本书的结构如下：第1章介绍反馈控制及其在实际复杂问题中所面临的挑战；第2章是本书的核心，在该章中将反馈控制处理为一个回归问题，并采用遗传规划作为一种强有力的回归技术来确定最优反馈控制律；第3章回顾了控制理论的经典方法；第4章则针对线性和弱非线性动力系统，将MLC与这些经典方法进行了比较。虽然这两章都是反馈控制的相关内容，但其对实现第2章的MLC方法并不必要，因此着急的读者可以直接跳过；对强非线性动力学应用感兴趣的读者可以直接学习第5章，而对流体反馈控制的实验实现感兴趣的读者则可以跳至第6章；第7章提炼了在任何MLC实现中都需要考虑的现实实验的良好实践；第8章对未来MLC方法学的发展进行了展望，其有望极大地提高MLC的适用性和性能。此外，还列出了许多在未来可能被大规模使用的MLC应用。

第1章 引言
1.1 工程及生命系统中的反馈
1.2 反馈控制的优点
1.3 反馈控制面临的挑战
1.4 艰巨的挑战：湍流的反馈控制
1.5 自然教我们的控制设计
1.6 本书的大纲
1.7 习题
第2章 机器学习控制
2.1 机器学习的方法
2.1.1 作为机器学习的系统识别
2.1.2 遗传算法
2.1.3 遗传规划
2.1.4 其他机器学习方法
2.2 基于遗传规划的MLC
2.2.1 控制问题
2.2.2 控制律的参数化
2.2.3 作为搜索算法的遗传规划
2.2.4 代的初始化
2.2.5 代的评估
2.2.6 遗传操作的个体选择
2.2.7 遗传操作的选择
2.2.8 代际演化和停止标准
2.3 案例
2.3.1 通过数据点拟合函数
2.3.2 MLC用于控制动态系统
2.4 习题
2.5 推荐阅读
2.6 专访Marc Schoenauer教授
第3章 线性控制理论的方法
3.1 线性系统
3.2 全状态反馈
3.3 基于传感器的状态估计
3.4 基于传感器的反馈
3.5 系统识别与模型简化
3.5.1 系统识别
3.5.2 特征系统实现算法（ERA）
3.5.3 观测器卡尔曼滤波识别（OKID）
3.6 习题
3.7 推荐阅读
第4章 针对线性控制的MLC的基准测试
4.1 针对线性振荡器的MLC与LQR的比较
4.2 针对噪声线性振荡器的MLC与卡尔曼滤波器的比较
4.3 针对基于传感器反馈的MLC与LQG的比较
4.4 弱非线性的修正
4.5 习题
4.6 专访Shervin Bagheri教授
第5章 基于：MLC控制非线性动力系统
5.1 广义平均场系统
5.2 机器学习控制
5.2.1 控制问题的描述
5.2.2 MLC参数
5.2.3 MLC结果
5.3 广义平均场模型的推导概要
5.4 替代控制方法
5.4.1 开环强迫
5.4.2 闭环强迫
5.4.3 短期强迫
5.5 习题
5.6 推荐阅读
5.7 专访Mark N.Glauser教授
第6章 基于MLC的流体控制实验
6.1 后向台阶流动的分离控制
6.1.1 后向台阶流动
6.1.2 PMMH的实验设置
6.1.3 结果
6.2 湍流边界层的分离控制
6.2.1 分离边界层
6.2.2 LML和PRISME的实验装置
6.2.3 结果
6.3 混合层增长的控制
6.3.1 混合层流动
6.3.2 TUCOROM风洞实验设置
6.3.3 结果
6.4 基于模型的替代控制方法
6.5 实验中的MLC实现
6.5.1 实时控制环路-从传感器到执行器
6.5.2 PMMH后向台阶流中的MLC实现
6.5.3 LML和PRIME实验中的MLC实现
6.5.4 TUCOROM实验中的MLC实现
6.6 推荐阅读
6.7 专访David Williams教授
第7章 MLC的战术与战略
7.1 理想流动控制实验
7.2 控制问题的要求——从定义到硬件选择
7.2.1 成本函数
7.2.2 执行器
7.2.3 传感器
7.2.4 控制律的搜索空间
7.3 MLC的时间尺度
7.3.1 控制器
7.3.2 被控对象的响应时间
7.3.3 MLC的学习时间
7.4 MLC的参数以及收敛
7.4.1 收敛过程及其诊断
7.4.2 参数
7.4.3 预评估
7.5 不完美的实验
7.5.1 噪声
7.5.2 漂移
7.5.3 监测
第8章 未来的发展
8.1 MLC的方法学进展
8.2 MLC的系统简化技术——应对高维输入和输出
8.3 MLC的未来应用
8.4 习题
8.5 专访Belinda Batten教授
术语表
Matlab代码：OpenMLC
缩略语
符号表
参考文献