Le présent ouvrage est dédié à l'application des techniques de l'intelligence computationnelle afin de palier aux limites de la commande sliding mode des systèmes non linéaires. En effet, les réseaux de neurones à fonctions de bases radiales (RBF) sont utilisés pour estimer les paramètres du modèle dynamique et compenser les incertitudes. Pour le développement d'un algorithme d'apprentissage des réseaux de neurones à bases radiales (RBF), nous avons opté en premier lieu pour les algorithme évolutionnaires en considérant l'apprentissage d'un réseau de neurones RBF comme un problème d'optimisation. Pour y parvenir, nous avons amélioré deux algorithmes récents, l'algorithme d'optimisation par colonie d'abeilles articielles (ABC) et l'algorithme de l'optimisation basée sur la biogéographie (BBO) en les hybridant avec un modèle prédateur et proies (PP) modifié. Le deuxième algorithme développé est l'algorithme GAP-EKF qui est un algorithme d'apprentissage en ligne basé sur une stratégie de Growing and Pruning (GAP). L'approche proposée a été appliquée pour la commande d'un pendule inversé et ensuite un robot manipulateur SCARA. Les résultats obtenus sont très satisfaisants.
