基于迭代学习控制的快速路交通控制现状与展望，孙何青，侯忠生，本文系统论述了基于迭代学习控制(ILC)的快速路交通控制的发展和研究现状。综述了从基于传统ILC的快速路交通控制方法到基于学习增强�

为提高移动机器人对特定轨迹的重复跟踪能力，提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型，给出了系统的控制算法和控制结构。仿真结果表明，采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的，收敛速度优于其他迭代学习算法。

讨论一类非参数不确定系统的约束迭代学习控制问题.构造二次分式型障碍李雅普诺夫函数(Barrier Lyapunov functions),用于学习控制器设计.控制方案采用鲁棒方法与学习机制相结合的手段处理非参数不确定性,鲁棒方法对处理后的不确定性的界予以补偿,学习机制对处理后的不确定性进行估计.可实现系统状态在整个作业区间上完全跟踪参考轨迹,并使得系统误差的二次型在迭代过程中囿于预设的界内,进而在运行过程中实现状态约束.提出的迭代学习算法包括部分限幅与完全限幅学习算法.采用这种BLF约束控制系统有利于提高控制系统中设备安全性.仿真结果用于验证所提出控制方法的有效性.

为了改善针对一般非线性离散时间系统的控制性能，引入“拟伪偏导数”概念，给出了一般非线性离散时间系统沿迭代轴的非参数动态线性化形式，并综合BP神经网络以及模糊控制各自的优点，提出了基于BP算法无模型自适应迭代学习控制方案。仿真结果表明，该控制器对模型有较强的鲁棒性和跟踪性。

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.

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）