本书详细阐述不确定动态系统智能评判学习与控制的基础理论，以及核心方法与典型应用，包括数据驱动智能优化调节、事件驱动自适应控制设计、自学习鲁棒镇定与轨迹跟踪等，并涵盖关于自适应评判系统稳定性、收敛性、很优性以及鲁棒性的分析。全书分为两篇，篇(1～5章)探讨连续时间系统，第二篇(6～10章)探讨离散时间系统。在成书过程中，作者结合人工智能领域的新技术，对智能评判学习与控制的发展前景也进行了一些探讨。 本书结构严谨，分析透彻，实例丰富，既可作为智能控制、系统工程、机器学习、神经计算、应用数学等领域研究人员和学生的参考书，又可供相关领域的技术人员使用。

前言
篇 连续时间系统
章 不确定系统智能评判学习与控制概述
1.1 引言
1.2 自适应评判控制设计
1.2.1 基本设计思路
1.2.2 神经网络实现与系统稳定性分析
1.2.3 改进评判网络学习准则
1.3 鲁棒自适应评判控制设计
1.3.1 基本鲁棒镇定设计
1.3.2 鲁棒轨迹跟踪问题
1.3.3 结合事件驱动机制的讨论
1.4 自适应H1控制设计
1.5 应用与前景
1.6 本章小结
第2章 基于学习的复杂非线性系统鲁棒优化
2.1 引言
2.2 问题描述
2.3 自学习鲁棒优化控制设计
2.3.1 控制问题转化
2.3.2 神经网络实现
2.3.3 闭环系统稳定性分析
2.4 复杂关联系统分散镇定
2.5 仿真实验
2.6 本章小结
第3章 事件驱动环境下的自适应保成本控制
3.1 引言
3.2 问题描述
3.3 事件驱动保成本控制设计
3.3.1 事件驱动机制描述
3.3.2 智能评判控制的神经网络实现
3.3.3 闭环系统稳定性分析
3.3.4 Zeno行为消除
3.4 仿真实验
3.5 本章小结
第4章 连续时间非线性鲁棒控制与跟踪综合
4.1 引言
4.2 问题描述
4.3 自学习鲁棒控制综合
4.3.1 鲁棒镇定设计基础
4.3.2 神经网络实现
4.4 自学习鲁棒跟踪控制
4.4.1 跟踪设计基础
4.4.2 神经网络实现
4.5 仿真实验
4.6 本章小结
第5章 采用策略学习的先进控制器设计方法
5.1 引言
5.2 问题描述
5.3 策略学习优化控制设计
5.3.1 预补偿系统转化
5.3.2 积分强化学习算法提出
5.3.3 神经网络实现
5.4 仿真实验
5.5 本章小结
第二篇 离散时间系统
第6章 未知非线性系统自学习优化控制设计
6.1 引言
6.2 问题描述
6.3 迭代GDHP控制设计
6.3.1 非线性系统辨识
6.3.2 迭代ADP算法提出
6.3.3 收敛性分析
6.3.4 设计步骤
6.3.5 基于GDHP技术的实现方案
6.4 迭代SN-DHP控制设计
6.4.1 改进的辨识方法
6.4.2 改进的迭代ADP算法
6.4.3 基于SN-DHP技术的实现方案
6.5 仿真实验
6.5.1 迭代GDHP方法验证
6.5.2 迭代SN-DHP方法验证
6.6 本章小结
第7章 迭代神经动态规划近似最优反馈调节
7.1 引言
7.2 问题描述
7.3 迭代NDP控制设计
7.3.1 迭代算法及其收敛性分析
7.3.2 基于NDP技术的实现方案
7.3.3 具体的算法设计步骤
7.4 仿真实验
7.5 本章小结
第8章 具有外部干扰的非线性系统轨迹跟踪
8.1 引言
8.2 问题描述
8.3 无模型H1跟踪控制设计
8.3.1 非线性系统辨识
8.3.2 迭代算法提出
8.3.3 收敛性分析
8.3.4 基于DHP技术的实现方案
8.4 仿真实验
8.5 本章小结
第9章 混合驱动机制下的智能优化控制策略
9.1 引言
9.2 问题描述
9.3 混合驱动优化控制设计
9.3.1 稳定性分析
9.3.2 混合驱动实现方案
9.4 仿真实验
9.5 本章小结
0章 离散时间系统智能评判鲁棒镇定初探
10.1 引言
10.2 问题描述
10.3 自学习鲁棒控制设计
10.3.1 离散时间GHJB方程
10.3.2 逐次逼近方法
10.3.3 神经网络实现
10.3.4 鲁棒控制器设计
10.4 仿真实验
10.5 本章小结
参考文献
基本符号