模型预测控制MPC入门：从理论到工程实践

简介：《Model Predictive Control: Theory, Computation, and Design》第二版是控制工程领域的经典MPC教材，面向控制专业学生、研究人员与工程师，帮助读者系统掌握预测控制的理论基础、数值求解与控制器设计方法。全书围绕动态模型构建、优化问题设定、约束处理、稳定性与鲁棒性分析展开，第二版新增“数值最优控制”一章，由Moritz M. Diehl教授参与撰写，介绍导数计算、Hessian近似、不等式处理及利用MPC问题结构的高效算法，并配套基于CasADi与MPCTools的软件，可复现书中数值算例与练习，对Matlab环境下开展MPC建模与仿真亦有参考价值。资源为单个PDF文件，压缩包约5.66MB，轻量便携，适合随时查阅。目前已有383人学习下载，适合作为MPC入门与进阶的案头参考书。

1. 到底什么是模型预测控制：从开车打方向盘说起

开车时你并不会只盯着车头正前方那一米，而是会习惯性看向几十米外的路况，脑子里提前盘算“前面有个弯，现在该松油门了”“前车刹车灯亮了，得提前减速”。这种“往前看一段、提前做打算、只执行眼前这一步”的思维方式，就是模型预测控制（Model Predictive Control，简称 MPC）最朴素的内核。它不是什么玄学，而是一套让机器也学会“预判”的控制策略：先用系统的数学模型推演未来一段时间内会发生什么，再从中挑出一条最划算的动作序列，但真正执行的只有当下这一步，下一步重新再算一遍。

搞懂这个概念很值，因为大量工业现场——化工反应釜的温度压力、电力系统的功率调度、飞行器的姿态调整——都卡在“既要满足一堆约束，又要跑得好”这个难题上。传统控制往往顾此失彼，而 MPC 天生就是为带约束的复杂系统设计的。这份《Model Predictive Control: Theory, Computation, and Design》第二版，正是把 MPC 从理论到计算再到设计讲透的经典资料，也是很多人入门 MPC 时绕不开的一本书。

2. 为什么需要“滚动优化”：MPC 的运作逻辑

2.1 预测、优化、滚动：三个动作串起一个闭环

要理解 MPC 为什么有效，得先看它每一步到底在干什么。通俗地说，它把控制问题拆成了三个反复循环的动作。

第一个动作是预测。控制器内部装着一个系统模型，比如“给多少加热功率，温度会怎么变”。它拿当前测到的状态当起点，用这个模型往后推演未来 N 步，看看不同操作下系统会走向哪里。这个 N 就是所谓的预测时域，看得越远，预判越充分，但算得也越慢。

第二个动作是优化。在推演出的众多可能轨迹里，控制器要挑一条“代价最小”的。代价通常由两部分组成：一是偏离目标有多远，二是操作动作有多费劲。同时还得满足各种约束，比如阀门开度不能超过 100%、温度不能超过安全上限。这一步本质上是在解一个带约束的最优化问题。

第三个动作是滚动。算出了一长串未来动作后，控制器并不全执行，只把第一个动作真正发出去，然后等下一个采样时刻，拿到新的测量值，把整个预测和优化重来一遍。这就是“滚动时域”这个名字的由来。

打个比方，这就像你导航去一个陌生地方：系统先规划出全程路线（预测加优化），但你只按它指的第一路口走（滚动），到了下一个路口它再根据实时路况重新规划。正因为每一步都用最新信息重算，MPC 对扰动和模型偏差才有一定的适应能力。

2.2 约束才是 MPC 的看家本领

很多人第一次接触 MPC 会问：既然都是优化，它和普通的最优控制有什么区别？关键就在约束的处理上。

传统线性二次调节器能给出漂亮的解析解，但它默认系统可以任意动作，没有边界。现实里哪有这种好事？电机有最大扭矩，储罐有容量上限，执行机构有速率限制。这些“不能越界”的要求，在数学上就是状态约束和输入约束。MPC 把这些约束直接写进优化问题里，求解时天然满足，不需要事后打补丁。

这也是为什么 MPC 在过程工业里扎根最深。化工装置一旦超温超压就是安全事故，靠事后限幅往往来不及，而 MPC 在规划阶段就把红线画好了。书里第 2 章专门处理带约束的非线性系统调节问题，把过去二十年这一领域的主要进展做了统一梳理，包括调节到不可达设定点这类较新的课题。

