利用混沌的遍历搜索等特性可以提高神经网络在优化计算中的应用性能。其应用方式一般是在优化计算初期使网络处于混沌来实现网络的遍历寻优，然后通过逐渐衰减自反馈强度等方式来破坏混沌等非线性特性的发生机制，迫使神经元/网络蜕变为传统神经网络，实现函数的优化计算。显然，网络的混沌特性在优化计算的过程中并未真正被控制，第二阶段已经不是混沌神经网络的优化，而是普通神经网络的优化计算。因此，为保证神经网络在优化计算求解过程中结构不变性，以迟滞混沌神经元和迟滞混沌神经网络为研究对象，提出一种基于滤波跟踪误差的控制策略来实现神经元/网络的控制。在该控制策略下，无需破坏混沌特性发生机制，即可利用神经元/网络实现函数优化计算问题求解。所设计的控制律包含两个部分，一部分是系统进入滤波跟踪误差面时的等效控制部分，另一部分用以保证系统快速进入滤波跟踪误差面。采用Lyapunov方法对神经元/网络控制的稳定性作证明。根据待寻优函数求解神经元的控制律，在该控制律的作用下，神经元/网络可稳定到优化函数的极值点，进而实现优化问题的求解。仿真实验结果验证了该控制方法在优化计算中的可行性和有效性。在上述研究的基础之上进一步探索，采用滑模控制的方式对有扰动的迟滞混沌神经元和迟滞混沌神经网络进行控制，并将此被控神经元/网络用于函数寻优。仿真结果表明滑模控制的方式可以实现迟滞混沌神经元/网络的控制，并验证了在函数优化计算求解中的可行性。