始于20世纪70年代的模型预测控制，经历了模型预测控制搜索(MPHC)，动态矩阵控制(DMC)，广义预测控制(GPC)，和其他一些重要的里程碑。由于预测控制有多步预测、滚动优化和反馈校正机制，它可以克服过程模型的不确定性，体现出色的操控性能，在工业过程控制中应用成功，成为一个重要的先进控制方法。预测控制的参数化模型，容易和自校正控制结合，通过引入不相等的预测和控制步长，形成自适应预测控制，从而减少了计算量，使系统的设计更加灵活，工程应用更方便。
近年来，预测控制的理论和应用有着相当大的进展，出现了各种实用的方法。自动化产品商家，如壳牌公司，霍尼韦尔公司等许多制造商，都对他们的DCS集散控制系配备了商业预测控制方案，并将其广泛应用于石油、化工、冶金等行业。但是，一些复杂的非线性工业控制过程中使用的线性模型预测控制器，基木上不能达到理想的效果。并且由于未知性质、时变、随机突变等原因，往往复杂的工业过程中的结构和参数，有不完整的信息、不确定大纯滞后和非线性等因素，简单预测控制算法似乎是不够的。对现代工业生产过程的要求发展越来越高，往往不只需要一个生产单元达到最佳的控制，还希望能在多个生产环节实现控制和优化的整个过程，以追求提高产品质量和降低成木。这些现实问题需要预测控制引入新思路，新方法，追求更高层次目标的发展。
在另一方面，研究智能控制的成果从1990年以来大量涌现。智能控制不仅在复杂的系统(如非线性，快时变的，复杂的数量，环境扰动等)中可以得到有效控制处理，而且还具有学习能力、组织能力、适应能力和优化能力。因此，预测控制与智能手段结合成一种新的研究方法。智能预测控制解决复杂工业过程的不确定性和多目标优化问题具有十分重要的意义。
为了解决复杂工业过程的不确定性、多目标等问题，国内外学者引入智能控制方法到预测控制中，使其向智能化的方向发展，从而形成了目前预测控制研究的一个方向—智能预测控制。智能预测控制方法的内容是非常丰富的，具体的算法层出不穷。根据预测控制和智能控制融合点，大致可分为以下几类：
(1)模糊预测控制
预测控制和模糊控制是控制理论中两个独立开发的区域，根据两者的思想而全面发展的模糊预测控制有其内在的合理性:预测控制和模糊控制都是对不确定系统的有效控制方法，结合模糊及预测控制会进一步提高效果;模糊控制的发展趋势是规则沟通模型的改变，预测控制对象的模型，可作为双方的桥梁，因此，模糊预测控制的研究能扩大预测控制的应用范围。
(2)基于神经网络的预测控制
自80年代中期，人工神经网络以其独特的优势引起了极大关注。对于控制领域，神经网络的吸引力在于:充分逼近复杂的非线性关系:能够学习和适应不确定系统的动态特性;所有定量或定性的信息被存储在单个神经元的分布式网络，所以有鲁棒性和容错性;利用并行分布处理方法，使得它可以快速地计算密集型的数据。这些特性使其成为非线性系统建模与控制的重要方法。因为神经网络在求解非线性系统方面的巨大优势，很快就在预测控制中使用，并且形成许多不同的算法。崔钟泰等人(2004)提出了一种基于模糊神经网络控制的混沌非线性系统预测模型，夏晓华等(2005)提出了一种基于小波神经网络的预测控制，宫赤坤等(2005)提出了一种基于RBF神经网络的预测控制。
(3)基于遗传算法的预测控制
虽然遗传算法被广泛认为是一个具有很强鲁棒性、可以处理大规模复杂问题的优化算法。随着社会和电脑本身的计算速度不断进步，遗传算法不断改进，近年来开始被引入到非线性模型预测控制的在线优化。张强和李韶远(2004)用遗传算法解决了存在约束优化问题的广义预测控制，实现了基于遗传算法的广义预测控制算法，同时对工业过程对象进行仿真，验证了该方法的有效性和良好的控制效果。Naeem. W.等(2005)设计了一种基于在线调整遗传算法的模型预测控制，并应用于水下机器人。
自20世纪50年代末，美国麻省理工学院提出第一个自适应控制系统以来，世界上己经出现许多不同形式的自适应控制系统。自校正调节器是一类比较成熟的自适应控制系统。
自校正调节器发展的第一阶段是1958年至1975年。1958年，Kalman发表的一篇文章一最优控制系统设计，首先提出了自校正控制的思想。在1970年，Petra把这个原理延伸到参数未知但恒定的线性离散时间单输入输出系统。由于理论和技术的限制，这些原理并没有得到成功应用。直到1973年由瑞典学者Astorm和Wiittenmark提出最小方差自校正调节器。该方法的突出优点是容易实现，即使只用一个单板微处理器就能够实现，它的缺点是，该系统不能用于不稳定系统，存在工程上的限制，并且结构简单。
为了解决这个问题，在1975年克拉克提出广义最小方差控制，自校正调节器的主要缺点都被它克服，从而获得了广泛的关注。然而，该算法是不稳定的，当用逆系统处理，控制权必须在目标函数中选择。因为不确定性，控制权的选择往往要依靠试错法。第二阶段是1976年至1980年。1976年，剑桥大学兹大学提出极点配置自校正技术，Wellstead, Prager, Zanker和Sanoff,做出卓有成效的工作。除了最优性，其他方面均超过上述自校正控制器，但自校正结构太复杂。第三阶段是1980年至今。80年代来，在神经网络基础上，自校正控制器快速发展，并显示出其在高度非线性和不确定系统中控制的巨大的潜力。
神经网络自适应控制理论是自适应控制理论和神经网络相结合的产物，神经网络具有很强的逼近非线性函数的能力，即非线性映射能力，把神经网络用于控制正是利用了其独特的优势能力。神经网络模型能模拟人脑神经元的活动过程，包括信息加工、处理、存储和搜索的过程，它具有以下特性：
(1)信息分布式存储在神经网络中，即使局部网络被破坏，仍然可以恢复原始信息;
(2)神经网络平行地处理和推断信息，每个神经元可以基于所接收的信息独立计算和处理，然后将结果输出;
(3)神经网络处理信息具有自组织、自学习特性。
现在神经网络自适应控制方案已经出现很多，其中典型的控制程序有神经网络模型参考自适应控制(NNMRAC)等。使用NNMRAC直接结构，基于稳定性理论选择控制律，提高仿射非线性系统的跟踪精度，并使全闭环系统渐近稳定。使用自适应神经网络间接结构，首先由神经网络离线识别前馈控制过程模型，然后在线学习和修改。
自适应神经网络控制需要神经网络在线学习，所以学习速度是一个关键问题。现有的自适应神经控制器采用BP算法，所以一般运行速度较慢，因此如何提高在线自适应神经控制速度，是目前研究的热点之一。