2.3 从理论到代码：优化问题长什么样

光说概念容易飘，看一眼优化问题的骨架就踏实了。下面这段伪代码用 Python 风格写出了 MPC 每一步要解的东西，重点看约束是怎么挂上去的。

# 每个采样时刻重复执行以下优化 # 决策变量：未来 N 步的控制输入 u_0 ... u_{N-1} for k in range(N): # 用系统模型预测下一步状态 x_next = model(x_current, u[k]) # 累计代价：状态偏离目标 + 控制量消耗 cost += stage_cost(x_next, u[k]) # 硬约束：状态和输入都不能越界 constraints.append(x_next <= x_max) constraints.append(u[k] <= u_max) x_current = x_next # 求解带约束优化，只取第一个控制量下发 u_apply = solve(cost, constraints)[0]

这段逻辑里，model是预测的根基，模型不准，后面全白搭；stage_cost决定你更在意“跑得准”还是“省着用”；x_max、u_max就是那些不能碰的红线。求解器返回一长串u，但代码只取[0]下发，这正是滚动优化的精髓。书里第 8 章“数值最优控制”就是专门讲怎么高效解这个问题的，涉及导数计算、Hessian 近似、不等式处理，以及如何利用最优控制问题的特殊结构来加速——这些是让 MPC 从纸面走到实时运行的关键。

3. 理论、计算、设计：一本书的三根支柱

3.1 稳定性不是玄学：为什么滚动优化还能保证收敛

初学者常有的疑惑是：每一步都重新优化，动作序列变来变去，系统凭什么能稳定？这不是玄学，而是有严格数学保证的。

MPC 的稳定性分析通常借助 Lyapunov 函数的思想：如果能找到一个“能量”度量，使得每滚动一步这个量都不增加，系统就不会发散。书里贯穿始终地采用了更强的 KL 定义来刻画渐近稳定性，替代了第一版用的经典定义。这个改动看似只是符号，实则让稳定性结论更严谨、适用范围更广。第 2 章到第 4 章是全书的基础部分，分别覆盖非线性约束系统的调节、鲁棒 MPC 的设计、以及状态估计，任何研究生级别的 MPC 课程大概都绕不开这三章。

对只想搞懂概念的人来说，记住一句话就够了：MPC 的稳定性靠的是“终端约束”或“终端代价”这类设计技巧，把预测时域末端管住，整条轨迹就不会跑飞。这也是设计 MPC 时最需要拿捏的地方。

3.2 鲁棒与随机：当模型不再完美

现实中的模型永远有偏差，扰动也从不缺席。书里第 3 章专门讲鲁棒 MPC，核心思路是用“管道”或“轨迹束”代替单条名义轨迹——既然真实轨迹会在名义轨迹附近晃，那就把这一圈可能性都框进来，保证最坏情况下也不越界。这一章把大量分散的鲁棒 MPC 研究做了统一整理。

第二版还新增了随机 MPC 的讨论，处理的是另一类不确定性：不是“最坏会怎样”，而是“按概率分布会怎样”。这两者的区别很像出门带伞——鲁棒思维是“假设一定下雨，带把结实的”，随机思维是“看降雨概率，带把轻便的”。选哪种取决于你对风险的容忍度和对分布的了解程度。

3.3 状态估计与分布式：大系统怎么拆着控

MPC 需要知道系统当前状态，但传感器往往只能测到一部分输出。第 4 章讲状态估计，重点是移动 horizon 估计（MHE），也覆盖扩展卡尔曼滤波、无迹卡尔曼滤波。第二版在这一章做了大幅修订，针对有界扰动下的移动 horizon 估计和全信息估计给出了更新的分析。有意思的是，粒子滤波的讨论被移出了正文，原因是采样策略在高维下会遭遇“维数灾难”，超过五维左右估计就不准了——这个取舍本身就说明工程上要的是可靠而非花哨。

第 6 章则面向大规模系统：一个庞大网络拆成许多相互耦合的小子系统，集中算不动，就设计分布式 MPC 让各子系统协同。第二版新增了非线性系统分布式 MPC 的内容。这类问题在电网、流程工业里非常典型。

4. 易混概念辨析：别把这几组词搞混了

4.1 MPC 与 PID：预判和反馈的分工

最容易混的就是把 MPC 当成“高级版 PID”。两者确实都在做反馈，但思路差得远。PID 是看当前误差调动作，比例、积分、微分三项各管一摊，结构简单、调参靠经验，对单回路、约束少的场景足够好用。MPC 则是先预测再优化，能同时处理多变量耦合和硬约束。

