预测控制不是某种统一理论的产物，其源于工业实践，在积极吸收其他学科的科学思想和成果的基础上，并在工业实践过程中发展和完善起来的一类计算机控制方法。预测控制在工业上的成功应用使其研究不断发展和完善，出现了很多种预测控制方法。这些方法虽各有其特点，但其主要思想均可总结为三点：预测模型、滚动优化和反馈校正。预测控制之所以与其它控制方法不同，主要原因就是这三要素，这三要素不仅是预测控制方法的基本特征，而且是其能够在实际工程中成功运用的关键技术。

1.预测模型

预测控制需要对控制对象未来的输出进行预测，能够实现预测的模型为预测模型。传统的控制方法也有需要模型的，但注重的是模型的结构。而预测控制所需要的预测模型注重的是模型的功能，如果一个模型可以根据已知的过去数据信息来预测系统未来的输出，那么这个模型就可做预测控制的预测模型。传统的传递函数、状态方程这类模型，它们是对系统的精确数学描述，当然可以根据过去已知信息得到未来的输出，所以可以作为预测模型。而在实际工业过程中往往难以得到这类精确模型，更易得到的是系统阶跃响应模型、脉冲响应模型，以及方便在线辨识的CARMA模型和CARIMA模型等。对于这类模型，也可以根据过去已知信息计算得到未来输出，所以可作为预测模型。在模型算法控制和动态矩阵控制两种预测控制中，预测模型采用了脉冲和阶跃响应这类非参数模型。在广义预测控制中，预测模型则可采用CARIMA模型、CARMA模型以及状态空间等这类参数模型。

由此可以看出，预测控制不需要像传统控制那样要求精确的系统模型结构和参数，它需要我们充分利用已知的信息，在已知信息的基础上按照预测输出的要求简单的建立模型。这是预测控制相对于其他控制方法的优点之一，也正是因为此才使它在工业中实现广泛应用。

2.滚动优化

滚到优化是预测控制三要素之一，这也表明了它也是一种优化控制算法。优化控制算法需要确定一性能指标函数，根据性能指标的最优来计算得到未来的控制作用。性能指标函数的设计关系到系统未来的状态变化，一般情况下，可以设计让未来输出在预测长度内与期望轨迹的方差最小，并且，为了让调节更平稳，可让控制量变化最小。

普通的离散最优控制算法与预测控制的优化是不同的，这主要表现在优化算法采用的不是固定的全局优化目标，而是滚动式的有限时域优化策略。对于滚动式优化过程，它并不是一次离线计算完成，而是在线反复进行的。在每一个采样时刻，滚动优化性能指标函数只对未来有限时域进行优化，当到下一采样时刻时，优化时域就会向前推移。所以，在预测控制中，对于每一时刻都有一个该时刻的优化性能指标，从而根据最新的数据实现计算未来控制序列的目的，也就是滚动优化。虽然滚动优化这种方法只能获得局部最优解、全局次优解，但其优势就在于滚动的特点，优化是在线反复进行的，优化过程始终是建立在当前获得的最新数据基础，能够对很好的克服模型失配、干扰和时变等引起的不确定性，所以有较好的鲁棒性，能使实际控制情况达到很好的最优效果。

3.反馈校正

预测控制进行滚动优化时，优化的一个基础是预测模型对未来输出的预测值，所以，预测模型应当和实际情况一致。但是，对于预测模型，它只能粗略的描述对象的动态特性，实际中也不可能得到能完全精确描述对象的数学模型。实际系统中有时变、非线性、干扰和模型失配等不确定的因素，因此，预测不可能与实际情况完全一致。为了提高滚动优化效果，就需要采用其它方法弥补预测模型的偏差，或者在线校正基础模型，这就是反馈校正。当有了反馈校正修正预测模型的预测结果，滚动优化才能达到更加准确地结果，展现出其优越性。因此，虽然在每个控制周期，预测控制都会根据优化性能指标确定未来控制序列，但是，为了防止预测模型与实际模型的偏差导致控制效果不理想，并没有依次全部实施控制序列，只对当前时刻的控制作用进行输出。等到下一控制周期，首先检测对象实际输出值，然后根据实际数据与预测值以及输入量对预测模型进行反馈校正，最后进行新的优化。

反馈校正的形式主要可分为两种。一种是不改变基本的预测模型，根据对象实际输出值与预测值得到预测误差，并根据预测误差直接补偿未来的预测值；另一种是通过在线辨识的方法修正基础模型参数，从而修改预测模型。不管如何进行反馈校正，预测控制的基础都是系统实际的数据，在此基础上尽量确保对未来输出的准确预测。

所以，预测控制中的优化不仅基于模型，也根据实际的反馈信息，基于这两点构成了闭环优化。