随着工业过程复杂程度的提高，很多控制过程都存在着随机性、强约束、大时滞等非线性特性，很多系统的影响因素很多，内在机理十分复杂，很难建立准确的数学模型表达式。模糊控制不用建立数学模型，根据实际系统的输入输出的结果数据，参考现场操作人员的运行经验，就可对系统进行实时控制。近年来已经广泛的应用于非线性系统的建模和控制中。随着生产过程自动化水平的提高，人们对提高生产效率、提高产品质量和降低生产成本提出了越来越高的要求，许多实际的控制问题归结为控制器参数的优化问题。而有些传统的优化方法中，如果初始值选择不好，就会容易陷入局部极小和优化时间较长，使优化效果达不到实际系统的要求。混沌优化和粒子群优化都是新颖的智能优化方法，收敛速度快，搜索精度高，目前其理论和应用方面的研究都已经取得了初步成果。基于优化算法的模糊控制在非线性控制领域中得到越来越广泛的关注和研究，有着非常广阔的应用前景。　　 本文首先介绍了广义预测控制(GPC)和T-S模型模糊预测控制的算法和应用，然后以模糊控制为基础，引入了混沌优化和粒子群优化算法，围绕参数辨识，系统建模和预测控制等方面做了一些研究。本文的研究工作主要包括以下几点：　　 1.在腹腔循环热灌注化疗(CHPP)系统中，使用广义预测自校正控制和T-S模型模糊预测控制实现对腹腔药液温度的精确控制。基于神经网络建立了控制模型，仿真和实验结果表明，这种控制方法能满足系统升温速度和控温精度的要求，收敛速度快，算法稳定。　　 2.提出了基于混沌(COA)和粒子群优化算法(PSO)设计有约束T-S模型模糊预测控制器。这种方法避免了非线性规划解决有约束问题时易陷入局部极值和复杂繁琐的计算量问题，减少了计算量，提高了精确性，具有良好的搜索性和稳定性。仿真结果表明预测输出能精确地跟踪目标函数值，说明了设计的控制器的有效性。　　 3.提出了使用基于粒子群优化算法的自适应神经-模糊推理系统(ANFIS)建立新产品的客户满意度模型。仿真结果表明这种方法的有效性，避免了传统的ANFIS使用梯度下降方法训练参数造成的计算复杂，容易陷入局部极值和难以选择合适的学习因子的缺点，通过学习误差和泛化误差的比较说明提出的方法优于ANFIS，收敛速度快，能够准确地建立客户满意度模型。