Distributed Optimization With Event-triggered Communication via Input Feedforward Passivity
在这项工作中，我们解决了分布式最优化问题与事件触发通信的概念输入前馈被动性（IFP）。首先，我们分析了分布式连续时间算法一致联合强连通平衡有向图在IFP为基础的框架。然后，我们提出了一个分布式的事件触发的通信机制，该算法。接下来，我们离散的连续时间算法的前向欧拉法与恒定的步长无关的网络大小，并表明，离散化可以看作是一个步长依赖的输入前馈无源性退化。因此，离散化系统保留了IFP属性，并启用相同的事件触发通信机制，但由于离散时间性质而没有Zeno行为。最后，给出了一个数值例子来说明我们的结果.
2020-06-10 math.OC
Event-triggered Partitioning for Non-centralized Predictive-Control-based Economic Dispatch of Interconnected Microgrids: Technical Report
提出了一种求解电网经济调度问题的非集中式模型预测控制（MPC）方案。该计划由两部分组成。第一部分是事件触发的重新划分方法，将网络划分为固定数量的非重叠子系统{（微电网）}。重新划分过程的目的是获得自给自足的微电网，即，那些可以使用自己的发电机组满足当地负荷的发电厂。然而，由于该算法不能保证所有产生的微电网都是自给自足的，因此不能自给自足的微电网必须与它们的一些相邻微电网形成联盟。这一过程成为该计划的第二部分。通过联盟形成，我们可以将网络的经济调度问题分解为基于联盟的子问题，使得每个子问题都是可行的。此外，我们还表明，通过解决联盟为基础的子问题得到的解决方案是一个可行的，但次最优解集中的问题。此外，通过数值模拟验证了该方法的有效性.
2020-07-15 cs.MA cs.SY eess.SY
Inaccuracy matters: accounting for solution accuracy in event-triggered nonlinear model predictive control
我们考虑在事件触发控制方案中使用近似系统预测的效果。这种近似可能是由于使用数值转录方法来解决连续时间最优控制问题。网格细化可以保证微分方程的误差上界，该微分方程对系统动力学进行建模。在网格细化方案的准确性保证下，我们证明了所提出的事件触发方案（将测量系统与近似状态预测进行比较）可以在保证严格正的更新间隔时间的情况下使用。我们表明，如果我们有知识的转录计划或近似误差，那么我们可以获得更好的在线估计的更新时间。我们还详细介绍了一种方法，收紧约束的近似系统轨迹中使用的非线性规划问题，以保证连续时间系统的约束满足。这是第一个将预测准确性纳入触发指标的工作。使用解决方案的准确性，我们可以保证可靠的下限更新时间和执行解决方案相关的约束收紧。
2021-05-28 cs.SY eess.SY math.OC
Stabilizing Quasi-Time-Optimal Nonlinear Model Predictive Control with Variable Discretization
本文论述了非线性系统的时间最优点到点模型预测控制概念的发展和分析。最近的方法在文献中应用的时间变换，但是，不保持递归的可行性分段常数控制参数化。本文的核心思想是引入可变离散的均匀网格。一个收缩的地平线网格自适应计划，确保收敛到一个特定的区域周围的目标状态和递归的可行性。区域的大小可通过设计参数配置。这有利于系统的双模设计的准时间最优控制，以恢复渐近稳定，并建立一个光滑的稳定。两个不同的稀疏模式的非线性规划公式被引入到实现和实现底层的最优控制问题。对于一类数值积分格式，即使没有双模，也能获得名义渐近稳定性和真时间最优性。对比分析以及实验结果表明，所提出的技术的有效性。
2020-04-20 cs.SY eess.SY math.OC
Real-time nonlinear model predictive control framework for event-triggered switching in industrial batch polymerization process
KU Leuven（荷语鲁汶大学）；Zhejiang University of Technology（浙江工业大学）
针对间歇聚合过程的多阶段切换问题，提出结合平滑模式混合、先进步热启动、变量缩放和迭代预算限制的实时NMPC框架，实现无启发式切换的实时可行性，并通过工业气液聚合基准验证了改进的约束满足和缩短的批次时间。
2026-06-16 cs.SY eess.SY math.OC
Multiple Loop Self-Triggered Model Predictive Control for Network Scheduling and Control
