迭代学习控制(Iterative Learning Control)可以利用先前迭代的输入输出信息和跟踪信息来构造下一次迭代过程的输入信号,使得当迭代次数增加时,系统的跟踪性能逐渐提高。由于迭代学习控制需要利用历史的学习经验来修正控制输入信号,故而需要被控对象是能够重复运行的。然而,在大多数实际系统的运用中,并不能保证严格的重复性(如初始状态的变化,跟踪目标的变化等),从而限制了迭代学习控制的应用范围。为了放宽迭代学习控制中迭代长度一致的制约条件,本文主要做了以下工作:1.针对连续时间非线性系统中的批次长度随迭代变化的问题,提出了一个修正的跟踪误差,并给出了一种不需要先验知识的P型采样ILC算法以及使跟踪误差在每个采样时刻收敛的充分条件。同时,讨论了提出的ILC算法在初始状态不变和初始状态有界变化两种情况下的收敛问题。仿真试验验证了提出算法的有效性。2.针对连续时间非线性系统中的批次长度随迭代变化的问题,利用修正的跟踪误差,给出了两种不需要先验知识的PD型采样ILC算法:基于传统PD型ILC算法和基于迭代滑动平均的PD型ILC算法。以及分别给出了两种算法使跟踪误差在每个采样时刻收敛的充分条件。同时,讨论了提出的两种ILC算法在初始状态不变和初始状态有界变化两种情况下的收敛问题。仿真试验验证了两种算法的有效性。3.运用双足步行机器人模型,针对第二章中提出的具有修正跟踪误差的P型ILC算法进行仿真实验,实验结果证明了算法的有效性。