习控制是智能控制理论的一个重要分支,它针对具有重复运行性质的被控对象,利用前次迭代时的输入信息和输出误差的校正项,通过迭代的方式修正控制信号,实现在有限时间区间上对期望输出轨迹的精确跟踪。这种控制方法非常适合于具有重复运行(或运动)特性的被控对象,如机械手、数控机床、磁头驱动器、电机伺服系统等。本文的研究工作主要包括以下几个方面:1.研究了迭代学习律的收敛性和鲁棒性问题。针对传统的D型,PD型学习律作出了改进的时不变系统D型,PD型迭代学习控制算法,同时针对非线性系统开闭环PID型学习律和离散开闭环PID学习律分别作了鲁棒性和收敛性证明,给出了数值仿真。2.基于2-D理论研究了迭代学习控制的收敛性问题。讨论了基于2-D连续系统理论的D型开闭环迭代学习控制问题,并给出数值仿真结果。3.讨论了时滞系统迭代学习控制问题。主要研究了具有控制时滞的线性时滞系统的PD型迭代学习控制问题,并通过仿真结果表明了该算法的适用性。4.迭代学习控制方法在网络控制系统模型中的验证问题。讨论了时滞系统的迭代学习控制理论在网络延迟和数据包的丢失问题方面应用验证问题,并通过数值仿真进一步验证结果。