ACCESS Linnaeus Centre, School of Electrical Engineering, Royal Institute of Technology（ACCESS林奈中心，电气工程学院，皇家理工学院）；The University of Newcastle（纽卡斯尔大学）
本文提出一种基于自适应采样间隔的多线性时不变过程网络调度与控制算法，通过模型预测控制思想实现自适应采样，确保系统稳定性和网络冲突自由。
2015-02-11 cs.SY eess.SY math.OC
Numerical Discrete-Time Implementation of Continuous-Time Linear-Quadratic Model Predictive Control
针对带延迟的连续时间LMPC，本文提出有限时域LQ-OCP建模、分段常数假设下的离散化及二次规划转换方法，实验证明其在采样时间增大时闭环性能优于传统DT-LMPC。
2025-03-15 math.OC
Model Predictive Control for Regular Linear Systems
目前的工作扩展了已知的有限维约束最优控制实现的领域，适定的定期线性无限维系统建模的偏微分方程。该方法利用保持结构的Cayley-Tustin变换，在不进行空间离散化或模型降阶的情况下，通过离散时间模型表示来逼近连续时间系统.利用离散时间模型的最优性，稳定性，输入和输出/状态约束的明确的方式占模型预测控制器的设计。所提出的模型预测控制器是双模的意义上说，预测控制器的状态转向一组指数稳定无约束反馈可以利用不违反约束。模型预测控制器的构造导致有限维约束的二次最优化问题易于通过标准数值方法求解。考虑了偏微分方程的两个典型例子。
2020-05-20 math.OC
An Efficient Move Blocking Strategy for Multiple Shooting based Nonlinear Model Predictive Control
移动阻塞（MB）是一种广泛使用的策略，用于减少滚动时域控制中出现的最优控制问题（OCP）的自由度。通过强制输入变量在多个离散化步骤中保持恒定，减小了OCP的大小。在本文中，我们专注于开发计算效率的MB计划多拍摄的非线性模型预测控制（NMPC）。通过在拍摄步骤中引入MB来减少OCP的自由度，从而导致更小但稀疏的OCP。因此，保持了离散化精度和稀疏性水平。提出了一种利用OCP的稀疏结构的凝聚算法，该算法允许在离散化节点的数量上降低从二次凝聚到线性凝聚的计算复杂度。因此，可以有效地采用具有热启动策略的活动集方法，从而允许使用更长的预测范围。给出了该方案与非均匀网格NMPC的详细比较。通过两个不同的问题的仿真，该算法在减少计算负担，同时保持优化精度和约束履行的有效性。
2019-09-20 cs.SY eess.SY math.OC
Time adaptivity in model predictive control
模型预测控制（MPC）算法每一步的核心在于在MPC算法的预测时域上求解一个时变最优化问题，然后在应用时域上应用部分最优控制以获得新的状态。为了有效地解决这个问题，我们提出了一个时间自适应的剩余后验差错控制的概念的最优性系统的基础上，这个最优控制问题。该方法不仅提供了预测范围的定制时间离散化，而且还为当前MPC步骤建议了应用范围的定制长度。我们应用这个概念的线性抛物型偏微分方程的系统，并提出了几个数值例子，证明了我们的自适应MPC控制概念的性能和鲁棒性。
2021-01-14 math.OC
Towards Event-Triggered NMPC for Efficient 6G Communications: Experimental Results and Open Problems
本文研究了模型预测控制与网络通信的协同设计，设计并实现了基于6G平台的事件触发非线性模型预测控制器，实验证明其在减少通信需求的同时能保持与周期性控制相似的性能。
2025-06-26 cs.NI cs.SY eess.SY
Robust Model Predictive Control for Nonlinear Systems Using Convex Restriction
提出了一种考虑不确定性和安全约束的鲁棒模型预测控制算法。我们的框架考虑了一个非线性动力系统的干扰，从一个未知的，但有界的不确定集。通过将系统看作一个作用于轨迹上的算子的不动点，我们提出了一个关于控制动作的凸条件，保证了对不确定集的安全性。所提出的条件保证所有实现的状态轨迹满足安全约束。我们的算法解决了一系列的凸二次约束最优化问题的大小为n*N，其中n是状态的数量，N是预测时域的模型预测控制问题。与现有的方法相比，我们的方法解决凸问题，同时保证不确定集的所有实现不违反安全约束。此外，我们考虑系统动力学的隐式时间离散化，以增加预测范围和提高计算精度。车辆导航的数值模拟证明了我们的方法的有效性。
2021-04-22 math.OC
