模型预测控制（MPC,Model Predictive Control）
预测控制是一种基于模型的闭环优化控制策略，起源于20世纪70年代后期的动态矩阵控制（DMC）、模型算法控制（MAC）等算法，已在工业控制、自适应控制及内模控制等领域得到广泛应用。其核心特点是通过滚动优化和显式处理约束，有效克服了过程控制中的不确定性、非线性和并联性问题。经典MPC流程包括内部（预测）模型、滚动优化、反馈控制等环节，其应用范围已扩展至机器人、飞行器及网络系统等领域，展现出良好的控制效果和鲁棒性。
发展历史
20世纪70年代后期，美法等国的工业领域中首次出现了一类新型的计算机控制算法，其中包括动态矩阵控制(DMC, Dynamic Matrix Control)和模型算法控制(MAC, Model Algorithm Control)等方法。1987年，首次有学者对这一系列算法的产生动因、运行机理及其在工业控制中的应用效果进行了系统阐述。自此，预测控制的概念开始逐步形成。
如今，预测控制理论已经发展为涵盖工业控制、自适应控制以及内模控制等多个研究领域的综合体系，通常被统称为模型预测控制(MPC, Model Predictive Control)或基于模型的控制(Model-based Control)。值得注意的是，其应用领域已从传统的过程控制扩展到机器人、飞行器、网络系统等新兴领域。
模型预测控制是一种基于模型的闭环优化控制策略。早在1978年，J.Richalet等提出了预测控制算法的三要素，即内部（预测）模型、参考轨迹和控制算法。通常表述为内部（预测）模型、滚动优化和反馈控制。预测控制具有显式约束处理能力，这种能力源于其基于模型对系统未来动态行为的预测。通过将约束加到未来的输入、输出或状态变量上，可以将约束显式表示为在线求解的二次规划或非线性规划问题。席裕庚, 李德伟, 林姝. 模型预测控制——现状与挑战J. 自动化学报, 2013, 39(3):222-236.模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和并联性，并且能够方便地处理过程被控变量和操纵变量中的各种约束。
组成
经典MPC的控制流程如图1所示：
图中，ysp代表系统的设定输出，yr作为参考轨迹，u作为输入信号，y为系统的实际输出量，ym为模型的输出结果，yc为预测的输出结果。