随着信息技术的迅速发展，航空航天、城市交通、工业制造以及能源行业等高新和传统领域都对控制系统的品质提出了新的要求，因此优化控制方法的研究得到了广泛的关注。在实际应用中，几乎所有系统都具有不同程度的非线性特性，故经典线性优化控制方法会在一定程度上影响控制系统的品质。近年来，研究人员提出了基于人工系统 + 计算实验 + 平行执行（Artificial systems + computational experiments + parallel execution，ACP）方法的平行控制，并在处理复杂系统问题方面取得了一系列的成果。除平行控制外，自适应动态规划（Adaptive dynamic programming，ADP）结合了动态规划、神经网络以及强化学习，是一类有效的非线性优化控制设计技术。在已有优化控制工作的基础上，本文进一步研究了非线性系统自学习优化平行控制方法。本文主要工作如下：

1. 针对离散非零和博弈问题提出了一种事件触发平行控制方法。首先，采用时间触发最优值函数和控制律设计了事件触发算法。因此，所提出的事件触发算法仅需求解时间触发的哈密顿—雅可比—贝尔曼（Hamilton-Jacobi-Bellman，HJB）方程。然后，从理论上证明了闭环系统是渐近稳定的，并且可以预先确定所有控制器实际性能指标之和的一个上界。实施所提出事件触发算法的一个关键步骤是获得系统下一步状态，这在实际系统中很难实现。因此，设计了基于平行控制的实施方案，通过构造实际系统的平行系统来预测系统下一步状态，并获得最优值函数和控制律。同时，所设计的平行控制实施方案采用了神经网络和迭代ADP技术。此外，在考虑神经网络权值近似误差的情况下进一步证明了控制稳定性。

2. 针对未知连续非仿射非线性系统提出了一种不需要重构未知系统的在线近似最优平行控制方法。首先，提出了一个实现未知连续非仿射非线性系统近似最优控制的框架，将非仿射系统的优化控制问题转化为仿射系统的优化控制问题。在所提出的框架中，根据系统状态向量和控制输入的维度构造了增广仿射系统，并根据原始性能指标构造了增广性能指标。其次，分析了原始系统和增广仿射系统稳定性之间的关系，并证明了在增广性能指标中选择一个合适的参数，增广仿射系统和增广性能指标的最优控制等价于原始系统和原始性能指标的近似最优控制。随后，基于增广仿射系统和增广性能指标，将积分强化学习拓展到完全未知的非仿射非线性系统，并在没有输入动态有界假设的情况下证明了闭环系统中的信号是一致最终有界的。此外，在所提出的在线近似最优平行控制方法中，原始性能指标可以是任意正定函数，并且状态向量收敛的界可由一个设计参数确定。

3. 针对未知离散非线性系统提出了一种事件触发优化平行控制方法。首先，提出了增广系统和增广性能指标以实现平行控制。同时，分析了原始系统和增广系统稳定性之间的关系，并证明了选择一个合适的增广性能指标，增广系统和增广性能指标的最优控制可以被看作原始系统和原始性能指标的近似最优控制。其次，提出了一个事件触发控制框架，并采用时间触发最优值函数和控制律设计了一个触发条件。同时，证明了触发条件下闭环系统的稳定性，并预先确定了实际性能指标的一个上界。然后，为了在未知离散非线性系统中实施所设计的触发条件，提出了一种不需要重构未知系统的在线学习算法。随后，分析了闭环系统中信号的收敛性，且分析不需要输入动态有界的假设。

4. 针对连续非仿射非线性系统提出了一种在线优化平行跟踪控制方法。首先，基于原始系统状态向量和控制输入的维度以及期望信号，构造了增广仿射系统以及增广期望信号。然后，通过构造原始跟踪误差系统和增广跟踪误差系统将跟踪控制问题转化为调节控制问题，并根据原始性能指标设计了增广性能指标。同时，从理论上讨论了原始跟踪误差系统和增广跟踪误差系统稳定性之间的关系以及原始性能指标和增广性能指标之间的关系。此外，采用ADP和神经网络技术设计了在线学习算法以实现在线优化跟踪控制，并分析了闭环系统中信号的收敛性。所提出的方法可以直接应用于非仿射非线性系统，不需要将非仿射非线性系统重构成仿射非线性形式，且在期望信号存在有限个跳跃间断点的情况下仍可以保证控制输入的连续性。