快速路作为城市交通路网中的重要组成部分,给人们的出行带来了极大的便利,快速路交通拥堵问题的频繁发生,使得快速路交通流控制成为了交通系统研究中重要的研究热点。迭代学习控制(Iterative Learning Control,ILC)是智能控制方法中的一个分支,建立在严格的数学描述基础上,不需要依靠精确的数学模型,非常适合快速路交通流这类具有非线性、重复性、难建模等特点的研究对象。近年来,快速路交通流的迭代学习控制受到了广泛关注。本文针对快速路交通流常微分模型,采用开环PD型迭代学习律设计了控制方法,通过严格的数学证明,对算法收敛性进行了分析,给出了迭代学习误差的收敛条件,再通过仿真分析验证了算法的有效性。针对快速路交通流动量模型,采用开环PD型迭代学习律设计了控制方法,并进行了收敛性分析,给出了收敛条件,通过和开环D型迭代学习控制律的仿真对比分析,验证了开环PD型迭代学习控制律具有更好的控制效果。然后利用模糊控制(Fuzzy Control,FC)算法对开环PD型迭代学习控制律的学习增益进行调节,设计了模糊开环PD型迭代学习控制器,通过和开环PD型迭代学习控制律的仿真对比分析,验证了利用模糊控制算法改进后的迭代学习控制律提高了系统输出误差的收敛速度,改善了控制性能。针对快速路交通流分布参数系统扩散模型,采用开环PD型迭代学习律进行控制,通过仿真分析,验证了开环PD型迭代学习控制律在快速路交通流分布参数系统扩散模型的交通流控制上的有效性。然后采用粒子群(Particle Swarm Optimization,PSO)算法对迭代学习控制律的迭代学习增益进行优化,设计了粒子群开环PD型迭代学习控制器,通过和开环PD型迭代学习控制律的仿真对比分析,验证了快速路交通流分布参数系统扩散模型在粒子群算法改进后的迭代学习控制律的作用下,系统误差具有更快的收敛速度,系统输出具有更好的跟踪性能。