本文研究了连续时间非线性Markov跳变系统的在线自适应优化控制算法。由于Markov跳变系统的各子系统之间存在着耦合关系,本文引入子系统转换技术,将跳变系统之间的耦合关系进行在线解耦。另一方面,考虑到神经网络具有任意近似的能力,本文引入神经网络线性微分包含(Linear Differential Inclusion,LDI)技术将非线性Markov跳变系统中的非线性项近似为线性项,并实现了 LDI在线表示。通过子系统转换和LDI在线表示之后,基于自适应动态规划的思想,本文提出了新的在线策略迭代算法用于求解非线性项Markov跳变系统的H2和H∞最优控制器。需要指出的是,我们设计的优化控制器只需要知道部分动态信息,并不需要知道系统的所有动态信息。本文具体研究工作如下:1.研究了一类线性Markov跳变系统的非零和微分反馈Nash控制问题。首先将该问题转化为求解对应的耦合代数Riccati方程。通过子系统转换技术对各子系统间的耦合关系进行解耦,然后设计了一类新的策略迭代算法,并通过数值仿真证实了所设计算法的有效性和可行性。2.研究了一类部分未知系统动态信息的非线性Markov跳变系统的在线自适应最优控制问题。应用神经网络LDI技术,将非线性项近似地转化为线性形式。利用子系统转换方案,将Markov跳变系统转化为N个新的耦合线性子系统。然后提出了一种新的在线策略迭代算法求解该系统的自适应最优控制器,并证明了算法的收敛性。最后给出一个仿真示例验证了算法的有效性和适用性。3.研究了一类非线性Markov跳变系统的H∞优化控制问题。利用神经网络LDI技术将非线性项近似为线性项。通过子系统转换方案对Markov跳变系统进行解耦合,将其分解为N个具有相同扰动输入的耦合线性子系统。经过上述处理之后提出了一种新的在线策略迭代算法来求解该系统的自适应H∞最优控制器,并给出了算法收敛性的证明。值得注意的是,该算法在求解过程中只需要知道部分动态信息便可求解出系统的H∞最优控制器。并给出了一个仿真示例验证了算法的有效性和适用性。最后,总结了全文的研究内容,并对相关课题未来研究方向进行了展望。