迭代学习控制(Iterative Learning Control,简称ILC)作为智能控制领域的重要分支,特别适用于那些能够在固定的有限时间内完成特定任务并重复执行相同操作的系统。迭代学习控制利用先前批次的经验改进系统的控制信号,通过重复试验逐步提高控制性能。为了确保系统的跟踪性能可以沿迭代轴逐渐提高,迭代学习控制要求系统在每一批次的操作长度都必须保持一致。而在实际应用中,由于存在复杂的因素和未知的不确定性,系统每一批次运行的时间长度可能是随机变化的。针对迭代学习控制中的变长度问题,已经取得一些研究成果,但它们大多数都是关于线性离散系统的,而很少考虑非线性连续系统。基于这一背景,本文主要研究了非线性连续系统中的变长度迭代学习控制问题,具体工作包括:1.第二章研究参数化非线性系统的变长度迭代学习控制问题。基于已知的部分结构信息,提出了两种迭代学习控制方案。具体来说,未知参数既有时变类型也有时不变类型时,应用差分-微分叠加型学习算法;所有未知参数都为常数时,应用差分-微分混合型学习算法,该算法也可以处理时变参数。文中给出了两种误差补偿机制,并针对变长度问题引入新的复合能量函数(Composite Energy Function,简称CEF),从理论上严格证明了两种控制算法的收敛性。2.第三章研究机械臂系统的变长度迭代学习控制问题。文中定义了虚拟跟踪误差,并基于该辅助变量构造一种新的复合能量函数,证明了机械臂关节位置跟踪误差的收敛性。另外,考虑了初始状态随机变化的情况,在设计控制器时,引入初始校正机制,确保机械臂关节位置可以在较小初始时间间隔以外跟踪上目标轨迹。3.第四章研究控制方向未知的高阶严格反馈系统的变长度迭代学习控制问题。文中使用神经网络对系统中未建模的非线性动态进行逼近,并设计微分型算法学习神经网络中的相关参数。基于补偿后的虚拟跟踪误差信号,构造新的复合能量函数分析了控制算法的收敛性。