基础的迭代学习控制算法，基于开环、闭环、开闭环的算法

针对一类多关节机器鱼推进速度的调节, 提出一种运动学建模与控制匹配设计的新方法. 以可控性为目标, 建立了基于能量转化系数的鱼尾摆动规律与推进速度性能参考(SSPR) 模型, 系统已知参数把能量转化率收敛到一个可控可调节范围. 自适应迭代学习控制策略与之匹配, 能适时辨识并周期性地更新该模型的能量转化系数, 实现机器鱼在陌生水环境中的推进速度自调节. 仿真分析验证了该模型和控制方法的正确性.

机器人控制仿真程序，全书以机器人为对象，共分10章，包括先进PID控制、神经网络自适应控制、模糊自适应控制、迭代学习控制、反演控制、滑模控制、自适应鲁棒控制、系统辨识和路径规划。每种方法都给出了算法推导，实例分析和相应的MATLAB仿真设计程序

本文提出了一种迭代学习控制方法，可以预先指定错误轨迹。 该方法不需要每次迭代的初始条件都应保持为固定值，而常规方法通常会假定此要求。 所提出的策略是使跟踪误差轨迹在整个间隔内收敛到预先指定的轨迹。 分别研究了常数参数化，时变参数化和组合情况。 因此，通过类似Lyapunov的方法，给出了学习规律并详细分析了学习系统。 利用不饱和/饱和学习定律，系统误差在整个时间间隔内与预定误差轨迹一致，并且保证封闭系统中的所有信号都受到限制。 数值结果验证了该方法的有效性。

人工智能-非线性时滞系统自适应神经网络迭代学习控制.pdf

列车自动运行迭代学习控制算法的研究.docx

预算matlab代码国际劳工大会 gILC是用于非线性系统迭代学习控制（ILC）通用方法的开源软件。 迭代学习控制是对需要重复执行给定任务的动态系统进行开环控制的策略。 其目的是通过使用有关先前试验的跟踪性能的信息来拒绝重复干扰并改善跟踪控制。 gILC允许用户以最小的编码工作量在各种设置中调整算法。 即使对于长控制任务，它也具有出色的计算效率，因此减少了两次试验之间所需的计算时间。 gILC最初由Marnix Volckaert于2012年开发。目前由Armin Steinhauser对其进行维护和修改，以适应新的研究课题。 在这种适应过程中，包括了gILC的Matlab翻译。 笔记 使用gILC之前，请确保获得（至少v3.0）。 可以找到原始发行的软件（v1.3）。 如果无法访问此网站，其内容将打包在doc文件夹中。 版本历史 v1.4，09/2016 更改为CasADi v3.0语法 期望单独的CasADi安装并放弃安装模式 包括Matlab版本 移至Github仓库 v1.3，2012年5月 更新了手册文件 v1.2 包含的选项可提供其他状态的数量（不会设置为等于初始状态值）

基于专家系统的迭代学习控制设计，陶阿嵘，，针对PID型迭代学习控制算法中学习增益选取的优化问题，提出了基于专家系统的迭代学习控制设计。该算法将专家系统用于PID控制参数整

迭代学习ILC的matlab代码数据驱动

人工智能-机器学习-迭代学习控制在机器人中的应用.pdf