【MPC学习笔记】01:MPC简介(Lecture 1_1 Unconstrained MPC)

本笔记来自北航诸兵老师的课程
课程地址:模型预测控制(2022春)lecture 1-1 Unconstrained MPC

0 MPC 简介

0.1 案例引入

MPC(Model Predictive Control)模型预测控制,是预测控制的一种,是基于模型来进行控制的。
老师举了下面这个例子来引入MPC的基本思想:

比方说我们为未来的一段时间制定计划,一天中几点到几点该做什么。但是计划赶不上变化,出现变化,出现拖延,计划就得做相应的调整。过了一段时间,根据计划的实际落实情况,再对接下来的计划进行调整。如此往复。不断地执行计划,也不断地修订计划。

0.2 系统模型

在控制系统中,有惯用表示:输入记作 u u u,状态变量记作 x x x,输出记作 y y y
假设系统是离散的,系统的状态方程为:
x ( k + 1 ) = f ( x ( k ) , u ( k ) ) x(k+1)=f(x(k),u(k)) x(k+1)=f(x(k),u(k))

实际上系统可以是,线性的或非线性的,连续的或离散的或既包含连续又包含离散的,确定的或随机的,只要满足该方程即可

设当前时刻为 k k k,当前状态为 x ( k ) x(k) x(k)
在输入 u ( k ) u(k) u(k) 的作用下,系统的状态将由 x ( k ) x(k) x(k) 变为 x ( k + 1 ) x(k+1) x(k+1)
在输入 u ( k + 1 ) u(k+1) u(k+1) 的作用下,系统的状态将由 x ( k + 1 ) x(k+1) x(k+1) 变为 x ( k + 2 ) x(k+2) x(k+2)
在输入 u ( k + 2 ) u(k+2) u(k+2) 的作用下,系统的状态将由 x ( k + 2 ) x(k+2) x(k+2) 变为 x ( k + 3 ) x(k+3) x(k+3)

由上面的列举,知:输入序列➡️输出序列
但在此时,也就是时刻 k k k ,我们并不知道输入序列 { u ( k ) , u ( k + 1 ) , u ( k + 2 ) , ⋯   } \{u(k),u(k+1),u(k+2),\cdots\} {u(k),u(k+1),u(k+2),} 是多少

自然而然就会想到一个问题——怎么确定输入序列?
答:通过优化的方式,Optimization
状态序列 记为 X ( k ) X(k) X(k)
输入序列 记为 U ( k ) U(k) U(k)
输入序列的求解,可用如下优化问题的公式来描述:
U ∗ ( k ) = a r g   m i n ∑ i = k ∞ l ( x ( i ) , u ( i ) ) = { u ∗ ( k ) , u ∗ ( k + 1 ) , …   } s . t . x ∈ X , u ∈ U \begin{aligned} U^*(k) &= arg\ min\sum^{\infin}_{i=k}l(x(i),u(i)) \\ &=\{u^*(k),u^*(k+1),\dots\} \\ \\ s.t.\quad &x\in \mathscr{X}, u\in \mathscr {U} \end{aligned} U(k)s.t.=arg mini=kl(x(i),u(i))={u(k),u(k+1),}xX,uU
其中, a r g   m i n arg\ min arg min 表示使 **代价函数(目标函数)**取值最小时,输入序列 U ( k ) U(k) U(k) 的取值; ∗ ^* 表示最优解; s . t . s.t. s.t. 表示约束条件; l ( x ( i ) , u ( i ) ) l(x(i),u(i)) l(x(i),u(i)) 称为 “Stage cost”。
u ( k ) = u ∗ ( k ) u(k)=u^*(k) u(k)=u(k) ,舍弃求出的 U ∗ ( k ) U^*(k) U(k) 中后续其他时刻的输入,则由 x ( k + 1 ) = f ( x ( k ) , u ( k ) ) x(k+1) = f(x(k),u(k)) x(k+1)=f(x(k),u(k)) 可以求出时刻 k + 1 k+1 k+1 的状态
接着, k + 1 k+1 k+1 变为当前时刻,重复上述步骤,求出时刻 k + 2 k+2 k+2 的状态 x ( k + 2 ) x(k+2) x(k+2),…
以上就是MPC的基本原理

如果只优化一次,将计算出的 U ( k ) U(k) U(k) 序列依次执行,那么就变成了开环优化;而这里每一时刻优化后都只取 u ∗ ( k ) u^*(k) u(k) 执行( u ∗ ( k ) u^*(k) u(k) x ( k ) x(k) x(k)的函数),并且不断进行优化,构成滚动优化(闭环优化), 因此MPC实际上引入了反馈

0.3 MPC的优点

  • 处理控制输入和系统状态上的约束(Constraints)
    • 约束来源:actuator limits; safety; environmental; economic constraints
    • PID没办法解决约束问题
  • 近似最优控制
    • 与线性系统中的最优控制(LQR, 线性二次型调节器)有区别,在LQR中,我们找到的是最优的增益 k k k(假设,已知系统是线性反馈),MPC找的是 u u u

0.4 MPC的缺点

  • 需要在线优化(online optimization),可能会有较大的计算负载

0.5 MPC的未来

随着计算机算力提升,MPC或替代PID成为工业界控制主流
在这里插入图片描述

1 详细介绍

【MPC学习笔记】02:MPC详细简介(Lecture 1_1 Unconstrained MPC)

  • 24
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Simulink MPC 是一种使用模型预测控制(Model Predictive Control,MPC)算法的功能强大的控制设计工具。Simulink 是 MATLAB 的一个扩展包,它允许用户以图形化的方式建立模型和仿真系统。而 MPC 是一种先进的控制方法,其主要特点是通过使用系统模型和未来的预测信息进行控制决策。 使用 Simulink MPC,用户可以通过建立系统的数学模型,来设计和实现高级的控制策略。MPC 通过不断地对系统进行重新优化,以达到最佳的控制效果。在每个控制周期内,MPC 使用系统模型进行预测,并基于目标和约束进行优化,从而生成最优的控制策略。这种预测优化的特性使得 Simulink MPC 在许多复杂的控制问题中表现出色。 Simulink MPC 还提供了灵活的参数调整功能,可以根据用户的需求来调整控制器的性能和稳定性。用户可以通过调整权重和约束等参数,来优化控制器的响应速度和控制品质。 此外,Simulink MPC 还具有与其他 Simulink 工具集集成的优势,可以与其他模块进行联合设计和仿真。用户可以结合使用 Simulink 中的各种模型库、信号处理和优化工具等,来构建复杂的控制系统。 总而言之,Simulink MPC 提供了一个强大的平台,可以帮助用户设计和实现高级的控制策略。它的灵活性和预测优化功能使得它在复杂的控制问题中具有很好的性能表现。通过 Simulink MPC,用户可以以图形化的方式建立控制模型,并进行仿真和调试,来实现优化的控制方案。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值