迭代学习控制理论是智能控制理论的一个重要分支,适用于具有重复运动性质的被控系统(例如工业机器人、数控机床、电力系统等)。迭代学习控制通过对被控系统进行控制尝试,以输出信号与给定跟踪目标的偏差不断修正控制信号,以提高系统的跟踪性能。本文的研究工作主要包括以下几个方面:1.针对一类非线性控制系统,基于向量图分析,考虑控制过程中可能出现的不同情况,依据前次控制的实际输入修正量与本次一般P型算法控制修正量的空间角度关系,得到一类改进了的迭代学习控制算法,并对算法进行了收敛性分析和数值仿真。2.研究了迭代学习控制与其他智能控制算法的结合问题。针对一类非线性控制系统,提出了一种基于向量图分析的具有模糊增因子的迭代学习控制器设计法,仿真表明了方法的有效性。3.针对一类存在状态干扰和输出干扰的正则广义线性系统,利用闭环PD型学习律,讨论了迭代学习控制系统的鲁棒收敛性问题,并证明了在给定干扰有界的条件下,系统的跟踪误差有界及所有干扰渐近消除时,系统输出可以渐近地跟踪给定的期望轨迹。4.研究了一类离散系统的迭代学习控制问题,基于向量图分析,提出了一种新的迭代学习控制算法,该算法有两个可供调节的参数α和β,并证明了当迭代学习控制系统的参数满足一定条件时,可通过调节参数提高算法的收敛速度。