چکیده: چکیده : در این رساله یک رویکرد هوشمند مبتنی بر شبکه‌های عصبی و سیستم های فازی برای حل رده ای از مسائل کنترل بهینه فازی تحت مشتقات هاکوهارای تعمیم‌یافته و گرنیولار ارائه میشود. در مرحله اول، ما شرایط اویلر-لاگرانژ فازی را برای مسائل حساب تغییرات فازی و اصل ماکزیمم پونتریاگین را برای مسائل کنترل بهینه فازی در نظر می‌گیریم، که هر دو به مشتقات هاکوهارای تعمیم‌یافته بستگی دارند. شرایط بهینگی لازم برای این مسائل در قالب مسائل مقدار مرزی دو نقطه ای بررسی می شود. یک رویکرد شبکه عصبی فازی که از توابع پایه شعاعی به عنوان توابع فعال‌سازی آن برای یکی از لایه‌های پنهان استفاده می‌کند، برای تقریب جواب های مساله مقدار مرزی دو نقطه ای استفاده می شود. شبکه عصبی پیشنهادی ترکیبی از نقاط به عنوان مجموعه داده آموزشی استفاده می کند و الگوریتم لونبرگ-مارکوارت به عنوان بهینه ساز انتخاب شده است. در مسئله بهینه‌سازی، از جواب ‌های آزمایشی برای توابع وضعیت ، هم وضعیت و کنترل استفاده می‌شود که در آن جواب های آزمایشی با استفاده از مدل شبکه عصبی پایه ای شعاعی ساخته می‌شوند. همچنین نتایج شبیه‌سازی نشان می‌دهد که مدل پیشنهادی شدنی و کاراست. به علت برخی مشکلات مشتقات هاکوهارا، حل مسائل کنترل بهینه فازی تحت مشتقات گرنیولار با استفاده از مدل هایپربولیک فازی تعمیم یافته نیز مورد بررسی قرار می گیرد.