Control-模型预测控制(MPC)：从理论推导到MATLAB代码实现

1. 模型预测控制（MPC）基础入门

第一次接触模型预测控制（MPC）时，我完全被那些数学公式吓到了。但后来发现，它的核心思想其实特别直观——就像开车时不断调整方向盘一样简单。MPC本质上是一种"边走边看"的控制策略，它会根据当前状态预测未来几步的系统行为，然后选择最优的控制动作。

举个生活中的例子：当你开车转弯时，眼睛会不断观察前方路况，大脑预测车辆未来几秒的轨迹，然后双手微调方向盘。MPC就是把这个过程数学化了。它包含三个关键步骤：

• 预测模型：相当于你的驾驶经验，知道打多少方向盘会带来怎样的转向效果
• 滚动优化：就像大脑在多个可能的转向方案中选择最安全平稳的那一个
• 反馈校正：每次转动方向盘后，都会根据车辆实际反应调整下一步动作

在工业领域，MPC应用非常广泛。比如化工生产中，需要精确控制反应釜的温度；自动驾驶汽车需要平稳地保持车道；无人机要稳定悬停。这些场景都需要在满足各种约束（如温度上限、转向角度限制）的前提下，实现最优控制。

2. 从连续系统到离散模型

实际工程中，我们处理的都是数字系统，所以需要先把连续的状态空间方程离散化。这就像把连续的视频转换成离散的帧画面。常用的离散化方法有三种：

matlab复制% 欧拉前向差分法
Ad = eye(size(A)) + A*Ts;
Bd = B*Ts;
Dd = D*Ts;

% 后向差分法（更稳定）
Ad = inv(eye(size(A)) - A*Ts);
Bd = Ad*B*Ts;
Dd = Ad*D*Ts;

% 双线性变换（精度最高）
Ad = inv(eye(size(A)) - A*Ts/2) * (eye(size(A)) + A*Ts/2);
Bd = inv(eye(size(A)) - A*Ts/2) * B*Ts;
Dd = inv(eye(size(A)) - A*Ts/2) * D*Ts;

选择哪种方法？根据我的经验：

• 当采样时间很短时，用简单的欧拉法就够了
• 系统刚性较大（特征值差异大）时，后向差分更稳定
• 对精度要求高的场合，双线性变换是首选

离散化后的状态方程变为：

code复制x(k+1) = Ad*x(k) + Bd*u(k) + Dd*d(k)
y(k) = Cd*x(k) + Dd*u(k)
`