切换系统是由一族有限个子系统和切换信号构成的特殊混杂系统,有着广泛实际应用背景。众所周知,实际系统本质是非线性的,且普遍具有不确定性和时滞特性,因此,难以建立实际系统的精确数学模型。传统的控制方法难以解决对具有高度非线性、不确定性和时滞的切换系统的高性能控制问题。随着现代工业对控制的精度、响应速度、容错性、自适应和自学习能力等要求日益提高,智能控制方法已经成为解决不确定切换系统高性能控制问题的新手段。本文根据当前国内外切换系统的研究现状,在深入理解切换系统理论以及自适应神经网络控制和迭代学习控制等方法的基础上,针对切换系统的智能控制问题及切换策略的设计方法展开深入研究,并取得了如下成果:1.对一类单输入单输出严格反馈不确定非线性切换系统,结合后推法、共同Lyapunov函数法和动态面技术提出了一种任意切换信号下的自适应神经网络动态面跟踪控制方案。该方案在后推过程的每一步中,使用Young’s不等式构造了系统中未知部分的未知光滑上界函数,消除了切换信号的影响,然后使用一个径向基(RBF)神经网络来逼近该光滑上界函数,同时使用动态面技术避免了对共同虚拟控制反复求导,克服了“计算膨胀”问题,并将滤波器输出的导数取代传统中间变量作为神经网络的输入,从而降低了网络输入维度,利用Young’s不等式技术保证神经网络只有一个可调参数。理论证明了所提控制方案保证闭环系统在任意切换信号下半全局一致终结有界,通过调节控制器参数使跟踪误差收敛到零的任意小邻域内。通过仿真实验证实了所提方案的有效性、鲁棒性。2.对一类单输入单输出纯反馈不确定非线性切换系统,提出了一种任意切换信号下预设性能的自适应神经网络动态面跟踪控制方案。首先利用中值定理将系统转化为控制增益方向未知的严格反馈非线性切换系统,通过引入性能函数和误差变换,将原来切换系统的预设性能跟踪问题转化为等价的无约束系统镇定问题,然后结合后推法、共同Lyapunov函数法和动态面技术设计该等价系统的自适应神经网络控制方案,即原系统的预设性能控制方案。在后推过程的每一步中,使用Young’s不等式构造了系统中未知部分的未知光滑上界函数,消除了切换信号的影响,利用一个RBF神经网络来逼近该未知光滑上界函数,使用Nussbaum函数解决了等价系统中未知控制增益的未知符号问题,同时使用动态面技术避免了对共同虚拟控制反复求导,克服了“计算膨胀”问题。理论证明了当初始误差满足预设性能条件时,所提控制方案可以保证闭环系统在任意切换信号下半全局一致终结有界,跟踪误差在预设性能边界内收敛。仿真实验验证了所提控制方案的有效性和鲁棒性。3.对一类单输入单输出不确定时滞切换离散系统,提出了一种单调收敛迭代学习控制方案。该方案利用状态反馈信息和跟踪误差设计了一种混合学习控制律,将闭环系统转换为等价的2D模型系统,通过引入一个二次性能指标函数并结合多LyapunovKrasovskii泛函,给出了迭代学习控制在任意切换信号下鲁棒单调收敛的充分条件及学习增益的计算公式,该条件用线性矩阵不等式(LMI)表示且与时滞无关。理论证明了所提迭代学习控制方案和单调收敛性条件可以保证跟踪误差2-范数在任意切换信号下鲁棒单调收敛。仿真实验验证了所提方案的有效性和鲁棒性。4.根据多模型切换控制中切换策略的分类特性,提出了一种高斯核支持向量机(SVM)的快速建模方法,为采用SVM设计切换策略提供了一种途径。首先提出并且证明了特征空间中的类间距离(ICDF)是关于高斯核参数的严格单峰正定函数,并根据该结论提出了一种对高斯核参数快速搜索最优值的改进黄金分割算法(MGSA),然后结合MGSA算法和进化算法提出了一种SVM快速建模方法,该方法包含两个阶段,第一阶段使用MGSA快速搜索高斯核参数缩小区间,第二阶段使用进化算法在该缩小区间和惩罚因子区间上搜索最佳参数连续值。所提方法有效解决了SVM分类器建模选择参数时存在计算量大、耗时长的难题。实验验证了该方法对SVM建模的快速性、减少了计算量并保持了SVM很好的性能。