Certainty-Equivalence Model Predictive Control: Stability, Performance, and Beyond
Delft Center for Systems and Control, TU Delft（代尔夫特系统与控制中心，代尔夫特理工大学）；Department of Chemical Engineering, MIT（麻省理工学院化学工程系）；TU Delft（代尔夫特理工大学）
本文提出了一种确定性等价模型预测控制方法，通过扰动分析和稳定性分析，解决了不确定非线性系统中的模型不匹配问题，并推导了线性二次控制的竞争比率界。
2026-02-03 cs.SY eess.SY math.OC
Continuation model predictive control on smooth manifolds
Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室）
本文提出在光滑流形上应用持续模型预测控制的方法，通过在线控制器实现并验证了其在半球测试问题中的有效性。
2015-09-09 cs.SY eess.SY math.OC
Teaching Predictive Control Using Specification-based Summative Assessments
本文介绍伦敦帝国理工学院2018-2021年预测控制课程从线性MPC扩展到非线性MPC，并提出基于规范的MATLAB总结性评估框架，通过30多种真实问题变体评估学生控制器设计能力。
2022-04-29 cs.SY eess.SY math.OC
Model predictive controllers for reduction of mechanical fatigue in wind farms
United Technologies Research Center Ireland（联合技术研究院爱尔兰）；Università degli Studi di Pavia（帕维亚大学）
本文提出基于MPC的风场功率调度算法，通过引入风湍流ARMA预测器降低不确定性，实现机械应力的减少，验证了在大型风场中的有效性。
2015-03-22 cs.SY eess.SY math.OC
Efficient Greenhouse Temperature Control with Data-Driven Robust Model Predictive Control
应保持适当的温室温度，以确保作物生产，同时尽量减少能源消耗。虽然天气预报可以提供一定的信息量来改善控制性能，但它并不完美，预报误差可能会导致温度偏离可接受的范围。针对天气的不确定性影响控制精度的问题，提出了一种数据驱动的温室温度鲁棒模型预测控制（MPC）方法。动态模型是由建筑物电阻电容建模（BRCM）工具箱推导出的热阻电容建模得到的。环境温度和太阳辐射的不确定性集捕获的支持向量聚类技术，并进一步调整更好的质量，通过训练校准过程。通过在鲁棒模型预测控制中实现精心选择的不确定性集的实例研究表明，与基于规则的控制、确定性等价MPC和鲁棒MPC相比，数据驱动的鲁棒MPC具有更好的控制性能。
2020-01-01 cs.SY eess.SY math.OC
Adaptive Economic Model Predictive Control for linear systems with performance guarantees
针对受扰动和参数不确定性影响的线性约束系统，提出结合确定性等价经济MPC与最小二乘在线参数自适应的控制方案，并给出渐近与瞬态性能保证，建筑温控数值示例验证了其性能收益。
2024-09-10 cs.SY eess.SY math.OC
A Sensitivity-based Data Augmentation Framework for Model Predictive Control Policy Approximation
使用基于专家的监督学习技术近似模型预测控制（MPC）策略需要从MPC策略中采样的标记训练数据集。这通常通过对可行状态空间进行采样并通过对每个样本离线求解数值最优化问题来评估控制律来获得。尽管可以在线廉价地评估所得到的近似策略，但是生成大的训练样本来学习MPC策略可能是耗时的并且昂贵得令人望而却步。这是一个基本的瓶颈，限制MPC政策近似的设计和实施。本技术说明旨在解决这一挑战，并提出了一种新的基于灵敏度的数据增强方案，用于直接政策近似。所提出的方法是基于利用参数的敏感性，廉价地产生额外的训练样本的邻域中现有的样本。
2022-03-15 cs.SY eess.SY math.OC
