显式预测控制（Explicit MPC）

显式预测控制是 Bemporad 等人在2002年提出来的一种面向小规模控制命题的快速 MPC 算法。主要思想是通过参数规划的思想，将优化求解的在线计算放到离线进行，从而提高在线计算的速度。本文从理论上对这种算法进行介绍，并用例子进行一些说明，最后会提到该方法的一些局限和改进。

理论推导

下面我们结合 [BMDP02]，[FBD08] 和 [PRW07] 三篇文章的内容简单介绍一下 Explicit MPC 的原理。这里我们考虑一个离散的，线性时不变的状态空间模型：

$$x(t+1)=Ax(t)+Bu(t)$$

其中 $x(k)∈\mathbf R^{n_x }$ 是系统状态，$u(k)∈\mathbf R^{n_u}$ 是系统输入。$A, B$ 都是相应的系数矩阵。为简单起见，我们考虑一个从当前状态 $x_0$ 调节到原点的调节问题。同时我们要保证输入和状态都满足一定的约束，即

$$\underline{c} \le Cx(t) \le \overline{c}$$ $$\underline{d} \le Du(t) \le \overline{d}$$ 对任何k∈N都满足。同时 $C∈R^{n_{oc} \times n_x}$ 且 $D∈R^{n_{ic} \times n_u}$ 是常数矩阵， $\underline{c}, \overline{c}$ 和 $\underline{d}, \overline{d}$都是常数向量。

然后 MPC 在没周期求解的 QP 命题为：

$$\min_{\substack{u(0),...,u(N-1) \\ x(0),...,x(N)}} x(N)^TPx(N)+\sum^{N-1}_{i=0}\left( x(i)^TQx(i)+u(i)^TRu(i) \right)$$ $$\text{s.t. } x(t+1)=Ax(t)+Bu(t)$$