模型预测控制(MPC)原理与MATLAB/C++实现

1. 模型预测控制（MPC）的本质与优势

在工业控制领域，我们常遇到这样的困境：传统PID控制器对双积分系统束手无策，倒立摆控制中延迟响应导致系统失稳。这正是模型预测控制（Model Predictive Control, MPC）大显身手的场景。与"事后补救"的常规控制不同，MPC像经验丰富的司机，能预判前方路况提前调整方向盘。

MPC的核心在于三要素：预测模型、滚动优化和反馈校正。以倒立摆为例，控制器会：

1. 基于当前摆杆角度和速度，预测未来3-5秒的运动轨迹
2. 计算使摆杆保持直立的最优电机控制序列
3. 只执行第一步控制量，下一周期重新预测优化

这种"走一步看三步"的策略，使其在以下场景表现突出：

• 处理大延迟系统（如化工过程控制）
• 应对多变量耦合（如无人机编队）
• 满足约束条件（如机械臂关节限位）

注意：MPC的计算复杂度随预测步长呈指数增长，实际工程中需要在控制精度和实时性间权衡。

2. 手搓MPC的数学工具箱

2.1 状态空间模型构建

以经典的双积分系统为例（如小车位置控制）：

matlab复制% 连续系统模型
A = [0 1; 0 0];
B = [0; 1];
C = eye(2);
D = zeros(2,1);
sys = ss(A,B,C,D);

% 离散化（采样周期0.1s）
Ts = 0.1;
sys_d = c2d(sys,Ts,'zoh');

2.2 预测方程推导

离散状态空间模型为：

code复制x(k+1) = A_d x(k) + B_d u(k)
y(k) = C_d x(k)

扩展至预测时域Np步：

math复制Y = F x(k) + Φ U

其中：

• F = [C_d A_d; C_d A_d^2; ...; C_d A_d^Np]
• Φ为下三角Toeplitz矩阵，体现控制时域Nc的影响

2.3 二次型代价函数设计

典型形式：

math复制J = (Y-R)^T Q (Y-R) + U^T R U

• Q：输出权重矩阵（调节跟踪性能）
• R：控制权重矩阵（抑制剧烈动作）

3. MATLAB实战：倒立摆控制

3.1 模型线性化

在平衡点（θ=0）附近线性化：

matlab复制[Ali