当前我国能源现状日益严峻,资源利用效率低,余热资源没有得到有效利用。吸收式制冷机组能够利用余热资源运行,但是吸收式制冷机组在部分负荷下运行时,系统的性能系数(coefficient of performance,COP)较低,存在着较大的资源浪费,而且吸收式制冷机组具有强耦合、大时滞及难以建立精确的控制模型等特点。本文针对这些问题建立BP神经网络稳态模型,利用改进的粒子群优化算法寻找部分负荷下的最佳设定点,提高系统COP,根据获得的设定点利用改进的无模型自适应控制算法对吸收式制冷机组进行控制。主要的研究内容如下:首先,搭建单效溴化锂吸收式制冷实验平台。在不同负荷的情况下,运行实验平台,获得系统的稳态数据。根据实验数据建立6-9-2的BP神经网络稳态模型,根据建立的稳态模型对输入变量进行敏感性分析,得出需要优化的设定点。其次,针对制冷机组在部分负荷下COP不高的问题,提出一种逆神经网络算法与粒子群算法结合的寻优算法。根据寻优算法寻找制冷机组在部分负荷下运行的最佳设定点,利用实验数据验证所提方法的有效性。通过对比优化前后设定点可知,制冷机组部分负荷下的COP得到明显提升。最后,针对制冷机组存在大时滞与难以建模的特点,提出一种基于二阶泛模型带有滞后时间输入变化约束项的无模型自适应控制方法。考虑之前时刻的输入变化量对输出变化量的影响,将泛模型从一阶提升到二阶,推导出双输入双输出的二阶泛模型,并将滞后时间常数引入控制输入准则函数与估计准则函数,推导出双回路二阶泛模型的控制方案。对该方案进行仿真对比,仿真结果表明,在制冷机组中应用改进的无模型自适应控制算法具有良好的控制性能。