模型预测控制(MPC)是当今石油、化工等工业中应用最为成功的先进控制技术之一。它是用动态模型对未知系统的未来行为进行预测,根据该模型对系统进行优化控制的一类控制策略。基于线性模型的模型预测控制研究已经相当成熟并得到了广泛的工业应用。然而在实际控制系统中,被控对象往往具有非线性、时变性和不确定性,因此,关于非线性预测控制的研究已成为控制工程界的重要研究课题。并且随着生产过程规模的扩大和复杂程度的提高,建立系统的机理模型已经变得越来越困难,利用可测量的实验或生产数据建立辨识模型己成为必然的选择。近年来,建立在统计学习理论基础之上的最小二乘支持向量机(LS-SVM)已经在模式识别、系统辨识等领域中得到成功应用。本文针对具有非线性特性的被控对象,研究了基于LS-SVM的智能建模方法及其相应的控制量寻优策略。主要研究内容如下:(1)在深入了解LS-SVM回归原理和算法的基础上,研究了基于LS-SVM回归的模型辨识,仿真结果表明了该方法的优越性。(2)研究了一种基于LS-SVM的非线性预测控制算法。该算法采用LS-SVM回归建立非线性系统的预测模型,混沌优化算法作为滚动优化策略。仿真结果表明了基于该方法的非线性预测控制器的有效性。(3)研究了一种基于LS-SVM的非线性预测函数控制算法。该算法采用LS-SVM回归建立非线性系统的预测模型,然后,将离线模型在每个采样周期关于当前采样点进行线性化,同时利用线性预测函数控制方法求解解析的控制律。仿真结果表明该算法具有较好的控制性能和良好的抗干扰能力。