本文研究基于粒子群算法(PSO)与差分算法(DE)优化的广义预测控制(GPC)技术。针对广义预测控制中的滚动优化环节在寻找最优控制输入时所存在的缺陷，将粒子群与差分算法结合，应用于广义预测控制的滚动优化，搜索最优控制输入，使其在系统受约束情况下，更快更准确的达到系统目标函数值最优。文章主要从以下几个方面进行了研究：首先，具体研究广义预测控制基本算法以及改进后的隐式算法。详细分析广义预测控制基本原理和广义预测控制中丢番图方程的递推公式。由于广义预测控制的隐式算法避免了求解丢番图方程，因此有效地减少了计算量即缩短了计算时间，加快了系统的反应时间，并通过仿真验证了该方法的良好控制性能。其次，研究基于粒子群算法的隐式广义预测控制。传统的广义预测控制是在不考虑约束的情况下提出，而现今工业控制系统都是复杂受约束的，粒子群算法是一类基于群体的智能优化算法，解决受约束的优化问题具有精度高、简单方便、收敛快等优点。因此本文详细介绍粒子群基本算法在广义预测控制中的应用，并通过仿真，表明了改进粒子群算法在广义预测控制中的优异性能。最后，为避免粒子群算法陷入早熟，提高精度，本文结合粒子群优化算法和差分优化算法求解控制输入，作用于受控对象，使系统输出平稳准确的跟踪设定值。通过仿真研究表明本文所采用的控制方法具有良好的控制性能。该方法具有适用范围广，响应速度快，稳定性高等特点，对指导实际工业生产有较高的实用价值。