了解模型预测控制5--如何加速运行MPC

最新推荐文章于 2024-04-15 04:50:54 发布

此时@此刻

最新推荐文章于 2024-04-15 04:50:54 发布

阅读量1.5k

点赞数 5

分类专栏： MPC 文章标签：算法人工智能性能优化

本文链接：https://blog.csdn.net/qq_35611242/article/details/126469924

版权

MPC 专栏收录该内容

6 篇文章 15 订阅

订阅专栏

本节，我们将讨论如何操作以更快地运行MPC。

我们仍会用到上一篇文章中提到的“煎饼”进行类比，制作煎饼是一个复杂的过程，你需要准备配料、摊煎饼，在客人失去耐心之前赶紧上菜，难点还在于我们必须在有限的空间内存放所有配料。

同理，在计算领域，MPC也很复杂。一个原因是模型预测控制每步只会处理一种在线优化问题。

MPC问题的产生来源于QP问题的出现，后者强调最小化二次成本函数。MPC算法会随着状态、约束条件、控制长度和预测时域的增多而越发复杂。

如果MPC控制器在大型动态应用服务器上缓慢运行，如工厂流程化作业，那么计算复杂性也不是什么大问题。然而，假设我们想在自动驾驶汽车的ECU上部署MPC算法，那么我们需要在毫秒级的小取样间隔内解决优化问题。另外，嵌入式硬件的内存有限，MPC计算需要存储的矩阵随优化变量数量的增加而快速增长，为此，我们必须确保内存不会耗尽。

哪些方法可以提高通量、减少内存的使用?以煎饼为例，如果某些食材对味道的影响不大但却需要很多时间进行准备，你应果断把其从食谱中将其去掉，这能大大减少备菜和上菜的时间，让所有材料都能轻易地储存在有限的空间内。

同理，为了降低MPC计算的复杂度和时间，你可以尝试“模型降阶”法，舍弃对系统动力没有贡献的状态，这也有助于减少对控制器内存的占用。

此外，为了提高通量、减少内存，我们还可以缩短控制时间和预测范围，减少限制条件的数量或使用更低精度的操作和数据表达来实现MPC。

对于取样时间较短的应用，我们可以采用这些技巧来实现MPC。但是，如果控制系统的取样时间更短，那么可以使用显式MPC。以煎饼类比，显式MPC指的是每次摊煎饼时，我们可以用预先配制好的煎饼粉，而不是临时把所有配料混在一起，以节省时间。

显式MPC不是在线为当前状态解决优化问题，而是离线解决既定范围内的所有状态。对于既定范围内的每个x值，显式MPC都能预先算出最优解，这个解由线性函数组成，分段仿射且在x轴上是连续的，任何约束条件能将“解”切割成不同区域，每个区域映射出唯一最优解。

在二态体系中，可以这样理解，离线计算出最优解后，MPC会在线找到当前状态所在的区域，并评估线性函数，以此创建当前控制操作。将迭代优化过程转化为线性函数，大大简化了运行时间计算，因此，可以在非常短的取样时间内，为应用程序部署显式MPC。

预先配制的调料固然很好，但如果你想要其他不同的口味，那就得多花些时间琢磨了，配制不同口味的调料，都需要占用一定的空间。同理，如果有很多区域，搜索当前状态所在的区域可能十分耗时，此外，存储所有区域又需要占用很大的内存，我们可以通过合并区域来减少区域数量，然而，这也不是最优解。

另一种更快运行MPC的方法是，使用次优解。以煎饼为例，上菜时间会因餐盘装饰的不同而产生很大变化，不想等待太久的顾客，可以选择菜单上的基础款，其他更有耐心、愿意等待更长的时间的人，可以选择豪华款。在MPC问题中，寻找最优解的迭代次数是完全不可预测的，从一个步骤到另一个步骤会发生巨大的变化，在最坏的情形下，计算时间可能超过控制器的取样时间。

然而，我们希望在取样时间内找到解决方案，甚至还有一些空余时间来执行硬件上的其他任务，为了解决这一问题,我们可以确定迭代优化次数的最大值。示例中,我们需要10次迭代才能找到最优解。然而，由于最大迭代次数被设置为5次，当达到5次时，控制器会停止优化并使用该迭代的次优解。注意，尽管是次优解，但仍能满足优化问题的所有约束条件。