迭代学习控制是一种用来改善具有重复运动特性的过程、机械、装置或系统的瞬态响应和跟踪的控制技术。它是以系统的实际输出与期望输出的偏差修正不理想的控制信号,使系统的跟踪性能得以提高。本文首先对迭代学习控制进行了介绍,包括原理、研究方向和国内外应用情况等,对边值问题进行了初步介绍。针对迭代域中误差的快速、单调收敛,获得更好的跟踪性能,本文对P型迭代学习控制系统进行研究,为了提高被控系统的控制精度及加快迭代域内的收敛速度,对初始输入值的边界条件进行分析优化,利用仿真分析,对收敛性进行了证明。针对提高迭代学习控制算法的收敛性能,本文利用遗传算法对迭代学习控制算法进行优化,在传统的PD型迭代学习控制算法的基础上,对迭代学习控制中的增益参数进行优化,从而获得优化的迭代学习律,进一步对迭代学习控制的边值问题进行优化研究,克服了不同边值对系统的性能影响。这种算法在保证算法仍然具有快速收敛特性的同时进一步扩大算法的收敛条件。本文对基于遗传算法的迭代学习控制的边值问题进行分析研究,比较基于PD型迭代学习控制算法分析得出,基于遗传算法的迭代学习控制算法的边值优化算法能够使得被控系统在对期望轨迹达到完全跟踪的同时提高收敛速度。在实际应用中,基于遗传算法的迭代学习控制的边值优化算法也具有良好的应用前景。