20世纪末，一个名为Vasilevf的研究学者发现了磁控形状记忆合金这种很有趣的新型材料。该材料会在磁场作用下发生形变并且在去除磁场后能够恢复本来的形状。后来经过学者的深入研究，发现该种材料是一种集输出位移大、变形频率快两者于一身的功能材料，有望成为微纳驱动领域不可替代的关键材料。但是由于该种材料发现较晚，国内外对其控制方法的研究还远远不足。因此，本文对该材料制成的执行器输入输出之间呈现的迟滞非线性做了深入的分析，继而提出了针对这种迟滞非线性的建模和控制方法，为日后磁控形状记忆合金执行器的进一步控制研究奠定了一定的基础。本文首先对磁控形状记忆合金材料的优点做了简单的描述，并介绍了迟滞非线性产生的原因与特点。迟滞非线性最大的特点是具有记忆性和多值对应性，因此，仅能对一一对应或者多一对应关系建模的人工神经网络必须加以改进才能对迟滞非线性建模。为了同时描述这种非线性的两个主要特点，本文采取的方法为：将所运用的两种神经网络的输入层均设为2个神经元，所对应的输入分别为执行器包含当前状态信息的当前时刻的输入和包含所有历史信息的前一时刻的输出。这样不但把这种非线性的多值对应性成功转化为单值对应，而且还使所运用的神经网络具有记忆功能。在此基础上，分别采用了PID神经网络、BP神经网络和PI模型对迟滞非线性建立高精度的正模型，为之后的控制策略的实现奠定了基础。其中3种建模方法的权值辨识算法分别采用动量BP算法、量化共轭梯度法和交叉遗传粒子群算法，仿真结果表明该3种算法和它们对应的经典算法相比，辨识结果更为优秀。PI逆模型具有和正模型相同的结构，而逆模型的基本迟滞算子－stop算子直接可以由PI正模型的基本迟滞算子－play算子解析得到。在此知识的基础上，本文建立了PI逆模型，其中权值的辨识算法采用速度较快的递推最小二乘算法。然后基于逆控制理论的思想设计了一个基于此逆模型的前馈控制器，并将之运用到对执行器的迟滞逆补偿当中。仿真结果表明，基于PI逆模型的前馈控制的最大误差率仅为0.67%。这说明逆模型输出的控制信号能有效的使执行器的实际输出逼近期望输出值。但是考虑到随机干扰对系统的影响，前馈控制的最大误差率为3.29%，不符合高精度控制要求。最后，针对前馈控制抗干扰能力较差的问题，在前馈控制的基础上，进一步采用PID复合控制方法来提高控制精度。粒子群算法搜索的参数越多，需要搜索的时间越长，由于PID控制只有3个可调的参数，因此本文采用交叉遗传粒子群算法来搜索PID参数的最优值。该算法中的粒子以人工设置的PID参数作为位置初始值，来搜索更优的比例、积分和微分参数。仿真结果表明，人工调节参数的PID复合控制的控制精度从前馈控制精度的3.29%提高到了2.38%，基于交叉遗传粒子群算法整定的PID复合控制的控制精度在人工调节参数的PID复合控制的基础上又提高了0.73%。采用所提出的复合控制策略，系统的精度与抗干扰能力在前馈控制的基础上有了进一步提升，实现了磁控形状记忆合金执行器输出位移的高精度控制。