【中图分类号】TP273+.22 【文献标识码】B  文章编号1606-5123（2017）11-0000-00

1 引言

在工业机器人控制需要的推动下，对于具有重复运行特点的被控对象，以实现其理想输出的跟踪为目标，近年来在控制技术与理论中发展了迭代学习控制这一新的研究方向。尽管目前已经取得的研究成果的技术和理论在应用范围上还有局限性，与人工智能意义的“习控制”也还有一定距离，但是，它仍以其学习规则的简单可行，在一定范围内对于非线性系统具有良好的鲁棒性以及实现预期轨迹的跟踪等独特的特点，吸引了众多自动控制领域内的专家学者的关注。

2 迭代学习控制原理

在本文中，我们将依次介绍迭代学习控制的基本概念、迭代学习控制与其它控制方法的联系。迭代学习控制，顾名思义，就是通过反复的迭代修正，来达到某种控制目标的改善，其是智能控制中具有严格数学描述的一个分支。迭代学习控制是智能控制的重要组成部分，其通过与控制对象和环境的交互作用，根据过去获得的经验信息,在控制过程中不断地完善自己，逐步改进自身的未来性能，以使控制效果越来越好。从数学意义上来讲，就是使控制系统能产生指定的输出信号，因此迭代学习控制是一种重复求逆的过程，这一过程仅需要直接应用系统的实际运行数据和迭代过程中的信息，而不需要对系统进行仔细建模。

迭代学习控制是20世纪80年代提出的一门新兴的自动控制理论，由于它的一些显著优越性，在近几十年得到了较大的发展。迭代学习控制适合于具有某种重复运动性质的被控对象，可实现有限时间区间上的完全跟踪任务。它通过对被控系统进行控制尝试，以系统输出与给定轨迹的偏差信号修正不理想的控制信号，产生一个新的控制信号，使得系统跟踪性能得以提高。

3 ILC其他控制方法相结合

迭代学习控制并不是一种孤立的理论，把迭代学习控制和其他控制理论相结合，发挥迭代学习控制和其它控制方法的长处，一直是众多学者努力的方向。目前，比较成功的与其他理论的结合成果主要有以下几个方面。

3.1 与最优控制理论的结合

在最优控制中，要根据系统精确的模型来进行最优设计，如果系统模型改变则最优控制器将不是最优的。将最优控制和迭代学习控制结合起来可以提高迭代学习控制的收敛速度，即引入某个目标函数，采用最优化方法设计最优学习控制律。

3.2 与自适应控制理论的结合

自适应控制系统中，学习指的是对控制器的在线修正，虽然自适应控制具有对环境变化的适应性和对建模误差的不敏感性，但致命的弱点是在线辨识参数所需的庞大计算，而迭代学习控制是一种离线的学习过程，通过仿效人的学习提取经验，并重复执行同一任务来减小误差。所以将迭代学习控制和自适应控制结合将有很大的实际意义。

3.3 与智能控制的结合

现有的迭代学习控制只能用于某种特定的轨迹跟踪问题。学习的结果是在记忆下的控制过程，一旦要求改变输出轨迹，必须重新学习，因而是属于“死记硬背”式的学习，没有较好的联想，推广等知识应用能力，也就限制了其应用范围。迭代学习控制与专家系统、神经网络等智能控制的结合可以弥补迭代学习控制的这一缺陷，通过抽取学习结果的特征信息从而提高系统的智能化程度。

3.4 与鲁棒控制的结合

鲁棒控制可以在不确定因素一定变化范围内，保证系统稳定和维持一定的性能指标，从而能有效地解决被控对象模型不确定性和外界扰动不确定性问题。自适应控制和鲁棒控制将系统的不确定性分为结构不确定和非结构不确定，多数ILC策略不直接考虑非结构不确定而是作为余项。

4 结束语

对于具有重复运动性质的系统来说，迭代学习控制概念提出的十几年来，人们对它的研究越来越重视，从线性系统到非线性系统，从连续系统到采样系统，从确定性系统到不确定性系统，人们的研究工作由浅到深、由表及里，一方面致力于完善迭代学习控制理论，另一方面积极拓宽其应用范围。然而迭代学习控制理论目前有一些挑战性的问题尚待解决，这些问题的解决将大大地推动智能控制、非线性控制理论的发展，对应用领域也将起着重要的影响。

参考文献

[1]林辉.非线性系统闭环P型迭代学习控制的收敛性.控制理论与应用,1995,12(6).

[2]魏燕定.任意初始状态下的学习控制，北京大学，1994,20(1):74～79.

[3]刘山.迭代学习控制系统设计及应用.博士学位论文,浙江大学,2002.

[4]孙明轩.迭代学习控制系统的鲁棒性分析.科技通报,1996,12(4)

作者简介

刘  超 （1992-） 男 工学学士 研究生在读 研究方向：控制科学与工程