近年来,在许多领域中最优化问题得到越来越多的学者的重视和研究,在控制系统领域中最优化问题也有着极其重要的意义,因为在控制领域中的很多控制策略问题都可以通过数学方法来转化为对应的优化问题,进而求解优化问题来实现相关的控制策略。但是传统的优化方法在求解实际优化问题的同时暴露了越来越多的缺陷,因而学者们展开了对新方法的探索,以便于对目标函数进行有效及高效的求解,新的优化方法需求也越来越迫切。由于神经网络模型在求解优化方法时可进行大范围的并行计算处理,在优化计算上具有重大意义,同时神经网络也可在极短时间内收敛到平衡点,对优化问题的求解具有快速收敛的优点,因此利用递归神经网络模型来实现最优化问题的求解得到越来越广泛的研究。与此同时,神经网络优化的应用在各个领域已开始逐渐开展。本文主要将神经动力学优化方法应用在控制系统方面,针对系统的鲁棒稳定性问题展开研究及论证,在神经动力学优化基础上,利用两个递归神经网络模型来实现对优化问题的分解计算,一方面降低计算复杂度,另一方面实现了并行加速的目的。另外,在控制系统的鲁棒控制问题研究中,由于系统极点的分布直接决定了系统自身的稳定性和影响系统的响应速度,因而极点配置对系统具有极其重要的意义。极点配置(位置)是线性控制系统设计的一个基本方法,它关注的是通过反馈控制律的极点(特征值)及其相关特征向量的分配,可满足在控制系统中的各种闭环设计规范。在研究中,控制系统的鲁棒极点配置问题被描述为相应的最优化问题,利用神经网络模型来对优化问题进行实时求解,实现系统的鲁棒性控制;与此同时,针对实际工程中对系统模型越来越高的精度要求,近似的整数阶模型已很难满足工程需要;基于分数阶次的多变性,分数阶系统模型得到广泛关注;研究中基于分数阶系统的可变稳定域来研究极点配置问题,讨论及实现了分数阶系统的鲁棒稳定性。综上所述,在本文研究中,神经动力学优化方法被应用于分数阶线性控制系统的鲁棒极点配置;与整数阶控制系统相比,由于稳定区域的可变性,分数阶系统的极点配置更具挑战性。系统的鲁棒极点分配被表述为约束优化问题,并且被推导为可优化的伪凸目标函数;采用两个递归神经网络模型来进行并行优化,仿真结果证明了所提出的神经动力学优化方法的有效性和优越性。