随着时代的进步,科技水平有了迅速提升,工业生产过程更加复杂化,对控制器的控制精度也提出了更高的要求。在如此严峻的工业环境下,PID控制等传统方法的控制能力稍显薄弱,而预测控制表现出强大的工业适应性,并逐渐确立其在工业控制中的地位。预测控制可根据当前情况动态修改预测模型,尤其在控制对象具有多输入多输出、非线性、时变和大纯滞后等特点时,控制效果与控制精度的优势表现更为突出。本文以非线性系统作为预测控制的研究对象,对其相关背景、结构理论及工业应用现状等进行阐述与分析。本文首先对预测控制的研究背景与现状做出分析,介绍其基本原理、稳定性和鲁棒性等性能,列举了预测模型的几种典型的建模方法。当被控对象为非线性系统时,重点对神经网络预测控制预测模型精度不高和滚动优化求解困难提出了相关的改进方法。具体内容如下:依据BP神经网络在强非线性时可以逼近任何对象的能力将其选为模型辨识方法。针对其易陷入局部极小值、收敛速度慢等缺点,提出一种以思维进化算法和LM算法相结合的LM-MEA优化算法对其权值和阈值进行优化。LM-MEA算法利用了思维进化算法中模拟人类思维过程的思路和在趋同、异化操作方法下表现出来的求解速度快、计算精度高的优点对LM算法过于依赖初值的缺点进行了改进。通过标准函数测试表明LM-MEA算法具有较好的寻优性能。对非线性对象进行建模预测与仿真实验,证明基于LM-MEA算法优化的BP神经网络模型精度、抗干扰能力和适应能力均有所提升。针对滚动优化环节,将LM算法与粒子群算法相结合的提出一种LM-PSO优化算法。LM-PSO算法利用了PSO算法的全局收敛速度快和LM算法在靠近局部极小值时搜索精度高的优点,克服了LM算法过于依赖初值和PSO算法容易陷入局部极值的缺点。同样将该算法经过测试函数验证,证明具有良好的寻优性能。选取非线性系统作为研究对象,以BP神经网络作为模型辨识方法,将LM-PSO算法用于求解滚动优化环节中目标函数的最优控制量,并与其他算法相对比。通过仿真实验证明LM-PSO-BP神经网络预测控制方法提升了综合控制性能。最后,将以LM-MEA-BP神经网络为预测模型、LM-PSO算法为滚动优化策略的预测控制方法应用到CSTR的反应物浓度AC的控制求解过程中。通过实验表明该方法具有良好的跟踪控制效果和抗干扰能力。