Closed-loop Analysis of ADMM-based Suboptimal Linear Model Predictive Control
针对最优控制应用的实时计算约束问题，提出基于ADMM的次优线性MPC方案，将问题拆分为带解析解的无约束最优控制迭代更新与无动力学可行性步骤，结合热启动实现系统渐近稳定与递归可行性。
2024-12-13 cs.SY eess.SY math.OC
Implementation of model predictive control for tracking in embedded systems using a sparse extended ADMM algorithm
本文提出了一种稀疏的，低内存占用的优化算法，用于在嵌入式系统中实现模型预测控制（MPC）的跟踪制定。该MPC公式与标准MPC公式相比具有几个优点，例如增加的吸引域和保证的递归可行性，即使在突然的参考变化的情况下。然而，这是以向MPC的优化问题添加少量决策变量为代价的，这使其矩阵的结构复杂化。我们提出了一个稀疏优化算法，基于扩展的交替方向的乘法器，利用这种特殊的MPC制定的结构。我们描述了控制器的制定和详细说明其结构是如何利用上述优化算法。我们展示了闭环模拟比较建议的求解器对其他求解器和方法从文献。
2021-12-09 cs.SY eess.SY math.OC
Active exploration in adaptive model predictive control
针对状态空间矩阵中存在有界扰动和参数不确定性的线性定常系统，提出了一种对偶自适应模型预测控制（MPC）算法。在线集员辨识是为了减少不确定性，因此控制既影响辨识的信息量，又影响系统的性能。本文的主要贡献是在MPC优化问题中使用目标函数中的预测最坏情况成本来包括这种双重效应。这允许控制器执行主动探索，也就是说，控制输入减少了对性能影响最大的参数空间区域中的不确定性。此外，MPC算法确保状态和输入约束的鲁棒约束满足。所提出的算法的优点是通过比较它从文献中的被动自适应MPC算法。
2021-02-21 cs.SY eess.SY math.OC
Distributionally Robust Model Predictive Control with Mixture of Gaussian Processes
本文提出MoGP-DR-MPC框架，利用高斯过程混合自动建模多模态扰动并构建数据驱动模糊集，通过DR-CVaR约束的锥重构实现分布鲁棒控制，在四旋翼仿真中闭环成本较GP-MPC降低17%和4%。
2025-02-08 cs.SY eess.SY math.OC
Finite Control Set Model Predictive Control with Limit Cycle Stability Guarantees
针对现有有限控制集模型预测控制稳态行为不可预测的问题，提出带周期终端代价与终端集的极限环FCS-MPC设计，保证算法渐近稳定与递归可行性，方法经切换系统和电力电子算例验证。
2024-07-10 cs.SY eess.SY math.OC
Approximate Dynamic Programming based Model Predictive Control of Nonlinear systems
针对离散时间非线性系统最优控制，提出基于近似动态规划的MPC，通过切换系统近似计算二次值函数，并用多阶段方案提升精度、纳入状态约束，多水箱实验表明其在线计算量显著低于非线性MPC。
2023-12-10 cs.SY eess.SY math.OC
Robust output feedback model predictive control using online estimation bounds
我们提出了一个框架，设计非线性鲁棒输出反馈模型预测控制（MPC）计划，确保约束条件下的噪声输出测量和干扰的满意度。我们提供了新的估计方法来约束估计误差的大小的基础上：稳定性的观察员;可检测性;集员估计;滚动时域估计（MHE）。鲁棒约束满足保证适当地将这些在线验证的边界上的估计误差在一个位似管的MPC制定。此外，我们展示了如何通过将MHE和MPC结合在单个优化问题中来进一步提高性能。该框架适用于一般类的可检测和（增量）稳定的非线性系统。虽然标准的输出反馈MPC计划使用离线计算的最坏情况下的估计误差的界限，所提出的框架利用在线验证的界限，从而减少保守性和提高性能。我们证明了减少保守性的建议框架使用非线性10状态四旋翼的例子。
2021-05-07 cs.SY eess.SY math.OC
