自适应评判控制,也称自适应动态规划(Adaptive Dynamic Programming,ADP),融合了最优控制、神经网络和强化学习的思想,是最优控制领域新兴的近似最优方法,能有效克服动态规划“维数灾难”问题。随着经济、社会、工业等领域的发展,不断涌现的复杂非线性关联系统通常具有难以精确建模、高度非线性、关联特性、输入受限和时滞等特性,使现有的控制理论和方法面临极大的挑战。分散控制是一种针对复杂关联系统的高效控制方法,其思想是找到多个局部控制律,针对每个交联子系统进行独立地控制,各个局部控制律之间没有信息交换,降低了计算负担并增强了控制系统的可扩展性。因此,具有自学习和优化能力的分散自适应评判控制方法,在求解非线性关联系统控制问题中具有极大的潜力。本文主要面向非线性关联系统的分散自适应评判控制方法进行研究,包括如下两个方面:1.研究含有未知时滞非匹配关联项的非线性系统最优分散控制方法。构建了局部鲁棒观测器来辨识未知动态,释放了关联项需满足匹配假设的条件。本文构造了新型的局部值函数以抵消替换误差、观测误差以及系统关联项的影响。采用了局部鲁棒观测器-评判网络框架的策略迭代算法求解局部Hamilton-Jacobi-Bellman(HJB)方程,从而获得近似最优分散控制律。基于Lyapunov稳定性分析方法,证明了含有未知时滞非匹配关联项的闭环非线性系统稳定性,通过仿真验证了算法的有效性。2.研究基于事件驱动机制的模型未知非线性关联系统最优分散追踪控制方法。引入了非二次型效用函数以消除受限控制输入对系统的影响,构建了基于径向基神经网络的局部观测器以辨识子系统的动态。构建了新型局部值函数以抵消替换误差、观测误差和轨迹追踪误差的影响。通过局部评判网络实现对局部值函数的近似,使用策略迭代算法对HJB方程求解从而获得最优分散控制律。为节省计算资源和通信量,引入事件驱动机制,实现局部观测器网络和局部评判网络的非周期性同步更新,并且在事件触发时刻令局部控制律进行执行和更新。通过Lyapunov稳定性分析表明,所提出的事件驱动分散追踪控制方案保证模型未知的闭环非线性关联系统稳定。最后通过仿真验证了该算法有效性。最后,对全文的工作进行了总结,并结合本人的研究心得,对目前研究中存在的问题进行了展望。