经历了二十年的发展,经典的学习控制理论已经成为了一门比较成熟的理论。凭借其独特的学习能力以及简洁的算法,学习控制正广泛地被用于应用领域中。在本文中,主要对迭代学习控制算法进行研究,并且将研究的成果应用于机器人控制中。主要有如下的内容:　　1.迭代学习控制算法的研究。主要分三部分:首先,针对线性系统下的迭代学习控制算法,给出并证明了一种闭环P型迭代学习控制算法在非正则线性系统中的收敛性条件,然后通过仿真等手段来阐明它的有效性;其次,针对一类非线性系统,提出一种带自适应因子的快速学习算法,给出其收敛性条件并予以证明,最后将这种算法与常用的P型算法进行仿真比较来显示它的快速性;再次,针对迭代学习控制的收敛性问题,通过学习结构、初值问题和学习律等三个方面来分析它们对迭代学习控制收敛性能的影响:其中,在分析学习结构时,采用了开环和闭环两种学习律进行比较,并且运用 KuttaRunge方法进行仿真,通过仿真编码和仿真结果来分析这两种学习律的异同;在分析初值问题时,对文献中算法的初始条件进行了一些改进,并且给出了收敛性证明;在分析学习律时,运用了高阶学习律和一阶学习律进行仿真比较。　　2.迭代学习控制在机器人中的应用。分别介绍了迭代学习控制在单关节机器人系统和多关节机器人系统中的应用。其中,对于单关节机器人系统,分别运用文献中提出的算法和本文给出的快速算法对其进行控制比较;对于多关节机器人系统,分别运用简单的闭环D型迭代学习算法和本文的快速算法对其进行控制比较。最后进行仿真试验,结果证明了快速算法在收敛速度方面的优势。