Exact Learning of Linear Model Predictive Control Laws using Oblique Decision Trees with Linear Predictions
本文提出利用斜决策树与线性预测方法，精确学习线性MPC控制律，实现高效且可解释的控制方案，提升安全关键系统的可靠性。
2025-12-17 cs.SY eess.SY math.OC
Multiplexed Model Predictive Control
University of Cambridge（剑桥大学）；Nanyang Technological University（南洋理工大学）；University of Bristol（布里斯托大学）
提出一种多路复用MPC方案，通过顺序求解各子系统MPC问题并异步更新控制量，在降低计算复杂度的同时提高对扰动的响应速度。
2011-01-14 cs.SY eess.SY math.OC
Fast Non-Parametric Learning to Accelerate Mixed-Integer Programming for Online Hybrid Model Predictive Control
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
当今快速的线性代数和数值优化工具已经将模型预测控制（MPC）的前沿推向了高度非线性和混合系统的有效控制。混合MPC领域已经证明可以计算精确的最优控制规律，例如，在分段仿射（PWA）系统模型下，采用混合整数规划（MIP）方法求解。尽管有优雅的理论，在线求解混合MPC仍然是遥不可及的许多应用。我们的目标是通过结合混合MPC（一种简单而有效的学习算法）的几何见解和MIP热启动技术来加速MIP。在近似显式MPC的工作线之后，所提出的学习控制算法LNMS以很小的成本获得了MIP的计算优势，并且对于从业者来说是直接实现的。
2020-05-07 cs.LG cs.SY eess.SY
Perfecting Periodic Trajectory Tracking: Model Predictive Control with a Periodic Observer ($Π$-MPC)
Stanford University（斯坦福大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出Π-MPC方法，通过周期观测器估计并补偿周期性扰动，与跟踪MPC结合实现渐近零误差跟踪，并在高维软体机器人和自动驾驶赛车实验中验证了其有效性。
2024-08-30 cs.RO cs.SY eess.SY
Obstacle avoidance-driven controller for safety-critical aerial robots
Hamburg University of Technology（汉堡工业大学）；Institute of Mechanics and Ocean Engineering（力学与海洋工程研究所）
本论文的目的是将控制障碍函数（CBF）与模型预测控制（MPC）相结合，提出一种新的模型预测控制障碍函数（MPCBF）。可以表明，由于MPC的时间范围增加，MPCBF的性能超过CBF的性能。此外，MPCBF应用于四旋翼，一个系统强烈需要快速和预测控制。使用MPCBF，四旋翼能够避开障碍物，CBF由于障碍物的相对速度而未能避开障碍物。这项工作的结果进行了实验验证。
2020-11-19 cs.RO cs.SY eess.SY
Stability and Robustness of Distributed Suboptimal Model Predictive Control
ETH Zürich（苏黎世联邦理工学院）
在分布式模型预测控制（MPC）中，每个采样时刻的控制输入是通过分布式算法求解有限时域上的大规模最优控制问题（OCP）来计算的。通常，这样的算法需要子系统之间的几个（几乎无限的）通信回合来收敛，这在计算上和从能量角度（对于无线系统）来看都是主要缺点。出于这些挑战，我们提出了一个次优的分布式MPC计划，其中总的通信负担也分布在时间上，通过保持一个运行的解决方案估计的大规模OCP和更新它在每个采样时间。我们证明，在一定的规律性条件下，所得到的次优MPC控制律恢复定性的鲁棒稳定性最优MPC的属性，如果在每个采样时间的通信预算是足够大的。
2023-03-27 cs.RO cs.SY eess.SY
Infinite-Horizon Differentiable Model Predictive Control
NNAISENSE；University of Oxford（牛津大学）
