模型预测控制MPC-ChatGPT4的回答

模型预测控制（Model Predictive Control，简称 MPC）是一种先进的控制策略，利用系统的数学模型预测未来的行为，并通过优化计算获得当前时刻的最优控制输入。MPC 每一时刻基于当前状态，预测未来一段时间内的系统输出，并在满足一系列约束条件的情况下，使得控制目标（通常是某一性能指标）最优化。MPC 已广泛应用于过程控制、自动驾驶、机器人控制、电力系统等领域，尤其适合多变量、带有硬约束的系统。

---

1. 模型预测控制的基本思想

MPC 的基本思想是滚动优化和反馈校正：

1. 滚动优化：在每一时刻，MPC 基于系统的预测模型、当前状态和未来期望输出（即参考轨迹），构建一个预测时间窗（也称预测时域）。MPC 通过优化算法求解控制序列，使得预测期内系统输出最接近期望值。该控制序列的第一个控制输入作为当前控制量应用于系统。

2. 反馈校正：在每一时刻计算控制输入后，系统实际状态随时间演化，MPC 在下一时刻重复上述过程——即重新测量系统状态、更新预测序列和优化求解控制量。通过这种实时调整，使控制系统具备对干扰或不确定性的较强适应能力。

---

2. MPC 的工作流程

MPC 的工作流程可以概括为以下几个步骤：

1. 构建预测模型：选取系统的数学模型（通常是离散时间模型），如状态空间模型、传递函数模型等。模型描述了系统状态如何在时间上变化，以及控制输入如何影响输出。

2. 确定预测期和控制期：选择预测期（即预测的未来时间窗长度）和控制期（控制输入更新的时间间隔）。通常预测期较长，控制期较短，便于控制实时调整。

3. 定义目标函数（性能指标）：设定控制目标，如将系统输出值与参考值的偏差最小化、控制输入的能量最小化等。目标函数一般采用二次型形式，即：
   J = ∑ k = 0 N p ∥ y k − y ref ∥ 2 + ∑ k = 0 N c ∥ u k ∥ 2 J = \sum_{k=0}^{N_p} \left\| y_k - y_{\text{ref}} \right\|^2 + \sum_{k=0}^{N_c} \left\| u_k \right\|^2 J=