迭代学习控制是现代自动控制领域涌现的一个新兴研究方向,其利用系统重复操作的特点,能够有效改善时域瞬态控制性能。但在实际工程中,传统迭代学习控制对重复性的严格假设往往不能满足,放宽重复性条件是迭代学习控制领域近几年的研究热点,这也是迭代学习控制在跨越其理论与应用鸿沟过程中亟待解决的一个重要科学难题。本文以两类非严格重复的离散时间系统为研究对象,分别研究了两种非严格重复的问题,有针对性地设计迭代学习控制方法,特别是首次提出分类算法与迭代学习控制器相结合的设计理念。论文的主要工作和创新点总结如下。(1)针对一类线性离散时间系统,首次研究了系统参数在不同类别之间迭代变化的问题,这一类问题完善并丰富了非严格重复领域的研究内容。这不仅在很大程度上扩展了系统参数在迭代域上的允许变化范围,而且从实际应用角度充分考虑了系统参数在迭代域上变化时可能存在的类别特征。(2)针对系统参数在不同类别之间迭代变化的离散时间线性系统,设计了结合分类器的迭代学习控制算法,训练好的分类器根据实时输入输出数据判断系统参数类别,利用相应类别的历史数据更新迭代学习控制器。通过理论分析证明了所提算法在没有分类错误情况下的有界收敛性能,比较了所提算法相对于传统迭代学习控制算法的优势。(3)针对分类器与迭代学习控制结合时存在的实时性要求和数据存储问题,研究了类别校正机制和分类存储机制。一方面,提出两种基于投票法的类别校正机制,对分类器得到的实时类别判断结果进行修正;另一方面,提出了迭代学习控制对历史数据的分类存储思想,分别研究了实时分类存储机制和Batch-wise分类存储机制。仿真分析了所提类别校正机制和分类存储机制的特点,应用于结合分类器的迭代学习控制算法并说明这两种关键机制的有效性。(4)针对快速路宏观交通流系统这一类典型的分布参数系统,考虑非严格重复的边界条件,设计了基于反馈-迭代学习控制的入口匝道调节方案。反馈模块利用边界路段的密度跟踪误差,抑制每次迭代下游边界拥堵带来的不同影响;迭代学习控制模块有效利用交通流的重复性特征,学习以往的控制经验。通过严格的理论分析证明了在非严格重复边界条件的影响下,应用所提的迭代学习控制方法可以得到有界的误差。通过仿真分析验证了反馈-迭代学习控制的有效性。