迭代学习控制作为一种智能控制方法,适用于具有可重复运行特质且难以建模的复杂系统。它通过在有限时间区间内对控制输入进行反复的迭代修正来改善被控系统,最终使得系统的迭代输出能够沿迭代轴方向渐近地跟踪期望输出。迭代学习控制的初值问题是指系统的初始状态值与迭代学习控制算法的收敛性之间的关系。广义系统又称为广义状态空间系统,是对现实生活中实际存在的一类系统的比较精确的描述,被广泛应用于经济、电力和航空航天等众多领域。本文将重点研究几类广义迭代学习控制系统的初值问题,对进一步丰富和完善广义系统迭代学习控制理论具有重要意义。主要内容如下:研究了一类连续广义系统的固定初值问题,考虑了两种不同形式的迭代学习控制算法。先提出一种闭环PD型迭代学习算法,证明它在满足收敛条件的情况下,系统的实际输出和期望输出之间有一个固定的偏离。接着,为解决闭环PD型学习算法的偏离问题,提出了一种初态误差修正策略,并从理论上证明了该策略可以对每一次初始状态造成的偏差进行修正,最后有效地消除了固定初始偏离的影响,并通过数值仿真证明了该策略的有效性。针对一类具有状态时滞的连续广义系统的状态跟踪问题,在任意初态的情况下,对两种不同的具有初态学习的迭代学习控制算法进行了分析研究,分别给出了相应的理论证明和仿真分析,结果显示两者均能够使系统的迭代输出收敛于其期望输出。针对一类具有控制时滞的离散广义系统的初值问题,分别考虑了初态有界扰动和任意初态这两种初值情况。前后对两种不同初值条件下的迭代学习控制算法进行了分析研究,并结合理论分析和仿真实验证明了两种不同情形下算法的有效性。