⑶ 稳态阶梯控制
稳态阶梯控制思想是：从实际过程中提取相关联变量的稳态信息，并反馈到协调决策单元中，并且用它修正模型求出的最优解，使其近似真实的最优解。由于工业过程无法精确得求出数学模型的解值，而且工业过程通常是非线性及时快时慢时变性。因此，优化的数学模型算法中求得的解是开环系统优化的解。在大工业过程系统在稳态控制的设计阶段，最有效工作点可以由开环系统优化解来决定。但是在实际使用上，这个解也未必是使工业过程处于最优工况的解，相反还会干扰约束条件。所以有了稳态阶梯控制，这就是在实际应用中我们遇到的开环控制和闭环控制。
⑷ 系统优化和参数估计的集成研究方法
为了解决实际过程中的未知的输入输出特性和次优解的不准确性，系统优化和参数估计的集成研究方法就被提出，其想法是将优化和参数估计分开处理，并且交替进行，一直到迭代收敛到一个解。这样的在线优化控制就包括两部分任务：在粗略模型基础上的优化和设定点下的修正模型。我们把这种方法称之为系统优化和参数估计的集成研究方法。
2.智能优化方法
智能优化算法是人工智能研究领域的一个重要分支。当前，智能计算正在蓬勃发展，研究智能计算的领域十分活跃，然智能算法研究水平暂时还很难使(智能机器)真正具备人类的智能。但人工脑将不仅是模仿生物脑的功能。而且两者具有相同的特性。这两者的结合将使人工智能的研究向着更广和更深的方向发展。智能计算将探索智能的新概念、新理论、新方法和新技术。而这些研究将在以后的发展中取得重大的成就[9]。
 (1) 神经网络优化方法
神经网络又称为人工神经网络,其研究最早可追溯到20世纪70年代。人工神经网络是指用大量的简单计算单元构成非线性系统，它模仿了大脑神经系统，在一定情况下具有神经系统的信息处理、存储和检索功能。
人工神经网络特有的非线性适应性信息处理能力克服了传统人工智能方法对于直觉的缺陷，使之在故障检测、智能控制、组合优化等领域得到成功应用。神经网络具有很强的自适应、自学习的能力。但在实际应用中，神经网络也暴露了一些不足：权值的初始化是随机的，易陷入局部困境，收敛时间过长，鲁棒性差等[10]。
(2) 遗传算法
遗传算法是一种借鉴生物界自然选择和自然选择机制的随机化搜索算法，对于用传统搜索方法难以解决的复杂和非线性问题具有良好的适应性．许多研究表明，遗传算法在规划机器人路径中取得了较好的效果．编码长度过大，导致其变化范围也很大，在计算适应度函数、交叉、变异时消耗时间特别长，产生的无效路径较多，易陷入局部最优和收敛速度慢等问题[11]。
    遗传算法可以算是一种具有很大潜力的结构优化的智能优化方法。它可以用于解决非线性结构优化、形状优化、动力结构优化、拓扑优化等复杂优化问题，，在这些问题上，遗传算法具有较大的优势。
(3) 模糊优化方法[12]
模糊优化原理是将模糊数学的思想引入有限元算法，采用无穷多个值的连续逻辑来解决实际问题。其基本思想是：(1)结构设计中的目标函数、设计变量、约束条件和载荷等往往是不确定的，如系统工作过程中载荷的随机性，又如目标函数的取舍及容许压力等均有一个从容许到完全不容许的过渡阶段。(2)模糊扩展原理为模糊有限元分析提供了坚实的理论基础。任意一个模糊输入量的性质必将传递给一个模糊响应量。(3)在工程结构有限元分析中，当考虑材料的性能参数、边界条件和载荷的模糊性时，结构的刚度矩阵和载荷向量都是模糊的，从而结构的未知节点位移向量也是模糊的。 matlab移动机器人的最优二次控制+数学模型(5):http://www.youerw.com/zidonghua/lunwen_146.html