迭代学习控制算法针对具有重复性和周期性运动特征的控制对象，解决对期望轨迹完全跟踪的问题。它采用系统的实际输出和系统的期望输出的偏差，对系统的控制输入进行调节，使得系统的跟踪性能得以提高，达到跟踪期望轨迹的目的。在现代工业生产中，具有重复性和周期性特点的生产过程是屡见不鲜的，因此迭代学习控制作为可以解决此类问题的一种先进的控制方法，得到广泛的重视和快速的发展，现已成为现代工业控制技术中的重要控制方法之一。　　早期迭代学习控制算法的收敛速度较慢，应用范围较窄。本文针对高效快速的优化迭代学习控制算法进行研究，主要通过优化迭代学习控制算法的学习率，实现对迭代学习控制算法收敛速度的提高。首先，采用模糊控制的方法对PD型迭代学习控制算法进行优化。其次，基于智能算法求解优化问题的最优解，实现对迭代学习控制算法进行优化的目的。主要工作可以分为：基于克隆选择算法提出带干扰的基于克隆选择算法的迭代学习控制优化算法；基于时间序列分析提出DTW迭代学习控制优化算法，并将DTW-ILC算法用于农业灌溉水的预测控制方面；为了进一步提高DTW-ILC算法的收敛速度，提出提前终止的DTW-ILC算法。最后，在研究过程中发现系统在实施控制的过程数据经常产生传递，如果操作不当总会发生丢失的现象。因此基于 P型迭代学习控制算法，考虑发生数据丢失情况的P型迭代学习控制算法的收敛性问题。主要研究工作如下：　　（1）针对系统存在不确定性情况，当系统为相对阶大于1的严格正则系统时候迭代学习控制算法的收敛性问题，提出基于模糊控制的加权PD型迭代学习控制算法，不仅保证算法收敛性，而且使得算法收敛速度得到提高。　　（2）针对克隆选择算法进行改进并应用于优化迭代学习控制，通过克隆选择算法求解迭代学习控制中的优化问题，并且考虑系统存在干扰信号，提出带随机干扰的基于克隆选择算法的优化迭代学习控制算法。通过严格的数学证明，证明了带随机干扰的基于克隆选择算法的优化迭代学习控制算法的收敛性。最后通过仿真实验验证带随机干扰的基于克隆选择算法的优化迭代学习控制算法不仅保证算法的收敛速度得到提高，而且解决算法中模型的不确定性问题。　　（3）针对如何高效优化迭代学习控制算法学习效率的问题，实现对迭代学习控制算法的收敛速度提高的目标。采用时间序列相似性度量方法求解迭代学习控制算法中的优化问题，提出一种基于时间序列理论的快速迭代学习控制算法。通过求解迭代学习控制算法中的优化问题，使得构建的迭代学习控制算法具有模型自修正功能，由此减小算法对系统模型的依赖程度，并对算法进行收敛性、有效性分析，完成相应的理论证明。根据DTW-ILC控制方法的思想，先计算出灌溉用水，将其存放在灌溉池中，再根据实际农业灌溉用水量进行灌溉，反复用计算出来的灌溉池储水量逼近实际用水量，达到修正系统参考模型的作用，同时将下次灌溉的用水量存储在蓄水池中，可以很好地预防干旱带来的无水灌溉的问题。仿真结果表明经过几次蓄水灌溉的过程可以很好地跟踪农业灌溉的实际用水量，提前作好蓄水池的蓄水工作，需要灌溉时有适当的灌溉用水，减少浪费，最终达到节水目的。　　（4）针对如何进一步高效的优化迭代学习控制算法的学习效率，进一步提高迭代学习控制算法的收敛速度，针对提出的DTW-ILC算法展开研究，提出提前终止的DTW-ILC算法（EADTW-ILC）。在求解迭代学习控制算法的优化问题过程中，通过设定阈值的方法，当求出最优解大于阈值时，终止求解过程节省算法的计算时间，达到提高算法收敛速度的目的。并将构建的算法运用于除冰机器人机械手臂的运动轨迹跟踪，进一步证明提出算法的实用性。　　（5）针对控制系统数据传递过程会产生数据丢失的情况，以P型迭代学习控制算法为研究对象，针对多变量系统模型构造系统输出数据丢失情况下的迭代学习控制算法。将丢失数据的概率看成是一组随机概率已知的数列，在此基础给出构造的优化 P型迭代学习控制算法的收敛条件，并采用严格的数学方法证明算法的收敛性。最后将提出的算法用于生物污水处理对氧气的控制环节，并取得良好的控制效果，有效的证明算法的实用性。