提出了一种可微线性二次型模型预测控制（MPC）的安全模仿学习框架。利用离散时间代数Riccati方程（DARE）得到的终端费用函数来实现无穷时域费用，从而证明了学习控制器在闭环中是稳定的.一个核心的贡献是推导的解析衍生的解决方案的DARE，从而允许使用基于微分的学习方法。另一个贡献是MPC最优化问题的结构：增广拉格朗日方法确保MPC优化在整个训练过程中是可行的，同时对状态和输入施加硬约束，并且预稳定控制器确保MPC解和导数在每次迭代时都是准确的。该框架的学习能力证明在一组数值研究。
2020-01-07 cs.LG cs.SY eess.SY
Optimality Conditions for Model Predictive Control: Rethinking Predictive Model Design
本文针对预测模型不准确导致MPC次优的问题，建立了MPC方案实现闭环最优性的充要条件，为构建直接关联控制性能的预测模型提供了数学基础。
2024-12-24 math.OC
Model Predictive Control using MATLAB
本教程介绍模型预测控制（MPC）的基本概念和数值实现，涵盖线性MPC和非线性MPC，以及优化问题制定、约束处理、可行性、稳定性和最优性等关键方面。
2023-09-01 math.OC
Incremental Proximal Multi-Forecast Model Predictive Control
多预测模型预测控制（MF-MPC）是一种控制策略，它为给定的一组预测场景或意外事件中的每一个创建一个在一定范围内的行动计划，并约束所有计划中的第一个行动是相同的。在本说明中，我们将展示如何通过求解一系列单一计划，使用增量邻近方法，这些耦合计划可以找到。我们把这种策略称为增量近端模型预测控制（IP-MPC）。我们已经观察到，即使在IP-MPC中的迭代不进行收敛，我们得到的政策，实现了MF-MPC的单预测模型预测控制（MPC）的大部分改进。
2021-11-29 math.OC
Feasibility Analysis and Proof of Model Predictive Control
模型预测控制（MPC）的时序和终端约束可行性是保证MPC控制连续性的重要条件。因此，本研究探讨这两个属性理论上使用MPC模型的车辆排队和生态驾驶策略在信号交叉口。本研究作为即将发表的论文的补充材料。
2022-06-23 math.OC
Predictive Control Barrier Functions: Bridging model predictive control and control barrier functions
本文提出预测控制屏障函数（PCBF），将MPC值函数构造为CBF，在更弱假设下以更简单公式实现安全不变性与安全恢复，无需值函数严格递减，并通过数值示例验证其有效性与非保守性。
2025-07-02 math.OC
$\mathcal{N}$IPM-MPC: An Efficient Null-Space Method Based Interior-Point Method for Model Predictive Control
线性模型预测控制（Linear Model Predictive Control，MPC）是一种广泛应用于线性动态控制系统的控制方法。已经提出了有效的内点方法，该方法利用了由滚动时域控制公式产生的二次规划（QP）的块对角结构。然而，他们需要两个矩阵分解每个内点法迭代，一个用于计算对偶和原始。最近，一种基于零空间方法的内点方法被提出，该方法每次迭代只需要一次分解。虽然然后使用的零空间基础导致密集的零空间投影，在这项工作中，我们提出了一个稀疏的零空间基础，保留块对角结构的MPC矩阵。由于它是基于传递矩阵的逆，我们引入了所谓的虚拟控制的概念，它使可逆性。一个组合的减少数量的因式分解和省略的评估的双重让我们的求解器优于别人在计算速度方面的增加幅度取决于状态和控制变量的数量。
2021-09-07 cs.NA cs.PF cs.SY
Cascaded Model Predictive Control of a Tandem-Rotor Helicopter
本文提出一种用于串联旋翼直升机的级联MPC控制方法，通过拆分内外环并利用$SE_2(3)$误差线性化平动动力学，在保证鲁棒性的同时显著提升了跟踪性能并大幅降低了计算开销。
2023-06-29 math.OC
Some manifold learning considerations towards explicit model predictive control