Coupling optimization algorithms and monotone control systems: Suboptimal model predictive control as an operator splitting scheme
Chemnitz University of Technology（开姆尼茨工业大学）；University of Wuppertal（伍珀塔尔大学）
本文通过将优化器与系统建模为动力学系统并结构化耦合，建立了基于单调动力系统互联的次优模型预测控制框架，揭示了迭代优化算法与动力学控制理论之间的联系。
2026-05-22 math.OC
Robust self-triggered DMPC for linear discrete-time systems with local and global constraints
针对一类离散线性系统，提出了一种鲁棒自触发分布式模型预测控制（DMPC）方案。针对加性扰动，提出了基于管道的方法，以满足局部状态和控制约束。同时，给出了一种特殊形式的约束紧化，以保证全局耦合约束。自触发机制通过跳过不重要的迭代步骤来减少计算负担，从而确定一定的采样时刻以并行方式解决DMPC优化问题。DMPC优化问题被构造为一个对偶形式，并基于交替方向乘子法（ADMM）与一些已知的简化分布式求解。证明了闭环系统的递推可行性和输入到状态稳定性，仿真实例验证了所提方案的性能。
2020-12-16 cs.SY eess.SY math.OC
A novel trajectory optimization algorithm for continuous-time model predictive control
针对连续时间 MPC，本文提出通过有限参数化控制轨迹将 OCP 转化为凸 SIP 并直接求解的轨迹优化算法，避免显式时间离散化，基准数值示例验证了其有效性。
2024-01-23 cs.SY eess.SY math.OC
Successive Convexification for Nonlinear Model Predictive Control with Continuous-Time Constraint Satisfaction
本文提出一种基于逐次凸化和多重打靶离散化的非线性模型预测控制框架，通过增广动力学实现连续时间约束满足与运行代价精确评估，并利用邻近线性SCP算法保证收敛和计算效率，数值算例验证了其在参考跟踪与避障中的有效性。
2024-04-26 math.OC
Diffusing-Horizon Model Predictive Control
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出扩散地平线MPC策略，通过时间离散化网格指数稀疏化来解决多时间尺度最优控制问题，实验证明可将计算时间减少两个数量级，同时仅使闭环成本增加3%。
2020-12-27 math.OC
Efficient Model Predictive Control for Parabolic PDEs with Goal Oriented Error Estimation
我们展示了如何后验目标为导向的误差估计可以用来有效地解决发生在模型预测控制（MPC）算法的子问题。在MPC中，仅计算出的解的初始部分被实现为反馈，这激励了特别针对该上下文定制的网格细化。为此，我们提出了一个截断的成本功能为目标导向的适应性和证明下稳定性假设，误差指标呈指数衰减的支持这个数量。这导致非常有效的时间和空间离散MPC，我们将说明通过各种数值例子。
2022-03-01 cs.NA math.NA math.OC
Quantum Riemannian Cubics with Obstacle Avoidance for Quantum Geometric Model Predictive Control
CSIC（西班牙国家研究委员会）
本文提出基于量子几何的模型预测控制方法，通过黎曼立方体生成平滑轨迹并结合势函数约束，实现受约束量子系统的稳定性与可控性。
2026-02-09 cs.SY eess.SY math-ph
Fractional-Order Model Predictive Control for Neurophysiological Cyber-Physical Systems: A Case Study using Transcranial Magnetic Stimulation
分数阶动力系统用于描述具有时间长期记忆和轨迹幂律依赖性的过程。有证据表明，复杂的神经生理信号，如脑电图（EEG），可以建模的分数阶系统。在这项工作中，我们提出了一个基于模型的方法，闭环经颅磁刺激（TMS），通过脑电图数据来调节大脑活动。更确切地说，我们提出了一个模型预测控制（MPC）的方法与底层分数阶系统（FOS）预测模型。此外，MPC通过设计提供了额外的鲁棒性层，以补偿系统模型失配，这是更传统的策略所缺乏的。为了建立我们的框架的潜力，我们专注于癫痫发作缓解的计算模拟我们提出的策略后，癫痫样事件。我们的结论是通过实证分析我们的方法的有效性，并比较它与事件触发的开环策略。
