基于通信网络的控制作为现代自动控制领域的一种新技术,因其通用性和适应性,在军事、航天、工业、农业以及车辆等领域得到了广泛的应用,其中,优化控制策略在上述领域的发展过程中占据主导地位。随着控制系统的日益复杂以及不确定的因素太多,人们无法通过传统的离线方法解出哈密顿-雅可比-贝尔曼方程,控制器的设计就成为一个难题。随着神经网络、强化学习和模糊控制方法的出现,自适应动态规划方法在求解约束控制的问题上备受关注。由于大部分控制器都是依赖计算机,通过周期性的采样、计算和更新,来执行控制任务,没有考虑通信限制,当大量的数据传输时,会造成信道阻塞。因此,我们有必要设计一个带宽有效的控制器,让通过网络的每一个信息都应该严格决定何时进行传输。事件触发控制就是这种框架,在事件驱动的环境中工作,并且只在需要时进行更新,能显著减少计算负担,避免通信资源的浪费。因此本文针对具有一般动态的线性和非线性系统,将优化控制和事件触发控制结合进行研究,具体内容如下:首先研究了线性系统在连续时间下的事件触发优化控制,在无法直接获取系统的状态时,增加了状态观测器去预估系统的状态。基于离线算法求解控制器,并设计一个触发条件,提高资源的利用率。从李雅普诺夫稳定性理论的研究角度,证明出了闭环系统的稳定,此外又证明出了事件的触发间隔是一个为正常数的下界,成功的排除了芝诺行为。最后还通过其他一些实例进一步说明该算法的可行性。其次对于一般的非线性系统进行研究,结合状态观测器和事件触发优化控制进行讨论。对于非线性系统,利用自适应动态规划对系统进行优化,采用执行（actor）和评判（critic）神经网络分别逼近控制器和成本函数,设计权值更新律使得神经网络的权值误差足够小。基于神经网络权值估计值和控制输入设计触发条件,可以充分确保闭环系统的稳定性,还有效地阻止了芝诺行为。此外,通过与时间触发的优化控制进行对比,说明事件触发有效降低计算成本,节省通信资源。最后通过仿真验证了该方法的可行性。最后研究了具有刚体动力学模型的单链路机械臂系统。由于机械臂的位置和速度信号不能直接获取,在神经网络的作用下,加入神经网络观测器进行分析。同样有重要意义的是,利用神经网络对系统进行优化,分别设计观测器误差和神经网络权值误差的权值更新律,在设计的条件下,充分证明了闭环系统的稳定,并且观测器误差是有界的。另外,证明最小的触发间隔为正常数的下界。最后利用仿真验证该算法的有效性。