模型预测控制（MPC）是过程工业中事实上的标准控制算法。然而，仍然存在MPC不切实际的应用，因为在每个时间步长处求解最优化问题。我们提出了一个明确的MPC配方和流形学习之间的联系，使MPC政策的预测便利。我们的方法使用的控制策略和系统状态变量通知的相似性度量，“学习”的MPC控制器的内在参数化使用扩散映射算法，这也将发现一个低维的控制律时，它作为一个光滑的，非线性的组合存在的状态变量。我们使用函数逼近算法将点从状态空间投影到内在空间，并从内在空间投影到策略空间。首先通过“学习”约束线性系的MPC控制的固有变量，然后通过设计不稳定的非线性反应器的控制器来说明该方法。
2019-07-08 math.OC
On model predictive control with sampled-data input for output tracking with prescribed performance
提出一种带采样数据输入的MPC方案，通过显式推导控制输入与采样频率边界，在无需终端条件和长预测时域下实现相对阶为一系统的预设性能输出跟踪。
2024-03-27 math.OC
QI-MPC: A Hybrid Quantum-Inspired Model Predictive Control for Learning Optimal Policies
本文提出量子启发模型预测控制（QI-MPC），利用变分量子电路学习MPC问题的控制策略，通过五项实验验证可行性并建立三项安全保证，还为识别该方法最优适用系统的两项理论结果提供动机。
2025-04-17 math.OC quant-ph
Real-Time Algorithms for Model Predictive Control of Hybrid Dynamical Systems
University of Freiburg（弗赖堡大学）
本文提出三种实时混合MPC方案，通过求解带互补约束的二次规划问题，获得局部不连续分段仿射的MPC反馈律，并证明参数MPCC的连续性和可微性，以及在解不连续情况下误差有界。
2026-04-20 math.OC
A Computationally Governed Log-domain Interior-point Method for Model Predictive Control
本文介绍了一种计算效率高的方法来解决模型预测控制（MPC）的参考跟踪问题的状态和控制约束。该方法由三个关键组成部分：第一，一个对数域的内点二次规划方法，形成的基础上的整体方法;第二，一种方法的热启动此优化器使用MPC解决方案从以前的时间步长;和第三，计算总督的界限次优的热启动通过改变参考命令提供给MPC问题。结果，闭环系统以这样的方式改变，使得可以使用每个时间步更少的优化器迭代来计算MPC解。在数值实验中，计算总督减少了90的标准MPC实现的最坏情况下的计算时间，同时保持良好的闭环性能。
2022-05-11 math.OC
Stability and Convergence of a Randomized Model Predictive Control Strategy
本文针对用随机批次法加速迭代求解的高效模型预测控制变体RBM-MPC，推导了无约束线性系统下的稳定性与收敛性估计，并通过数值算例验证了估计结果及该方法的计算优势。
2024-03-06 math.OC
Risk-averse model predictive control
风险规避模型预测控制（MPC）提供了一个控制框架，允许一个帐户的模糊性的知识的基础概率分布和统一的随机和最坏情况的MPC。本文利用一般费用函数研究了约束非线性马尔可夫切换系统的风险厌恶MPC问题，并利用风险厌恶动态规划算子的性质，得到了风险厌恶Lyapunov型稳定性条件.提出了一种控制器设计方法来设计约束非线性马尔可夫切换系统的风险厌恶镇定终端条件。最后，我们将所得的风险规避最优控制问题转化为一个有利的形式，可以有效地解决，从而认为风险规避MPC适合于应用。
2018-12-12 math.OC
A constraint-separation principle in model predictive control
在这个简短的，我们考虑的约束最优化问题支撑模型预测控制（MPC）。我们发现，这个问题可以分解成一个无约束的最优化问题与原问题相同的成本函数和有约束的最优化问题与修改后的费用函数和动态已根据无约束问题的解决方案进行了预补偿。在线性系的情况下，二次成本，无约束问题有熟悉的LQR解决方案和约束问题减少到一个最小范数投影。这意味着，解决线性MPC问题相当于使用LQR预补偿系统，并应用MPC仅惩罚控制输入。我们建议称之为约束分离原则，并讨论了约束分离和一般分解的MPC方案的设计和MPC问题的数值求解器的发展的效用。
2020-08-16 math.OC
