本文比较了基于模型的MPC和基于机器学习的MPC，讨论了各自的优缺点。基于模型的MPC具有数学确定性和处理复杂系统的能力，但依赖准确模型。而ML-MPC利用数据驱动模型，适应性强，但在数据需求、模型透明度和泛化能力上存在问题。在Matlab中，展示了如何使用Model-Based MPC对简单系统进行控制的代码示例。
什么是模型预测控制 (MPC)？
模型预测控制 (MPC)，也称为移动时域控制或后退时域控制，是一种广泛使用的控制策略，已应用于许多领域，包括过程控制、机器人和自治系统。MPC 的中心原则是使用系统的数学模型预测未来的行为，然后利用该知识产生控制动作以最大化某些性能目标。由于多年的不断改进和改进，MPC 现在可以处理日益复杂的系统和困难的控制问题。如下图所示，在每个控制区间，MPC 算法计算控制范围的开环序列，以优化预测范围内的对象行为。
MPC 的最新发展之一是机器学习技术的集成，导致基于机器学习的 MPC (ML-MPC) 的发展。在这种方法中，机器学习算法用于估计系统模型、进行预测和优化控制动作。机器学习和 MPC 的这种结合有可能显着提高控制性能和效率。
在这篇博文中，我们将比较基于模型的 MPC（标准 MPC）和 ML-MPC，突出它们的优点和缺点。
基于模型的 MPC
基于模型的 MPC 背后的基本思想是在每个时间步制定和解决优化问题。优化问题考虑了系统的当前状况、预测的未来行为和期望的性能目标。然后对系统进行最佳控制，并在以下时间步长
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
