神经元控制是智能控制的重点内容，是目前自动控制领域研究的热点之一。本文主要研究了基于递归神经网络的多变量时变线性系统的动态优化控制问题，构建了新型的随机递归神经网络，设计了基于递归神经网络的最优预测控制方案，并将其应用于青霉素发酵过程。论文的主要研究成果如下： 1.本文提出了一种基于Boltzmann机的求解线性二次型动态优化控制问题的方法，其基本思想在于，将系统的性能指标转化成Boltzmann机的能量函数，将控制序列与网络的神经元相对应，其求解线性二次型的动态优化控制问题的过程就是运行相应的Boltzmann机网络从初态至稳态的过程，而Boltzmann机的稳态对应的即是最优的控制序列。本文的理论研究表明，对于任意多变量、时变线性系统，都能够找到一个相应的Boltzmann机，其能量函数与该系统的线性二次型性能指标等价。本文对上述理论研究的方法进行了实验研究，取得了与理论分析一致的结论。 2.模拟退火算法使Boltzmann机具有了较强的全局优化计算能力，然而，为了获得全局最优，模拟退火算法又使Boltzmann机付出了运算速度慢的代价。针对这一问题，本文设计了一种Boltzmann机与Hopfield网络相结合的递归神经网络Boltz-Hop，该网络具有与Boltzmann机相同的能量函数和拓扑结构。Boltz-Hop网络采用Hopfield网络的工作算法搜索局部极小，采用Boltzmann机工作算法搜索全局最优，即：只有在局部极小点附近，Boltzmann机的模拟退火算法才发挥作用。Boltz-Hop网络既避免了Hopfield网络局部极小的问题，同时也解决了Boltzmann机全局寻优速度较慢的问题，Boltz-Hop网络因而具有快速导向全局最优的特性。本文针对Boltz-Hop神经网络的寻优特性的实验研究取得了良好的结果。 3.本文提出了一种基于Boltz-Hop神经网络的最优预测控制方法。该方法将Boltz-Hop网络作为预测控制中的最优控制器，与被控系统和广义预测模型构成滚动优化的闭环结构，系统每一离散时刻的优化问题都将转化为Boltz-Hop网络的能量函数并由Boltz-Hop网络实时求解产生最优控制序列，被控对象在此控制序列作用下运行，在下一时刻，新的系统状态导致广义预测模型新的预测输出及优化问题和新的Boltz-Hop能量函数，以及新的最优控制序列。如此循环往复，从而实现了预测控制的三个环节：多步预测、滚动优化、反馈校正。基于该方法，本文以青霉素发酵过程为对象，设计了青霉素发酵过程的实时优化控制系统，仿真实验取得了良好的结果，验证了Boltz-Hop神经网络最优预测控制方法的有效性和可行性。 本课题的研究结果对于多变量系统、非线性系统以及不确定系统的线性二次型动态优化控制问题的研究具有参考价值。