复杂网络是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络,因其能够帮助人们更好的理解和研究事物的本质,近年来吸引了国内外众多学者的关注.神经网络作为复杂网络的代表,已经被成功地应用于模式识别、智能控制和组合优化等领域.对由多个神经网络所构成的耦合神经网络进行同步分析和控制,是当前复杂网络动力学研究的热点问题之一.本文结合复杂网络理论、现代控制理论和Lyapunov稳定性理论,研究了有向耦合神经网络和有向复杂网络在受到反应扩散、时变时滞、外部扰动以及随机噪声等因素影响时的同步控制问题.本文主要内容总结如下:1.利用四种不同的间歇边界控制,研究了具有反应扩散项和混合Dirichlet-Neumann边界条件的有向耦合神经网络完全同步问题.首先,利用具有分布测量和具有空间采样测量的间歇边界控制实现了网络的指数完全同步.这种仅在空间的边界上添加间歇控制的方法,可以大幅度地提高控制效率、降低控制成本.其次,利用常增益和自适应混合间歇边界控制实现了网络的渐近完全同步.在这种混合控制方法中,当边界上的状态误差变量不为零时,在边界上对网络进行控制;而当所有边界上的状态误差变量为零,即边界控制失效时,就在空间区域的内部对网络进行控制.2.利用空间采样控制,研究了具有反应扩散项和混合时滞的有向耦合神经网络H∞同步问题.首先,所研究的网络模型不仅包含混合Dirichlet-Neumann边界条件,还包含混合的离散时滞和分布时滞.其次,空间采样策略只在某些固定的空间采样点上对网络状态变量进行测量,减少了控制器在空间区域上数据的更新次数.最后,不仅考虑了状态耦合,还考虑了空间扩散耦合对网络同步的影响.研究发现,状态耦合促进网络同步,而空间扩散耦合抑制网络同步.3.利用事件触发量化控制,研究了高维空间区域上具有反应扩散项的有向耦合神经网络H∞输出同步问题.在事件触发量化控制协议中,我们首先对状态变量进行时间采样以避免Zeno现象的发生,然后对采样数据进行触发条件的判断.若触发条件成立,即事件被触发,则将数据经过量化后传给控制器.此外,经过推导所得到确保网络实现同步的充分条件只与网络中神经元的个数有关,而与节点的个数无关.这将有利于该充分条件的计算和验证.4.利用切换常增益牵制控制、集中式自适应牵制控制和分布式自适应牵制控制,研究了具有反应扩散项、随机噪声和Markovian切换的有向复杂网络聚类同步问题.首先,对于聚类同步的目标状态,选用的是同一类节点的平均状态,而不是某一个需另外给定的孤立节点.其次,仅要求同一类节点所构成的子图是强连通的,而不同类节点所构成的子图可以是不连通的.对于以上研究所得的主要理论结果,我们均通过数值例子,利用MATLAB数学软件进行了模拟验证.