Analytical results for the multi-objective design of model-predictive control
在模型预测控制（MPC）中，在给定的计算资源下实现最佳的闭环性能是潜在的设计考虑。本文分析了MPC设计问题的控制性能和所需的计算资源作为竞争的设计目标。建议的多目标设计MPC（MOD-MPC）的方法扩展了目前的方法，分别对待控制性能和计算资源-往往与后者作为一个固定的约束-这需要实现硬件是已知的先验。所提出的方法侧重于调整结构MPC参数，即采样时间和预测时域长度，以产生一组最佳的选择提供给从业者。提出的设计问题，然后分析，揭示关键属性，包括光滑的设计目标和参数范围，并建立一定的验证保证。在此基础上，给出了求解器有效的充要条件，从而提出了一种专门的多目标优化方法。最后，两个现实世界的控制问题被用来说明的结果的设计方法和重要性的开发条件的一个有效的求解器的MOD-MPC问题。
2016-04-22 math.OC
Local Stability and Convergence of Unconstrained Model Predictive Control
研究了基于线性定常对象模型的无约束非线性动态系统的模型预测控制（MPC）的局部稳定性和收敛性。基于里卡蒂微分方程（RDE）的解的长时间行为，导出了明确的误差估计，清楚地表明了MPC中的两个关键参数的影响：预测时域$T$和控制时域$τ$。特别地，如果MPC控制器可以访问精确的（线性）工厂模型，MPC控制和相应的最优状态轨迹指数收敛到无限时域最优控制问题的解时，$T-τ\rightarrow \infty$。当线性模型和非线性对象之间的差异在原点附近足够小时，MPC策略是局部稳定的，并且可以通过选择较小的控制时域$τ$来减小建模误差的影响。通过数值模拟验证了所得到的收敛速度。
2022-06-06 math.OC
A Parallel Riccati Factorization Algorithm with Applications to Model Predictive Control
模型预测控制（MPC）在工业中越来越受欢迎，因为用于解决相关最优化问题的更有效的算法被开发。在线MPC中的主要计算瓶颈通常是搜索步长方向的计算，即牛顿步长，其通常使用通用稀疏性利用算法或Riccati递归来完成。然而，随着并行硬件变得越来越流行，对求解牛顿步的高效并行算法的需求也在增加。本文提出了一种计算Riccati分解的非迭代并行算法。该算法利用MPC问题的特殊结构，当有足够多的处理单元可用时，算法的复杂度在预测范围内按比例增加。计算牛顿步长是许多MPC算法的主要计算瓶颈，该算法可以显著降低流行的最先进MPC算法的计算成本。
2014-07-25 math.OC
Reducing the computational effort of min-max model predictive control with regional feedback laws
最近，已经提出了一种区域MPC方法，该方法利用了最优解的分段仿射结构（之前无需计算整个显式解）。这里，区域性是指使用在当前操作状态附近最优的仿射反馈定律的想法，因此提供最优输入信号而不需要求解QP。在本文中，我们将区域MPC的思想应用到最小-最大MPC问题。我们表明，新的强大的方法可以显着减少的QP的数量，以解决在最小最大MPC导致减少整体计算工作量。此外，我们比较了新方法的性能，现有的强大的区域MPC方法使用的数值例子与不同的地平线。最后，我们提供了一个规则，选择一个合适的鲁棒的区域MPC方法的基础上的地平线。
2021-05-12 math.OC
Efficiently solving the harmonic model predictive control formulation
谐波模型预测控制（HMPC）是一种模型预测控制（MPC）公式，它比其他MPC公式显示出几个优点，特别是当使用小的预测时域时。然而，这些益处是以优化问题为代价的，该优化问题由于包括特定类别的二阶锥约束而不再是从大多数线性MPC公式导出的典型二次规划问题。本文提出了一种方法，有效地处理这些约束的算子分裂方法，导致一个计算时间求解HMPC符合最先进的求解器线性MPC。我们将展示如何将这一结果应用到乘数算法的交替方向法，提出了一个求解器，我们比较其他求解器从文献中，包括求解器为其他线性MPC配方。结果表明，所提出的求解器，并通过扩展的HMPC制定，是适合其在嵌入式系统中的实施。
2022-11-15 math.OC
Adaptive Horizon Model Predictive Control
