时滞系统广泛存在于现代工业生产过程中。时滞的存在使得被控量不能及时反映被控系统所承受的扰动,该过程必然产生较大的超调量和较长的调节时间,使得控制系统性能变差,因此,时滞系统的建模与控制方法的研究一直是控制领域的研究难点和热点。鉴于此对时滞系统的建模和控制问题的研究,具有很重要的理论和实际意义。神经网络具有独特的非线性映射能力、自组织能力和较强的自学习能力,在时滞系统建模方面具有广泛的应用。而动态矩阵预测控制(DMC)由于其算法的预测性质,在处理时滞系统控制问题时具有其独特的优势。本文针对时滞系统,采用基于改进的自适应变异粒子群(PSO)优化的BP神经网络进行系统辨识,并将其与动态矩阵预测控制算法相结合,提出一种基于改进自适应变异PSO-BP网络的动态矩阵预测控制策略。本文首先介绍了BP神经网络标准算法及其对时滞系统建模的可行性,阐述了BP神经网络基本原理和设计方法,并将其应用于时滞系统的建模,通过仿真实验表明标准BP神经网络可以近似逼近时滞系统,但是存在建模精度低,收敛速度慢等缺陷。其次,研究了基于自适应变异PSO-BP神经网络的时滞系统的建模方法。针对标准BP算法在对时滞系统建模时存在的缺陷,提出一种改进的自适应变异PSO优化算法。该算法类比于遗传算法,将变异算子引入到粒子群中,并按照种群多样性指标来确定变异率的值,更好的平衡了粒子群的全局和局部搜索能力,提高了BP神经网络的辨识性能,通过仿真实验分析,说明了基于自适应变异PSO-BP优化算法的BP神经网络对时滞对象的辨识效果良好,加快了收敛速度,提高了时滞系统的辨识精度。最后,针对时滞系统的特点,本文提出一种基于自适应变异PSO-BP神经网络建模的智能预测控制方法。该方法将神经网络模型预测和动态矩阵预测控制算法相结合,利用作为对象辨识模型的神经网络建立被控对象的多步预测模型,然后利用动态矩阵预测控制的滚动优化算法求取最优控制律,实现对时滞系统的控制。通过仿真实验分析,基于神经网络模型预测的动态矩阵预测控制对时滞系统具有较好的控制效果。