کنترل پیش بین براساس مدل، مجموعه روشهایی را شامل می شود که با استفاده از مدلی از فرایند و با داشتن اطلاعات مربوط به ورودیها و خروجیهای فرایند، سیگنال مناسب کنترلی جهت بهینه سازی تابع هدف (در حوزه زمان) را محاسبه می نمایند. قوانین کنترلی که از این ساختار ساده بدست می آید از قابلیتهای بسیار بالایی برخوردار بوده و امکان استفاده از آن را در بسیاری زمینه ها فراهم ساخته است . خاصیت اصلی این کنترل کننده ها این است که امکان گذاشتن قید بر متغیرهای سیستم را به ما می دهند. از این خاصیت می توان در تعریف تابع هدف استفاده بسیار نمود زیرا در بسیاری از اوقات هدف دنبال روی یک سیگنال خاص نیست به عنوان مثال حفظ کیفیت با حداقل هزینه. با وجود این قابلیتها، این سیستمها در کنترل فرایندهای غیرخطی که تغییر مدل در آنها به سرعت انجام می پذیرد ناتوان هستند. برای رفع این مشکل اساسی می توان از مدلهای غیرخطی مانند شبکه عصبی استفاده نمود که در این صورت باید از الگوریتمهای بهینه سازی غیرخطی بهره جست . با توجه به سرعت پایی الگوریتمهای بهینه سازی غیرخطی، نیاز به ساختاری داریم که هم قابلیت مدل کردن سیستمهای غیرخطی را داشته باشد و هم بتواند از الگوریتمهای بهینه سازی خطی یا مربعی استفاده نماید. برای این منظور استفاده از سیستمهای چند مدله می تواند کمک بسیاری به ما بنماید. در این رساله سعی شده کلیه اطلاعات لازم جهت استفاده از کنترل پیش بین به صورت کلاسه بندی شده، همراه با شرح تواناییها و قابلیتهای این روش ارائه شود. سپس به بررسی چگونگی استفاده از شبکه های عصبی برای کنترل سیستمهای غیرخطی پرداخته می شود و چگونگی استفاده از الگوریتمهای چند مدلی برای پیش بینی مورد بررسی قرار می گیرد و روشی جهت تطبیقی کردن ارائه می شود و نشان داده می شود که این الگوریتم برای کنترل گروه خاصی از مسائل توانایی بالایی دارد. در نهایت هم به نکات عملی در طراحی کنترل کننده های پیش بین اشاره شده است .