为了解决对受控系统数学模型结构的依赖和未建模动态的问题,自适应控制界提出了无模型自适应控制的概念,即不需要建立系统的模型或者在对系统模型知之极少的情况下根据系统的输入输出数据实行对系统的控制.常规的同时扰动随机逼近算法是一种具有简单递推形式的随机逼近算法,非常适合用于无模型自适应控制.在需要估计的参数维数较高的情况下,常规的同时扰动随机逼近算法具有比其他诸如有限差分之类的随机逼近算法具有更高的效率.但是由于常规的同时扰动随机逼近算法使用了函数逼近器,一般是以神经网络作为函数逼近器,那就不可避免地遇到一些使用函数逼近器的算法所遇到的共同问题,那就是函数逼近器的结构如何确定的问题.使用函数逼近器还有一个不可避免的问题就是,在实际应用中,函数逼近器需要估计的参数一般都比较多,一般是高维.论文在同时扰动随机逼近理论基础上提出了一种新的直接估计控制量的算法.这种算法无需神经网络等结构复杂的函数逼近器,有效地解决了常规的同时扰动随机逼近算法维数高、速度慢和结构复杂等问题,大大降低了对计算机或者单片机的运算速度和存储空间的要求,对算法在控制工程中的实际应用具有重要的意义.同时论文给出了算法收敛的条件,并对收敛性作了证明,为算法的实际应用提供了坚实的理论基础.最后论文对各种典型的工业过程和非线性时变不确定系统进行了大量的计算机仿真研究,实验结果表明该文所提出的算法有极快的收敛速度、很强的鲁棒性和优良的控制性能.