2019-10-01 cs.SY eess.SY math.DS
Model predictive control with random batch methods for a guiding problem
我们建模，仿真和控制的一群逃避者的行为下，排斥驱动程序的引导问题。该问题是制定在一个最优控制框架，其中的驱动程序（控制）的目的是引导逃避者（状态）的欧几里得空间的一个所需的区域。这种模型的数值模拟对于大量相互作用的代理很快变得不可行。为了降低计算成本，我们使用随机批处理方法（RBM），它提供了一个计算上可行的近似动力学。在每个时间步，RBM将粒子集随机划分为小的子集（批次），仅考虑每个批次内的相互作用。由于平均效应，RBM近似收敛到精确的动态时间离散变得更精细。我们提出了一种算法，导致最优控制的一个固定的RBM近似轨迹使用经典的梯度下降。所得到的控制不是最优的原始完整的系统，而是减少RBM模型。然后，我们采用模型预测控制（MPC）策略来处理动态中的误差。当系统随时间演变时，MPC策略包括周期性地更新状态并计算长时间范围内的最优控制，其在较短时间范围内递归地实现。这导致半反馈控制策略。通过数值实验，我们表明，RBM和MPC的组合导致显着减少的计算成本，保持控制整体动态的能力。
2020-04-30 math.OC
Predictive and Self Triggering for Event-based State Estimation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出预测与自触发协议，通过统一的贝叶斯决策框架，实现通信资源的优化分配，提升事件驱动状态估计的效率与质量。
2016-09-23 cs.SY eess.SY math.OC
Data-driven MPC of descriptor systems: A case study for power networks
近年来，线性系统的数据驱动预测控制得到了广泛的研究关注。它取决于由Willems等人的基本引理。在以前的论文中，我们已经展示了这个框架可以应用于线性时不变广义系统的预测控制。在本文中，我们提出了一个案例研究，其中我们应用数据驱动的预测控制的离散时间的描述模型，通过离散化的功率摆动方程的九总线系统。我们的研究结果表明，所提出的控制方案的有效性，他们支持的数据驱动的框架控制的广义系统的前景。
2022-03-04 cs.SY eess.SY math.OC
Context-Triggered Robust MPC for Temporal Logic Specifications
Max Planck Institute for Software Systems (MPI-SWS)（马克斯·普朗克软件系统研究所）；Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究院）；University of Birmingham（伯明翰大学）
针对带扰动的线性系统，提出结合鲁棒MPC与局部不变控制器的切换架构，通过凸对偶将鲁棒约束转化为确定性优化，实现上下文触发的时序逻辑规范满足。
2026-07-03 cs.SY eess.SY math.OC
Higher-Order Approximation of Exit Functionals in Sampling-Based Stochastic Model Predictive Control
Purdue University（普渡大学）
本文提出将高阶强逼近方法用于随机模型预测控制中的退出泛函估计，通过自适应Milstein离散化和Lévy面积模拟，在机会约束路径积分控制中实现了优于Euler-Maruyama的强退出时间与失效指标逼近。
2026-10-14 cs.NA cs.RO cs.SY
Probabilistic ODE Solvers for Integration Error-Aware Numerical Optimal Control
针对数值最优控制中经典离散化难同时满足精度与采样时间要求的问题，提出在最优控制问题中利用概率数值积分器近似初值问题解及计算不确定性，重写问题以优化输入降低计算不确定性，并通过数值示例验证方法。
2024-06-13 cs.SY eess.SY math.OC
Reduced Order Model Predictive Control for Parametrized Parabolic Partial Differential Equations
