随着现代科学技术的快速发展,控制系统复杂度越来越高,规模越来越大,已经无法采用精确的数学模型描述各种工业被控对象,常规控制方法已经难以满足人类对自动控制系统的要求。如何快速精确地对模型未知非线性延迟系统建模,进而实施准确高效的预测控制,己成为当今控制领域的一个重要难题。作为一种群体智能领域内新型的寻优方法,微粒群在模型参数优化问题中性能卓越。因此,本文在重点研究微粒群优化算法的基础上,将其与模糊C均值聚类方法用于动态神经网络离线或在线的大规模参数寻优,从而构建模型未知非线性延迟系统建模和预测控制方法,以期获得更加适应于实际工业过程需求的控制方案。主要研究内容包括以下三个方面：(1)提出基于高斯微粒群算法的模型参数在线优化方法。微粒群算法结构简单不受目标函数连续可导等限制,计算速度快可扩展性强。本文基于高斯函数和混沌映射提出一种高斯微粒群算法,该方法能够自适应调整微粒搜索范围,不仅可以保持算法前期的全局搜索能力,又可以保证算法后期的持续局部搜索能力,解决“早熟”问题。进一步,利用鲁棒控制理论对高斯微粒群算法稳定性条件进行分析。通过各类型标准函数测试对比,所提高斯微粒群方法在函数优化精度方面得到显著的提高。在此基础上,将高斯微粒群算法用于回声状态神经网络在线参数优化问题中,随着输入数据在线调整网络参数,克服离线训练神经网络无法随环境变化及时调整的弊端,通过非线性延迟系统和混沌时间序列等数据验证所提方法的有效性。(2)提出基于模糊C均值聚类的微粒群大规模参数优化方法。针对已有经典方法在大规模参数优化中存在“维数灾难”等问题,本文将微粒群算法与模糊C均值聚类相结合,提出动态多种群协同微粒群优化方法。首先,针对模糊C均值聚类算法对初始点敏感的问题,利用线性分配的思想进行初始点选择,增强算法的稳定性,提出两阶段模糊聚类算法。然后提出利用部分标记样本进行单点逼近和加权的半监督模糊C均值算法,通过机器学习、图像分割标准数据库和实际湿地遥感数据验证所提方法的有效性。在此基础上,采用改进模糊C均值算法自适应构造多种群算法结构,并结合信赖域方法调整搜索空间,将大规模参数优化问题分解为多个子问题进行协同寻优和信息共享。最终利用大规模标准测试函数分析优化结果,验证所提方法具有较好的优化能力。(3)提出基于微粒群优化的动态前馈神经网络预测控制方法。为了提高神经网络的预测精度,本文提出一种动态前馈神经网络结构,通过引入动态延迟算子增强神经网络的动态表达能力,而且可以辨识出延迟系统中包含的延迟时间。此外,将高斯微粒群方法用于所提动态前馈神经网络参数优化,加快网络收敛速度,进而深入分析两者结合之后模型的稳定性。另外针对较复杂被控对象时,采用多种群协同大规模微粒群算法优化动态前馈神经网络模型参数,并将其作为辨识器和预估器分别应用于所提出的Smith双控制器预测控制框架和多变量有约束模型预测控制结构之中。仿真实例验证所提控制方法可以对模型未知非线性延迟系统进行有效地辨识和预测控制。