简述模型预测控制——Introduction to Model Predictive Control (MPC)-CSDN博客

本文链接：https://blog.csdn.net/philthinker/article/details/119206334

本文介绍了模型预测控制（MPC）的基本概念，它是一种使用优化方法解决控制问题的策略。MPC通过考虑未来有限步长的控制序列来简化最优控制问题，虽然牺牲了全局最优性，但能有效处理约束。文章讨论了MPC与最优控制的区别，以及典型MPC问题的解决方式，并特别提到了显式MPC在特定条件下的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文简要介绍下模型预测控制的基本原理与简单应用方法。本文针对有一定控制理论背景的读者。

最优控制问题

给定一个系统模型和控制目标，我们往往可以找到无穷多个控制器，使得该系统的输出收敛到控制目标。难么，我们如何从这无穷多个控制器中找到一个最优的呢？这便是最优控制问题。解决最优控制问题，或者说任何最优化问题，我们首先要明确定义一个优化目标，即一个衡量好坏的量化标准。随后，在该标准下找到一个控制器使得优化目标达到最小/最大。

有关优化问题的具体讨论可参考此文。
最优控制问题的具体细节亦可参考此文。

模型预测控制

在这里插入图片描述
模型预测控制（Model Predictive Control, 以下简称 MPC）是以优化方法来求解控制问题，或者说是以优化问题的求解来给出控制信号。如上图所示，MPC包含3个主要成分：模型、预测、控制，均取其字面意思。

MPC与最优控制

一般的最优控制，强调的是整个控制过程（时间域）的最优性。常用的最优控制方法包括变分法、极大值原理 和 动态规划。事实上也是常见的优化方法。最优控制问题存在两个挑战：

具有复杂约束的最优化问题难以求解；
最优控制要求系统模型精确已知。

针对上述两个挑战，MPC方法退而求其次地仅仅考虑未来有限个控制周期，这样一来最优控制问题便得到了简化，但是也牺牲了一定的最优性。

考虑下输简单离散LTI最优控制问题：
$\begin{aligned} \min\quad & J = \sum_{t=0}^{\infty}\ell(x(t),u(t)) \\ \text{s.t.}\quad & u(t) \in \mathcal{U}, x(t)\in\mathcal{X}, t= 0,1,2,\dots \\ &x(t+1) = Ax(t) + Bu(t),\\ &x(0) = z \end{aligned}$