Model Predictive Control.png
MPC参数选择
采样时间：很具实际的系统响应要求，要平衡计算量和性能。建议在开环系统上升时间中拟合10-20个样本。
采样时间
预测范围：在根据上述选择了采样时间后，MPC推荐的预测范围是20-30倍的采样时间，以尽可能覆盖开环系统响应。
预测范围选择
参数控制范围（Control horizon）：我们甚至可以选择使控制范围与预测范围相同。但是请注意，通常只有前几对控制动作会对预测的输出行为产生重大影响。选择控制范围的一个好的经验法则是将其设置为预测范围的10%到20%，至少包括2-3个步骤。
Control horizon
软约束与硬约束：建议将输出约束设置为软约束，并避免对输入和速率产生硬约束。
软约束与硬约束
MIMO系统的权重：
不同的MPC模型
线性时不变系统的MPC (LTI-MPC)
具有这些属性的MPC问题 cost function 是一个良好的凸优化问题，具有全局最优解。
LTI-MPC
可以线性化的非线性系统的MPC:
可以线性化的非线性系统的MPC
自适应MPC：优化问题结构在不同的工作点上保持不变，即在不同的运行条件下，状态数和约束条件数都不发生改变。
自适应MPC
预定增益MPC：模型针对不同的工作点进行offine linearize，使得每个控制器相互独立，因此不同的工作点，可以有不同的状态数和约束条件数。
特别地：预定增益MPC需要预定义一个控制器，用于选择不同的独立控制器。
预定增益MPC
自适应MPC与预定增益MPC的选择：
运行内存小，比较容易获得线性化的模型，同时优化问题结构在不同的操作中保持固定，则选择自适应MPC控制器。
运行内存限制不多时，同时优化问题结构在不同的操作中发生变化，则选预定增益MPC控制器。
高度非线性化的MPC(NMPC)
当系统具有非线性约束和非线性成本函数时，优化问题变得不凸，求解困难。
NMPC
MPC模型小结
MPC模型选择
提高MPC的速度
MPC控制器在计算上比较复杂，随着运行状态约束的增加，复杂度 增加，也受限与工业处理器的性能；同时MPC需要在每个事件步骤中，在线求解最优化问题，因此对响应速度要求也比较高，所以需要一些办法，提高MPC控制器的动态速度。
1.降阶模型技术
简化模型的方法
2.显式MPC（Explicit MPC）
对于给定范围的状态，离线求解显式MPC结果，再分段线性化后映射为状态X的连续线性函数。
Explicit MPC
3.次优解决方案（suboptimal solution）
限制最大迭代次数，获取次优解但是仍满足限制条件。
提高MPC速度小结
提高MPC速度小结
一些胡思乱想
MPC是不是可以引入前状态变量，进行最优化决策，类似 改进的欧拉方法
对于MPC模型的建立，机器学习 不只是用 ,
两个状态之间，而是一个输入 对后面一系列加权状态，这样的方式训练出系统的模型来
能观性 和 状态估计
网友评论