迭代学习控制技术适用于具有重复运动特性的对象,设计合适的学习算法,通过反复迭代,不断修正跟踪误差,使得系统的输出在整个有限时间区间上实现对期望轨迹的完全跟踪。本论文重点研究几类广义系统的迭代学习控制算法设计问题,同时也考虑了固定初始偏移问题,迭代变期望轨迹问题以及广义多智能体系统的一致性跟踪问题。论文的主要工作总结如下:1.讨论了线性离散广义系统的迭代学习控制问题。首先,基于广义系统的等价受限分解形式,提出了一种离散时间混合PD型学习算法,并将该算法应用于具有状态时滞的离散广义系统上。其次,构建了一种闭环PD型学习算法,该算法可有效消除离散广义系统的非因果性。分别给出了以上两种学习算法的收敛性条件,并利用数值算例验证了算法的有效性。2.研究了具有固定初始偏移的离散广义系统的状态跟踪问题。根据离散广义系统的特点,设计了一种新的闭环迭代学习算法,并给出了相应的状态极限轨迹。在该算法的作用下,系统的状态可渐近跟踪给定的期望轨迹。为消除固定初始偏移对系统跟踪性能的影响,进一步将初始修正策略应用到离散广义系统上。在初始修正策略的作用下,系统的状态在预定有限时间区间上可实现对期望轨迹的完全跟踪。3.考虑了一类单边Lipschitz非线性广义系统的迭代学习控制问题。为了跟踪给定的期望轨迹,针对该类非线性广义系统提出了一种闭环D型学习算法。然后借助于单边Lipschitz条件和二次内部有界条件,分析并给出了收敛结果。最后,数值仿真验证了理论结果的有效性。4.研究了广义切换系统的迭代学习控制算法设计问题。首先,基于奇异值分解方法,将广义切换系统转化为切换微分代数系统,并构建一种由D型和P型学习算法组成的新型算法。其次,采用闭环D型学习算法研究一类广义切换时滞系统的迭代学习控制问题。最后,考虑了具有任意切换率的离散广义切换系统的迭代学习控制问题。根据系统的结构特点,提出了两种离散时间迭代学习控制算法。5.针对一类线性广义系统,考虑了由高阶内模生成的非严格重复期望轨迹的跟踪问题。利用内模原理,提出了基于高阶内模的P型学习算法并建立了相应的收敛性定理。在该算法的作用下,可实现对迭代变期望轨迹的完全跟踪。6.利用迭代学习控制方法研究了广义多智能体系统的一致性跟踪问题。这里跟随者之间的交流是用一个有向图来描述且只有部分跟随者能够接收到领导者的信息。针对该广义多智能体系统,在连续时间域和离散时间域构建了一种统一的分布式迭代学习算法。结果表明:该算法能使得跟随者的输出在整个时间区间上收敛于领导者的轨迹。