Nos últimos anos, as técnicas de controle estão sendo cada vez mais aprimoradas, de modo a atender os requisitos de desempenho e garantir a robustez e a estabilidade dos sistemas. Para controladores preditivos, essa otimização é direcionada para o aperfeiçoamento do modelo do sistema a ser controlado, de modo que este represente fielmente a dinâmica do sistema. Nesse trabalho, buscou-se além de utilizar um modelo neural para a representação do sistema, utilizar algoritmos de otimização baseados no Gradiente Descendente, com abordagens adaptativas e não adaptativas para melhorar o desempenho do controlador preditivo neural (NPC). Portanto, foram implementados controladores NPC por meio de algoritmo backpropagation baseado no gradiente descendente (GD) convencional, identificado como NPC-GD e serão desenvolvidos os seguintes controladores: NPC otimizado pelo algoritmo não adaptativo Gradiente Descendente Estocástico com Momento (NPC-SGDM) e NPC otimizado pelo algoritmo adaptativo Momento Adaptativo (NPC-ADAM). A partir disso, busca-se avaliar o desempenho desses controladores quando aplicados a dois sistemas dinâmicos não lineares. O primeiro consiste em uma planta de velocidade desenvolvida em laboratório que tem como atuador um motor de corrente contínua. Já o segundo consiste em um modelo biomecânico com um grau de liberdade (1-DOF) de articulação de joelho.