模型预测控制（MPC）是解决无限时域最优控制问题的成熟方法。由于在无限时间范围内的优化通常是不可行的，MPC通过重复求解有限时间最优控制问题来确定次优反馈控制。虽然MPC已经成功地用于许多应用中，但是将MPC应用于大规模系统--例如，通过偏微分方程的离散化--需要解决高维最优控制问题，因此造成巨大的计算工作量。我们考虑由参数化抛物型偏微分方程控制的系统，并采用缩减基（RB）方法作为有限时间最优控制问题的低维代理模型。降阶最优控制作为原大系统的反馈控制。我们分析了建议RB-MPC方法，首先开发一个后验误差界的错误，在最优控制和相关的成本功能。这些界限可以有效地评估在离线-在线计算过程中，并允许我们保证渐近稳定性的闭环系统使用RB-MPC方法在几个实际情况下。我们还提出了一种自适应策略来选择有限时间最优控制问题的预测范围。数值结果来说明我们的方法的理论特性。
2022-10-25 cs.NA math.NA math.OC
Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows
NVIDIA
针对湍流控制数值仿真成本高的问题，提出基于物理 informed 神经算子的预测控制强化学习框架，联合学习策略与观测器，在高雷诺数未见过场景中减阻效果优于现有方法。
2025-10-03 cs.AI cs.LG math.OC
Sampled-Data Primal-Dual Gradient Dynamics in Model Predictive Control
本文针对模型预测控制中采样数据实现导致的稳定性问题，提出改进的离散时间原始-对偶梯度动力学控制器，在保证稳定性的同时提升控制性能，并实现微秒级快速计算。
2025-04-24 cs.SY eess.SY math.OC
Multiparametric continuous-time optimal control via Pontryagin's Maximum Principle: explicit solutions and comparisons with discrete-time formulations
Texas A\&M Energy Institute, Texas A\&M University, College Station, USA；Artie McFerrin Department of Chemical Engineering, Texas A\&M University, College Station, USA
本文提出一种连续时间多参数框架，用于线性二次最优控制，通过直接求解Pontryagin最优性条件避免离散化问题，展示连续时间方法在减少关键区域复杂度和揭示系统动态方面优于离散时间方法。
2026-02-27 cs.SY eess.SY math.OC
Numerical Methods for Optimal Boundary Control of Advection-Diffusion-Reaction Systems
针对对流-扩散-反应（ADR）方程描述的化学系统最优边界控制问题，提出结合间断伽辽金有限元（DG-FEM）空间离散、多步法直接离散控制问题及显式单对角隐式龙格-库塔（ESDIRK）时间离散的数值方法，通过色谱案例验证其优化多步洗脱轨迹的优越性。
2024-04-14 cs.NA math.NA math.OC
Approximating optimal feedback controllers of finite horizon control problems using hierarchical tensor formats
控制系统的常微分方程（ODEs）是普遍存在的科学和工程。为了找到一个最优反馈控制器，价值函数和相关的基本方程，如贝尔曼方程和哈密尔顿-雅可比-贝尔曼（HJB）方程是必不可少的。由于这些方程的非线性和（可能）高维性，对它们的数值处理提出了巨大的挑战。本文考虑一个有限时域控制系统，它与Bellman方程相关联.在时间离散化之后，我们得到一系列的短时间范围的问题，我们称之为局部最优控制问题。为了解决局部最优控制问题，我们采用两种不同的方法，一种是众所周知的策略迭代，其中每个时间步都需要一个固定点迭代。另一种算法借鉴了模型预测控制（MPC）的思想，通过在短时间内用开环控制方法求解局部最优控制问题，用伴随方法代替定点迭代。对于高维系统，我们应用低秩分层张量积近似/基于树的张量格式，特别是张量列（TT张量）和多多项式，以及高维求积，例如Monte-Carlo。通过控制一个含不稳定反应项的扩散方程和一个Allen-Kahn方程，证明了误差关于时间离散的线性传播.
2021-04-13 cs.NA math.NA math.OC
Real-Time Control for Autonomous Racing Based on Viability Theory
Automatic Control Laboratory, ETH Zurich（自动控制实验室，苏黎世联邦理工学院）
本文基于可行性理论生成有限步前瞻轨迹，结合低层模型预测控制器实现实时自主赛车，通过游戏理论方法改进可行性核计算，提升安全性并减少 lap 时间。
2017-11-06 cs.RO cs.SY eess.SY
