تأخیر یکی از عوامل اصلی بروز ناپایداری و تخریب رفتار مطلوب در سیستم های صنعتی است. این موضوع زمانی اهمیت دوچندان می یابد که بدانیم این سیستم ها معمولا دارای نامعینی بوده و اغتشاش ورودی و خروجی و نویز اندازه گیری نیز به آنان اعمال می گردد. از همین رو ارائه روش های جدید در کنترل مقاوم سیستم های تأخیردار یکی از دغدغه های مهم پژوهشگران حوزه مهندسی کنترل بوده است. در این روش ها معمولا جبران تأخیر، بخش مهم و تعیین کننده ای در کنترل سیستم محسوب می گردد. در این رساله روشی جهت کنترل مقاوم h? سیستم های تأخیردار ورودی ارائه می گردد. اساس این روش بر یک پیشگوی حالت بنا نهاده شده است که در حقیقت یک مشاهده گرِ حالت تأخیریافته است و اثبات می گردد که خطای پیشگویی در آن به صورت مجانبی به سمت صفر میل می نماید. در ادامه، پیشگوهای متوالی جهت تخمین حالت سیستم های ناپایدار با تأخیر زیاد ارائه گردیده که شامل مجموعه ای از پیشگو هایی است که هرکدام حالت سیستم را برای زمان کوتاهی در آینده تخمین می زنند، بطوری که نهایتا حالت برای کل زمان تأخیر تخمین زده می شود. شباهت مدل این پیشگو به مشاهده گر حالت، این امکان را به ما می دهد که دسته ی کنترل کننده های پایدار ساز را برای سیستم های تأخیردار ارائه نماییم. نهایتا در این رساله، یک کنترل کننده مقاوم h? برای سیستم های تأخیردار ورودی بر اساس پیشگوهای متوالی ارائه گردیده و نتایج آن با دیگر روش های مطرح در این زمینه مقایسه می گردد.

سیستم های تاخیردار با وجود تاخیر در ورودی یکی از انواع سیستم های رایج در صنایع هستند. وجود تاخیر ذاتی در سیستم، در انتقال سیگنال و یا در اعمال فرمان کنترل، همه از عوامل ایجاد تاخیر در ورودی سیستم ها هستند. تلاش های زیادی در جهت طراحی یک کنترل کننده مناسب برای اینگونه سیستم ها صورت گرفته است. عقب افتادگی زمانی ورودی نسبت به سیستم، طراحی کنترل کننده برای این سیستم ها را دشوارتر نموده است. برای مرتفع ساختن این موضوع پیشنهادهای مختلفی ارایه گردیده است. یکی از مهمترین این پیشنهادات، ارایه یک مدل پیشگو است که بتواند سیستم را پیشگویی نماید. در این صورت کنترل کننده می تواند با استفاده از این مدل، عقب افتادگی زمانی ورودی را جبران نماید. مدل های مختلفی برای طراحی این مدل پیشنهاد گردیده است. مهمترین این مدل ها، مدل آرتستین است که اکثر طراحان دیگر نیز اساس طراحی مدل خود را بر اساس آن بنا نهاده اند. امااین مدل نیز بنوبه خود کمبودهایی دارد و مثال های نقضی بر پایداری آن وجود دارد. در این پایان نامه مدلی جهت پیشگویی سیستم ارایه گردیده است که بر اساس مشاهده گر بنا شده است. اثبات می گردد که خطای تعریف شده برای این مدل به صورت مجانبی به سمت صفر میل می نماید. این مدل در حالات مختلف مورد بررسی قرار گرفته است و تغییرات لازم برای هر سیستم لحاظ گردیده است. همچنین با استفاده از این مدل کنترل کننده ای معرفی گردیده و پایداری سیستم حلقه بسته اثبات می شود.

به منظور شناسایی و تخمین پارامتر مدل سیستم های غیرخطی روش های متنوعی وجود دارد که عمدتا همراه با تئوری و محاسبات پیچیده می باشند. اخیرا استفاده از روش های بهینه سازی تکاملی مبتنی بر جمعیت در شناسایی سیستم های غیرخطی موردتوجه قرار گرفته است. در این میان می توان روش بهینه سازی دسته ذرات (یا به اختصار pso) را نام برد. بهینه سازی دسته ذرات، برخلاف روش های تخمین پارامتر تکراری، نیازمند تعیین مقادیر اولیه پارامترهای مجهول مدل برای شروع الگوریتم نبوده و نیز بر خلاف روش های تخمین پارامتر مبتنی برگرادیان در نواحی بهینه محلی متوقف نمی شود. همچنین در سال های اخیر، این روش به دلیل بهره گیری از قواعد ساده و نرخ همگرایی بالا در رسیدن به جوابی در نزدیکی جواب بهینه، تا حد بسیار زیادی مورد توجه محققین قرار گرفته و در زمینه های مختلفی توانسته است نتایج قابل قبولی از خود نشان دهد. برای ارزیابی کارایی این الگوریتم به منظور تخمین پارامترهای مدل برای سیستم های غیرخطی استاتیکی، دو نمونه کابردی جدید در دو زمینه تفسیر داده های گرانی در مسائل اکتشافی به منظور تخمین عمق و شکل بی هنجاری های زیرسطحی و همچنین تخمین وضعیت نسبی ربات های همکار در ماموریت های گروهی ربات ها آورده شده است. تعیین عمق و ضریب شکل بی هنجاری های زیرسطحی یکی از مهمترین اهداف در ژئوفیزیک اکتشافی است. در این میان بی هنجاری های میدان گرانی از اهمیت ویژه ای در اکتشافات نفت و اکتشافات معدنی برخوردار هستند. بنابراین یافتن روشی بهینه برای تعیین عمق و ضریب شکل بی هنجاری از روی داده های گرانی، از مسائل مهم در ژئوفیزیک اکتشافی محسوب می گردد. در کاربرد دومی ما به دنبال تعیین وضعیت نسبی ربات های همکار در سیستم های چند رباته از روی جا به جایی های تخمینی هر ربات و همچنین اندازه گیری های فاصله ای ربات- به- ربات می باشیم. حل مسئله تعیین وضعیت نسبی ربات های همکار در سیستم های چندرباته می تواند به عنوان زیربنایی برای حل مسائل مکان یابی مشارکتی ربات ها و همچنین ایجاد هماهنگی کارامد بین رفتار های یک گروه از ربات ها برای انجام ماموریت های مختلف مطرح شود. به منظور اعمال روش pso در موارد نامبرده، مسئله تخمین پارامترهای مجهول به یک مسئله بهینه سازی چندبعدی تبدیل می شود و متناسب با اطلاعات تجربی در دسترس درباره مسئله، کران بالا و پایین، برای پارامترهای مجهول مدل غیرخطی استاتیکی در نظر گرفته می شود، سپس با توزیع تصادفی ذرات psoبه عنوان جواب های احتمالی در فضای n-بعدی کراندار (n تعداد پارامترهای مجهول)، در صدد یافتن پارامترهای بهینه مدل با دقت بالا می باشیم. در پایان برای بررسی دقیق تر موضوع، عملکرد الگوریتم پیشنهادی در قیاس با روش مرسوم حداقل مربعات غیرخطی محک زده شده است. نتایج این مقایسه نشان داد که تکنیک هوشمند pso روشی کارا جهت تخمین پارامترهای مجهول مدل های غیرخطی بوده و نسبت به سطوح بالای نویز دارای حساسیت کمتری می باشد که نشانگر ضریب اطمینان بالای این روش می باشد