自适应时域模型预测控制（AHMPC）是一种根据需要改变模型预测控制（MPC）时域长度的方法。它的目标是在尽可能小的范围内实现稳定，以便MPC可以用于更快或更复杂的动态过程。除了MPC的标准要求，包括终端成本，这是一个控制李雅普诺夫函数，AHMPC需要一个终端反馈，把控制李雅普诺夫函数变成一个标准的李雅普诺夫函数在一些域周围的操作点。但是这个域不需要明确地知道。MPC不离线计算最优成本和最优反馈，而是在需要时在线计算这些量。AHMPC不离线计算终端成本是控制李雅普诺夫函数的域，而是当状态在该域中时在线计算。
2016-02-27 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
Model Predictive Control meets robust Kalman filtering
模型预测控制（MPC）是工业应用中使用的主要控制技术。虽然它提供了独特的品质，使其成为工业应用的理想选择，但它对模型不确定性和外部噪声的鲁棒性可能会受到质疑。在本文中，我们提出了一个强大的MPC控制器，合并了简单的MPC的设计，增加了鲁棒性。特别是，我们的控制系统源于通过最近推出的一个特定的鲁棒卡尔曼滤波器的算法的预测阶段增加鲁棒性的想法。值得注意的是，总体结果是一种非常类似于经典MPC的算法，但也为用户提供了调整控制鲁棒性的可能性。为了测试控制器处理建模误差的能力，我们考虑了一个非线性动力学的伺服系统。
2017-03-15 math.OC
Optimization of a domestic microgrid equipped with solar panel and battery: Model Predictive Control and Stochastic Dual Dynamic Programming approaches
在这项研究中，微电网与存储（电池，热水箱）和太阳能电池板被认为是。我们基准测试两种算法，MPC和SDDP，产生在线政策来管理微电网，并将它们与基于规则的政策进行比较。模型预测控制（MPC）是一种众所周知的算法，它用确定性预测来模拟未来的不确定性。相比之下，随机对偶动态规划（SDDP）将未来的不确定性建模为具有已知概率分布的逐阶段独立随机变量。我们提出了一个计划，基于样本验证，公平地比较MPC和SDDP产生的两个在线政策。我们的数值研究表明，MPC和SDDP实现了显着的收益相比，基于规则的政策，SDDP优于MPC不仅平均，但在大多数的样本外评估方案。
2022-05-16 math.OC
Data-Driven Predictive Control and MPC: Do we achieve optimality?
本文研究预测控制与闭环最优性的关系，提出实现最优性的充分条件，并指出数据驱动预测控制中序贯决策过程是关键区分因素，且提高预测精度不一定保证最优性。
2024-05-28 math.OC
Robust Funnel Model Predictive Control for output tracking with prescribed performance
针对相对阶一且内部动态稳定的非线性MIMO系统，提出结合漏斗MPC与无模型自适应漏斗控制器的鲁棒方案，在未知扰动和模型失配下保证预定性能跟踪，并证明无需终端条件的初始与递归可行性。
2023-12-12 math.OC
Whole-body model predictive control with rigid contacts via online switching time optimization
Kyoto University（京都大学）
针对具有刚性接触的机器人系统，提出了一种基于在线切换时间优化的整体模型预测控制（MPC）方法。我们把机器人动力学与刚性接触作为一个切换系统，制定切换系统的最优控制问题，以实现MPC。我们利用一个有效的解决方案算法的MPC问题，同时优化切换时间和轨迹。本高效的算法，不像现有的低效的方法，使在线优化以及切换时间。通过对四足机器人动态跳跃运动的数值模拟，将在线STO的MPC与传统的固定切换时间的MPC进行了比较。在仿真比较中，所提出的MPC成功地控制了动态跳跃运动的两倍的情况下，传统的MPC，这表明所提出的方法扩展了整体MPC的能力。我们进一步进行硬件实验的四足机器人Unitree A1和证明所提出的方法实现了真实机器人的动态运动。
2022-10-24 cs.RO math.OC
Contraction Analysis of Continuation Method for Suboptimal Model Predictive Control
