大系统问题和多模型自适应控制问题是复杂系统中两个比较典型的问题。对于大系统问题来说，如果其目标函数可分，利用传统的递阶优化理论可以解决其控制和优化问题。并且，为了解决传统递阶优化算法中因迭代导致优化时间过长的问题，有的研究者提出了基于Hopfield网络的可分大系统智能稳态优化算法，大大减少了优化时间。但是，如果系统的目标函数是不可分的，上述算法则无法解决，为此，有的研究者提出利用多目标优化技术将不可分问题首先转化为可分问题再进行解决。但是，它同样具有迭代算法的缺点，即优化时间太长。对于多模型自适应控制问题来说，现有的基于概率加权方式构成的多模型自适应控制，在系统参数发生改变时，往往需要经过较长时间才能寻找到相应的控制策略，从而严重影响了系统的整体性能，必须加以改进，才能满足实际需要。为此，本文对这两类复杂系统进行了认真的研究。 为了解决上述不可分大系统问题，本文首先对可分大系统问题进行了描述，并简要概括了可分大系统的两种递阶算法——关联平衡法和关联预测法，同时对基于Hopfield网络的可分大系统智能稳态优化算法进行了分析。接着引入多目标优化技术，利用原始－对偶算法将不可分问题首先转化为可分问题。在此基础上，本文认真研究了Hopfield神经网络，通过对不可分稳态大系统递阶优化问题的一系列转换，将其约束函数并入目标函数，分别建立了基于关联平衡法和关联预测法的不可分大系统的Hopfield网络递阶优化控制模型，并从理论上证明了该网络的稳定性和最优性，解决了传统大系统递阶优化方法中的迭代问题。这种网络实际上是一种三层结构，即分解层、协调层和局部决策层。它具有非迭代性和快速性的优点，甚至逼近最优解，是解决不可分大系统递阶优化问题的新途径，极具有研究价值。 在解决了上述不可分大系统问题的基础上，为了使便该方法更加实用化，本文又尝试实现不可分大系统的Hopfield网络递阶优化控制的模拟优化电路。为此，首先对一般二次优化问题的模拟优化网络进行了研究，并结合实例，基于模拟优化器的思想，构造了基于罚函数和基于Lagrange函数的不可分大系统的模拟递阶优化网络。通过研究电路中信息反馈问题，实现了不可分大系统的Hopfield网络模拟优化电路。这种模拟实现电路可以消除等式和不等式的约束误差，进一步提高优化精度。更重要的是，这种模拟优化器的优化时间非常短暂，能够满足某些特定场合的需要，值得更深入的研究。 针对多模型自适应控制问题，本文首先对多模型自适应控制的研究进展进行了介绍。多模型自适应控制的基本思想就是多参考模型和多控制器方法，基于“分割简化，分别击破”的思想，对复杂系统进行有效的控制。多模型自适应控制给那些具有高度不确定性的、快时变的复杂系统提供了一种行之有效的控制手段。多模型自适应控制的策略有两个方向——基于概率加权方式构成的多模型自适应控制和基于切换策略构成的多模型自适 2 两女埋厂人学帧I：学位沦义应控制。本文针对具有未知参数的线性系统，主要对基于后验概率加权方式的自适应控制算法进行了认真研究，针对其反应较慢的缺陷，认真分析了控制与辨识这一对矛盾结合体的关系，提出了一种改进算法，从而大大提高了系统的控制性能。在此基础上，为了提高该算法的鲁棒性，研究了该算法中的信息流向，给出了该算法的模糊自适应控制方法。该模糊多模型自适应控制算法的原理就是首先为描述对象不确定性的每个模型设计满足要求的控制器，在系统运行过程中，根据各控制器的预测输出与系统实际输出的偏差，模糊决择器则不断的实时对系统做出辨识，并据此判定各子模型与被控系统在当前动态特性上接近的程度，以此作为各子模型对被控系统的控制权重，被控系统的实际控制作用就是各控制器输出的加权综合值。在本部分最后，给出了详细例子进行说明。 大系统问题和多模型自适应控制问题是目前国际控制界广泛重视的两个复杂系统问题。本文对不可分大系统问题和多模型自适应控制问题进行了认真的研究，并提出了若干问题的解决方法，有关定理也给出了详细认真的证明。