基于模型的控制理论及方法与数据驱动的控制理论及方法一起构成了现代控制理论的完整结构。间歇过程是现代工业生产中的重要组成部分，具有典型的强非线性、不确定性和重复运行的特征。基于重复学习策略的迭代学习控制可提高间歇生产过程的产品质量，有着广泛的应用。基于模型的最优迭代学习控制需要已知被控对象精确的线性模型, 其研究较为成熟和完善, 有着系统的设计方法和分析工具. 数据驱动的最优迭代学习控制的研究尚处于起始阶段，面临着很多挑战性的问题。

本文简要综述了基于模型的最优迭代学习控制的研究进展，分析了数据驱动控制策略的必要性，回顾和讨论了现有的数据驱动迭代学习控制方法，并对其实际应用中遇到的关键问题进行了分析和讨论, 如随机迭代变化初始条件, 迭代变化参考轨迹, 输入输出约束, 高阶学习控制律, 计算复杂性等。

基于模型的和数据驱动的迭代学习控制方法都具有各自的优点，二者共同构成了迭代学习控制理论的完整体系，是相辅相成、优势互补的合作关系，而不是相互排斥的。

引用格式：池荣虎, 侯忠生, 黄彪. 间歇过程最优迭代学习控制的发展：从基于模型到数据驱动. 自动化学报, 2017, 43(6): 917-932

链接：http://html.rhhz.net/ZDHXBZWB/html/2017-6-917.htm

作者简介：

池荣虎青岛科技大学自动化与电子工程学院教授。2007 年获得北京交通大学博士学位。主要研究方向为数据驱动控制，学习控制，智能交通系统。本文通信作者。E-mail: ronghu_chi@hotmail.com

侯忠生北京交通大学先进控制系统研究所教授。1994年获得东北大学博士学位。主要研究方向为无模型自适应控制,数据驱动控制，学习控制，智能交通系统。E-mail: zhshhou@bjtu.edu.cn

黄彪加拿大阿尔伯塔大学化学与材料工程学院教授。1997年获得阿尔伯塔大学博士学位。主要研究方向为过程控制，系统辨识，控制性能评价，贝叶斯方法和状态估计。E-mail: bhuang@ualberta.ca