智能控制是指智能机器在无人干预条件下自主驱动并实现控制目标的自动控制技术，它是一门新兴的边缘交叉学科，其发展得益于认知科学、系统科学、人工智能以及生物信息学等许多学科的进步，同时也促进了相关学科的不断完善。对于许多复杂系统来说，由于不确定性、不完全性、复杂性、非线性等因素的存在，很难用常规的控制理论或一个有效的数学模型来定量的分析、计算。因而，控制理论已逐步从“经典控制理论”、“现代控制理论”，发展进入到“智能控制理论”阶段。智能控制的研究对象往往往往具有不确定性（即该模型的结构和参数在较大的范围内变化或模型未知或知之甚少）或模型虽然具有确定性但是不能用抽象的解析式显性表达。针对此类问题，本文将常用的优化此类控制问题的进化类算法，根据适应度函数的表达与计算方式的不同分为:不确定型、迭代型、异构型等几种类型，并分别提出相应的改进计算模型和算法，有力地推动了各种新型智能控制方法和关键技术的研究。　　论文主要在以下几个方面展开了研究工作:　　针对目前工程中普遍存在的，许多适应度函数的计算代价巨大或者显性的适应度函数并不存在的问题，引入统计学中Hoeffding边界的概念，提出了基于Hoeffding不等式的进化算法估计框架。该方法首先定义了一种新型操作算子-Hoeffding选择算子;然后基于该算子提出了具有双路（确定型和估计型）适应度函数计算方法的进化算法框架;最后，将该框架与大规模数据集的符号回归、关联分类等问题相结合，验证了该框架的有效性。实验表明，新框架能够在求解精度保持近似不变的前提下，大大加快算法的优化速度。　　为了解决适应度函数计算中需要反复迭代、大量的数据需要读入读出、内存空间有限、需要消耗系统大量计算时间的问题，我们提出一种新的进化算法框架-多生命期进化框架。该框架有如下特征:首先，传统的进化算法经过改造后都可以在该框架下运行;其次，该框架允许不同代的个体在同一时间并存，种群中的每一个个体随着时间的推移，并行成长、发育，不同代的个体的发育和繁衍是一个持续的串、并混合的过程;最后，所有个体都有一个最大的生命期，每个个体既可以生长到最大生命期后死亡或繁衍，也可以在一定约束条件的限制下，成长到特定的年龄后，自行消亡或产生后代。实验结果表明，该算法成功的将基于静态环境、并行运行的标准进化算法扩展到动态、复杂的环境中去，以串、并混合的方式高效运行。当需要读入读出内存的数据块数M远大于种群中个体数目N时，该算法有效的提高了传统进化算法的效率。　　为了解决进化过程中，由异构型个体组成的种群内个体的适应度不能有效指导进化方向的问题，我们提出了一种混龄遗传规划算法(MGP)来指导种群进化。个体根据各自的年龄（结构特征）被分到不同的组，不同个体的竞争被限制在具有相同年龄的组中。该方法维持了一个串、并混合的进化过程，该过程中选择压力被限制在特定年龄范围内，因而交叉、变异操作不会破坏进化的连续性。实验结果显示，MGP算法在寻优由异构型个体组成的种群时，能有效协调局部搜索与全局搜索的关系，指导进化搜索到最优个体。　　目前，移动机器人目标识别、跟踪过程中，基于传统色彩特征的跟踪方法往往存在着对跟踪目标在场景内的移动或变形、对视频图像外观尺寸的较大改变、对光线强度的剧烈变化过于敏感的问题。为了提高跟踪算法的鲁棒性，本文提出一种基于目标材质特征的机器人识别、跟踪算法。该算法引入Shafer双色性反射模型，基于Hoeffding进化算法构造数学模型。然后，利用该目标的数学模型对物体进行识别、跟踪，解决了机器人目标跟踪、识别过程中因目标变形、场景及目标运动轨迹复杂而难于跟踪的问题。　　针对当前传统的机器人路径规划算法中存在的，离线算法只能在已知环境中进行静态规划，在线算法往往又只注重对障碍物的动态反应，忽略了对最优路径的寻找的问题，本文引入混龄进化框架，提出一种基于危险模型的时变免疫路径规划算法。该算法既可以在离线条件下进行最优路径规划，也可以在目标变换、环境不确定、机器人计算资源有限等条件下，根据需要进行在线最优路径规划。从而大大提高了传统路径规划算法的柔性及效率。