针对大时延、慢时变、强干扰和难以精确建模的复杂对象，采用以状态空间法为基础的现代控制理论，往往难以达到令人满意的控制效果。本文以预测控制(MPC)的有限时域优化策略为基础，面向工业过程控制的具体特点，融入迭代学习逐步修正的特点和优势，提出并研究一类基于迭代学习思想的预测控制算法，简称迭代预测控制(ILPC)。迭代预测控制利用模型预测输出对未来期望输出之间的误差，对当前和未来时刻的控制输入进行迭代学习和修正，即在迭代域内反复进行“预测、迭代修正、再预测、再迭代修正……”，而在时域内只把迭代预测的当前时刻控制量施加于被控过程，并在下一时刻再次进行“滚动优化”，以便及时校正因模型失配、时变和干扰等引起的不确定性。这一“迭代修正”和“滚动优化”思想为其自身赢得了较为宽松的计算条件。考虑被控过程的具体特点和控制要求，本文先后提出和研究基于非参数模型、基于结构化参数模型和基于神经网络模型等一系列迭代预测控制算法，适用范围由线性系统拓展到非线性系统。与MPC相比，ILPC不必进行矩阵求逆运算，计算量较小，且迭代计算更符合计算机控制的特点；从另一个角度来看，在MPC的性能函数中必须包含控制约束项，才能满足矩阵求逆的满秩条件，而ILPC不存在矩阵是否可逆的问题，因此放宽了求解预测控制律的约束条件，有利于选择更为灵活的控制约束来改善控制性能。本文的另一研究工作是提出一种基于误差分类思想的交配遗传算法(AGA)，该算法能有效提高遗传算法的优化搜索速度。AGA从根本上抛开了在性能函数负梯度方向上优化和搜索的过程，能够有效避免迭代预测控制算法陷入局部最优，使之更加符合非线性系统控制的特点和要求。在迭代预测控制算法研究的基础上，成功研发大功率电弧炉温度控制系统并用于生产实践。系统长期运行效果良好，已通过湖南省科技厅科学技术成果鉴定，并荣获湖南省科技进步二等奖(No．2002350218-2-05)，现被列入国家重点新产品项目(No．2002ED770005)。