本文分析了连续化方法下次优MPC的收缩性，提出反映分层动力学的收缩度量并推导矩阵不等式，阐明了次优性对闭环系统的影响，适用于包括经济MPC在内的多种场景。
2025-03-05 math.OC
An Age-Structured Vaccination Strategy for Epidemic Containment: A Model Predictive Control Approach
University of Namur（南纳慕尔大学）；HEC - Management School of the University of Liège（列日大学高等商学院）；Univ. Grenoble Alpes, CNRS, Grenoble INP, GIPSA-lab（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔理工学院、GIPSA实验室）
本文提出一种基于模型预测控制的年龄结构疫苗接种策略，用于优化新冠疫情控制，通过动态调整疫苗分配以减少死亡并加速疾病根除。
2026-02-16 math.OC
Fast Explicit Machine Learning-Based Model Predictive Control of Nonlinear Processes Using Input Convex Neural Networks
针对显式ML-MPC因模型非凸导致候选控制动作评估耗时的问题，提出基于输入凸神经网络的显式ICNN-MPC，将其构建为凸优化问题，通过求解实时凸MIQP获最优控制，经两个化工案例验证有效。
2024-08-13 math.OC
An Analysis of Closed-Loop Stability for Linear Model Predictive Control Based on Time-Distributed Optimization
时间分布优化（TDO）是一种减轻模型预测控制（MPC）计算负担的方法。当使用TDO时，优化迭代通过维护运行的解决方案估计并在每个采样时刻更新它来随时间分布。本文详细研究了TDO在输入受限线性预测控制中的应用，推导出了系统增益的解析表达式和保证闭环稳定所需的每个采样时刻的优化迭代次数的界。此外，它示出了基于TDO的MPC的闭环稳定性可以保证使用多种机制，包括增加求解器迭代的次数，预处理的最优控制问题，调整MPC成本矩阵，并减少后退时域的长度。线性系设置中的这些结果还提供了可以更广泛地适用的见解和指导方针，例如，非线性MPC。
2021-02-24 math.OC
Model Predictive Control via On-Policy Imitation Learning
在本文中，我们利用模仿学习的快速发展，强化学习（RL）文献中最近集中的一个主题，为约束线性系的数据驱动模型预测控制（MPC）开发新的样本复杂性结果和性能保证。在其最简单的形式中，模仿学习是一种试图通过从专家那里查询样本来学习专家策略的方法。最近的数据驱动MPC方法使用了最简单的模仿学习形式，称为行为克隆，通过在线采样闭环MPC系统的轨迹来学习模仿MPC性能的控制器。然而，行为克隆是一种已知的数据效率低并且遭受分布变化的方法。作为替代方案，我们开发了前向训练算法的变体，这是Ross等人提出的一种策略模仿学习方法。我们的算法使用约束线性MPC的结构，我们的分析使用显式MPC解决方案的属性，理论上限制了实现最佳性能所需的在线MPC轨迹的数量。我们通过仿真验证了我们的结果，并表明，前向训练算法确实优于行为克隆时，应用到MPC。
2022-10-17 cs.LG math.OC
Control Synthesis for Bilevel Linear Model Predictive Control
分布式模型预测控制（MPC）是合作的或竞争的，并且在竞争（例如，对策论）设置。研究了具有线性动力学和Stackelberg博弈结构的MPC：给定一个固定的低层线性MPC（LoMPC）控制器，双层线性MPC（BiMPC）控制器在知道LoMPC相对于不同的费用函数是最优的情况下选择输入来操纵LoMPC.定义LoMPC和BiMPC后，我们给出的例子来演示如何在一个动态的Stackelberg游戏的互连可以导致损失/增益（相比，同一系统被集中控制）的可控性或稳定性。然后，我们给出了任意有限MPC时域下BiMPC可镇定的充分条件，并给出了一种设计BiMPC镇定控制器的方法。接下来，我们定义了两个（一个基于对偶的技术和一个基于整数编程的技术）的重新数值解决与BiMPC相关的最优化问题，证明这些重新BiMPC的等价性，并证明其有用的模拟合成系统和一个案例研究的电力公司改变电价执行需求响应的家庭的空调控制的线性MPC。
2017-09-25 math.OC
