Το αντικείμενο της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη μεθόδων προβλεπτικού ελέγχου και οικονομικού προβλεπτικού ελέγχου για τον έλεγχο και την βελτιστοποίηση πολύπλοκων μη γραμμικών συστημάτων με χρήση αλγορίθμων υπολογιστικής νοημοσύνης. Πιο συγκεκριμένα, οι αλγόριθμοι αυτοί θα αφορούν την εφαρμογή μοντέλων μηχανικής μάθησης και έμφαση θα δοθεί στα νευρωνικά δίκτυα τύπου RBF (Radial Basis Function) για την μοντελοποίηση της συμπεριφοράς των συστημάτων. Θα πραγματοποιηθεί αναλυτική συγκριτική αξιολόγηση των διάφορων μοντέλων μηχανικής μάθησης που θα εφαρμοστούν ως προς την ακρίβεια και τον υπολογιστικό χρόνο για την ορθή αναγνώριση  δυναμικών συστημάτων σε πλήθος ανοικτών γνωστών σετ δεδομένων με σκοπό την καταγραφή των επικρατέστερων. Από την σκοπιά του αυτομάτου ελέγχου, θα πραγματοποιηθεί η  ανάπτυξη και η δημιουργία ελεγκτών προβλεπτικού ελέγχου με την ενσωμάτωση των μοντέλων μηχανικής μάθησης ως μοντέλα πρόβλεψης, καθώς και η ρύθμιση των παραμέτρων των ελεγκτών (tuning) με σκοπό την εύρεση κατάλληλου σημείου λειτουργίας των συστημάτων. Επιπλέον, θα μελετηθεί η ευστάθεια και η ευρωστία των ελεγκτών που θα δημιουργηθούν. Τέλος, οι τεχνικές προβλεπτικού ελέγχου, σε συνδυασμό με τα μοντέλα μηχανικής μάθησης που θα αναπτυχθούν, θα βρουν πραγματική εφαρμογή σε εγκατάσταση βιολογικού καθαρισμού.