迭代学习控制是一种新型控制算法,它不依赖于系统的精确数学模型,是一种以迭代产生优化输入信号,通过重复执行同一任务来减少误差,使系统输出尽可能逼近理想值的方法。迭代学习控制算法的研究对那些有着非线性、复杂性、难以建模以及高精度轨迹控制问题有着非常重要的意义。本文首先对迭代学习控制的一些基本知识进行了简单介绍,包括提出的历史,数学描述以及一些常用迭代学习控制律。其次分别讨论了开环、闭环和开闭环迭代学习律的控制问题,并在MPCE实验设备上进行了实验,随后在间歇反应器模型上进行了仿真。而后采用一种通过粒子群算法对迭代控制器参数进行约束和优化求解来优化迭代学习律,形成优化的迭代学习的综合控制方案。由于固定增益的学习律将使得算法的学习速度降低,迭代的次数增加；所以本文采用粒子群算法优化非线性PID控制器参数。此方法不仅提高了系统的抗干扰性能和初始鲁棒性,而且充分发挥了迭代学习控制不需要建立精确数学模型的智能化优点。本文将该方法应用于非线性PID控制系统中,并对固定增益的迭代过程和用粒子群优化的迭代过程的输出跟踪曲线进行了仿真比较。仿真结果表明,应用本文采用的控制方法使系统收敛速度更快、跟踪效果更好,且保证了在较少的迭代次数下,被控系统的输出轨迹能精确地收敛到期望轨迹。