本文针对非线性系统的辨识与控制问题,提出了基于自适应遗传算法的Elman网络辨识算法以及基于异化粒子群优化的动态递归神经网络辨识与控制算法。模拟结果表明,采用所提出的辨识与控制算法对非线性系统进行辨识与控制能够获得满意的结果,尤其是基于异化粒子群优化的动态递归神经网络提出的辨识器和控制器能达到很高的收敛速度和精度,且具有一定的鲁棒性。提出了一个结构简单、具有较高深度、高分辨率的延时回归神经网络结构(time-delay recurrent neural network,TDRNN),并推导了网络的学习算法,证明了网络的稳定性。采用该网络对非线性系统进行了辨识与控制,得到了较好的效果,验证了提出的TDRNN网络对非线性系统辨识与控制的有效性。讨论了若干衍生的TSP问题,针对遗传算法求解TSP问题,尝试了多种遗传操作,并对遗传算子的机理进行了实验分析,得出了一些相关的结论。提出了基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法,模拟实验结果表明,所提出的算法可以比较有效的解决多序列比对问题,为多序列比对问题提供了一条新的解决途径。针对车间作业调度问题,提出了四种智能求解算法,它们分别基于粒子群优化、人工免疫系统、蚁群优化与模拟退火的混合算法以及粒子群与免疫系统的混合算法。通过对一些标准测试问题的模拟,验证了所提算法的有效性。