怎么区分？看系统有没有“不能越界”的硬要求和多变量协调需求。一个水箱液位控制，PID 足矣；一个多反应釜串联、温度压力流量互相牵制的装置，PID 调起来就是血泪经验，这时候 MPC 的多变量约束优化才显出价值。别为了用而用，简单问题套 MPC 反而增加计算负担。

4.2 预测时域与控制时域：看得远不等于动得多

这两个时域经常被混为一谈。预测时域 N 是你往后看多远，控制时域 M 是你允许未来动作变化几步（M 通常小于等于 N，M 之后假设动作保持不变）。看得远是为了预判充分，动得少是为了降低优化变量维度、加快求解。

混淆点在于以为“预测多长就要执行多长”。实际上无论预测多长，真正下发的永远只有第一步。调参时的经验是：预测时域要覆盖系统的主要动态响应时间，太短预判不足，太长白算；控制时域适当小于预测时域能在精度和速度间取平衡。

4.3 显式 MPC 与在线 MPC：查表还是现算

第 7 章讲约束线性系统的显式最优控制。显式 MPC 的思路是离线把所有可能的控制律算好、存成一张分区域的表，在线时只需判断当前状态落在哪个区域，查表即得，计算极快。在线 MPC 则是每个采样时刻现场解优化。

易混点在于以为显式一定更好。其实显式 MPC 的离线计算量和存储量随状态维数急剧增长，高维问题表都存不下。它适合低维、对在线算力极度敏感的场景；高维复杂问题还是得靠在线求解。第二版还配套提供了计算显式 MPC 临界区域的软件，方便上手验证。

4.4 移动 horizon 估计与卡尔曼滤波：估计家族的两条路

第 4 章里 MHE 和卡尔曼滤波常被并列提及，容易让人以为可以随意替换。卡尔曼滤波是递推式的，每步用新测量更新估计，计算轻、适合线性高斯场景。MHE 则是把过去一段窗口内的测量攒起来一起优化，能显式处理约束（比如状态必须为正），对非线性、有界扰动更稳健，代价是每步计算量更大。

区分的关键是：要不要在估计阶段就加约束、扛有界扰动。要，就倾向 MHE；只是常规噪声下的快速估计，卡尔曼滤波更省事。书里对两者都有覆盖，还保留了扩展和无迹卡尔曼滤波的内容，方便对照。

5. 什么时候该用 MPC，什么时候别碰

把边界说清楚，比堆一堆公式更有用。MPC 不是万能药，它的适用性有明确前提。

先看该用的场景。系统是多变量的、变量之间强耦合，单回路控制顾此失彼；存在必须严格遵守的硬约束，越界就是事故或废品；对控制性能有较高要求，愿意为预判付出计算代价。这三条同时成立时，MPC 的优势最明显。过程工业里的多变量约束控制、需要提前调度的能量管理、有执行机构速率限制的运动控制，都是它的主场。书里超过 200 道章末习题和配套软件，正是为这类场景的建模、仿真和控制器设计准备的，配套的 Octave/MATLAB 工具基于 CasADi，能跑通书中所有需要数值计算的例子。

再看别碰的情形。系统动态极快、采样周期短到毫秒级，而优化求解又跟不上，这时候硬上 MPC 就是给自己找麻烦，不如用结构更简单的控制律；系统本质上是单变量、约束宽松，PID 调好就够，上 MPC 属于杀鸡用牛刀；模型极度不准又没法在线辨识，预测就成了空中楼阁，再漂亮的优化也是错的。还有一种常见翻车：把约束设得互相矛盾，优化问题无解，控制器直接罢工——这不是 MPC 的错，是建模时没想清楚可行性。

我自己的习惯是，每次想上 MPC 之前，先强制问三遍：约束真的硬吗？模型真的靠得住吗？算力真的够吗？三个都点头才动手，否则先退回简单方案验证需求。这份第二版资料把理论、计算、设计三条线都铺开了，从第 1 章的入门铺垫到第 8 章的数值求解，再到附录里的数学与优化基础，适合当作长期翻阅的底本，遇到具体问题时按章查、按例跑，比通读一遍更见效。希望帮到你。

本文还有配套的精品资源，点击获取