对于具有重复运动性质的非线性被控对象,迭代学习控制技术是一种简单而有效的方法,且需要较少的先验知识,可以实现在给定时间区间上的完全的轨迹跟踪。 本文主要研究内容和结论如下: (1)深入研究了一阶开闭环P型迭代学习控制算法。通过压缩映像证明了其收敛时所满足的条件,并使用鲁棒最优设计分析了其收敛速度,得到了这一算法比单纯的一阶开环P型迭代学习控制算法收敛速度快。 (2)研究了二阶开闭环P型迭代学习控制算法,使用了和一阶算法相同的分析方法,得出其收敛速度比二阶开环P型迭代学习控制算法的收敛速度快,但是,要比一阶开闭环P型迭代学习控制算法收敛速度慢。 (3)研究了M阶开闭环P型迭代学习控制算法,用与一阶算法相同的分析方法,得到其收敛速度比同阶的开环P型迭代学习控制算法的收敛速度快,并证明了M阶开闭环P型迭代学习控制算法的收敛速度比M+1阶开闭环P型迭代学习控制算法的收敛速度快,从而得出一阶算法的收敛速度最快,主要原因是以往多次误差的简单线性组合不能够为控制系统产生新的信息,还可能降低系统的性能。 (4)研究了非线性迭代学习控制算法。运用压缩映像得到了非线性迭代学习控制算法收敛的充分条件,即牛顿型和割线型迭代学习控制律是局部收敛的。通过分析得到了牛顿型迭代学习律的收敛速度最快,割线型迭代学习控制律的收敛速度次之,线性迭代学习控制律的收敛速度最慢,且收敛速度越快,收敛条件越严格。并提出了非线性迭代学习控制算法与一阶开闭环P型迭代学习控制算法相结合的新算法,提高了学习律的收敛速度。