3、优化问题建模：MPC中的优化问题形式、目标函数设计（跟踪误差、控制增量惩罚）、约束条件（输入约束、输出约束、状态约束）
各位工程师朋友，咱们今天聊聊MPC里最核心的一环——优化问题建模。
说实话，很多初学者觉得MPC难，其实不是难在算法本身，而是难在怎么把实际工程问题翻译成一个“数学上可解、物理上合理”的优化问题。我见过太多人，明明控制器写好了，仿真跑得飞起，一上硬件就炸了。为什么？多半是模型建得不对，或者约束条件没设好。
今天我就把这块掰开揉碎了讲。咱们从三个维度入手：优化问题的标准形式、目标函数怎么设计、约束条件怎么加。嗯，内容有点干，但都是实战经验，你耐心看完，肯定有收获。
3.1 优化问题的标准形式
MPC本质上是在每个采样时刻，求解一个有限时域的开环优化问题。说白了，就是“我现在看到系统状态了，接下来N步我该怎么控制，才能让未来表现最好”。
标准形式长这样：
min J(x(k), u(k))
s.t. x(k+1) = f(x(k), u(k)) % 系统模型
x(k) ∈ X % 状态约束
u(k) ∈ U % 输入约束
y(k) ∈ Y % 输出约束
这里有几个关键点：
- 预测时域N：你往前看多少步。我一般建议N取系统主导时间常数的3~5倍，太短了看不到趋势，太长了计算量爆炸。
- 控制时域M：你打算改变多少次控制量。通常M ≤ N，M越小，计算越快，但控制自由度也越低。
- 决策变量：就是未来M步的控制序列 u(k), u(k+1), ..., u(k+M-1)。
核心要点：MPC的优化问题是一个“滚动优化”——每步只执行第一个控制量，然后重新求解。所以实时性要求很高，求解器选型很关键。
我在项目中遇到过一种情况：有人把预测时域设得特别大，结果求解时间超过采样周期，控制器直接“掉线”了。嗯，这是个很常见的坑。
3.2 目标函数设计
目标函数就是你要“最小化”的那个东西。MPC里最常用的目标函数包含两部分：跟踪误差和控制增量惩罚。
3.2.1 跟踪误差项
说白了，就是让系统输出尽量接近参考值。数学上写成：
J1 = Σ (y(k+i) - r(k+i))^T Q (y(k+i) - r(k+i))
其中Q是权重矩阵。Q越大，系统对跟踪误差越“敏感”。我个人习惯把Q设成对角矩阵，这样每个输出通道可以独立调参。
举个例子：你控制一个温度系统，目标温度是100°C。如果Q=1，误差1°C带来的惩罚是1；如果Q=100，误差1°C的惩罚就是100。控制器会拼命把温度拉到100°C，哪怕牺牲控制能量。
实战技巧：Q矩阵的数值要和你的物理量纲匹配。比如温度是100量级，位置是0.01量级，那Q的数值就不能一样。我一般先把所有变量归一化到[0,1]区间，再调Q。
3.2.2 控制增量惩罚项
这一项是为了防止控制量“剧烈抖动”。你想想看，如果只惩罚跟踪误差，控制器可能会让执行器疯狂动作——今天开100%，明天关0%，后天又开100%。执行器受得了吗？
J2 = Σ Δu(k+i)^T R Δu(k+i)
Δu是控制增量，R是惩罚权重。R越大，控制动作越“平滑”。
我记得有一次做无人机姿态控制，一开始没加控制增量惩罚，结果电机转速在1ms内从1000rpm跳到8000rpm，电机直接烧了。从那以后，我每次都会检查R的取值。
3.2.3 完整目标函数
把两项加起来：
J = J1 + J2 = Σ (y - r)^T Q (y - r) + Σ Δu^T R Δu
有时候还会加一个终端惩罚项，用来保证稳定性。不过那是进阶内容了，咱们先打好基础。
3.3 约束条件
约束是MPC的“灵魂”。没有约束的MPC，跟LQR没什么区别。约束分三类：输入约束、输出约束、状态约束。
3.3.1 输入约束
这是最直接的约束。执行器有物理极限，比如阀门开度0~100%，电机转速0~6000rpm，电流不超过10A。
u_min ≤ u(k) ≤ u_max
还有控制增量约束：
Δu_min ≤ Δu(k) ≤ Δu_max
增量约束很重要。我见过有人只加幅值约束，结果控制量从0跳到100%只用了1步，执行器响应不过来，系统震荡。加上增量约束后，控制量变化就“温柔”多了。
注意：输入约束是“硬约束”，必须满足。如果求解器告诉你无解，那就要考虑放松约束，或者改成“软约束”（加惩罚项）。
3.3.2 输出约束
输出约束是对系统输出的限制。比如温度不能超过150°C，压力不能超过10MPa，位置不能超出安全范围。
y_min ≤ y(k) ≤ y_max
输出约束有个麻烦：它依赖于系统状态和输入，不是直接可控的。所以输出约束往往是“软约束”——允许轻微违反，但给予惩罚。
我做过一个化工项目，反应釜温度必须控制在200±5°C，否则产品报废。输出约束设得很紧，结果求解器经常报无解。后来我把约束放宽到±10°C，然后在目标函数里加了一个“靠近目标”的惩罚项，效果反而更好。
3.3.3 状态约束
状态约束是对系统内部状态的限制。比如电池的SOC不能超过95%，电容电压不能超过额定值。
x_min ≤ x(k) ≤ x_max
状态约束和输出约束类似，也建议用软约束。因为状态往往不可直接测量，是通过观测器估计的，本身就有误差。约束设得太死，反而容易出问题。
3.4 知识体系结构图
下面这张图总结了MPC优化问题建模的核心逻辑，你可以保存下来，以后做项目时对照着看。
3.5 实战中的常见问题
最后，我总结几个实战中容易踩的坑：
- 权重矩阵Q和R的数值不匹配：如果Q比R大几个数量级，控制器会忽略控制增量惩罚，导致执行器剧烈动作。我一般先设R=1，然后从Q=0.1开始试，逐步增大。
- 约束设得太紧：尤其是输出约束和状态约束，如果设得比物理极限还小，求解器很容易无解。建议先设一个宽松的约束，跑通后再收紧。
- 忘记归一化：不同物理量的量纲差异很大，比如温度是1000量级，位置是0.001量级。不归一化的话，权重矩阵很难调。
- 预测时域太短：如果N小于系统上升时间的一半，控制器看不到完整的动态过程，控制效果会很差。
我的建议：刚开始做MPC项目时，先从一个简单的线性模型入手，不加约束，调好Q和R。然后逐步加入约束，每次只加一个，观察求解器的表现。这样出了问题，你也能快速定位。
好了，关于优化问题建模，今天就聊到这里。记住一句话：模型是基础，目标函数是灵魂，约束是保障。三者缺一不可。
公众号:蓝海资料掘金营，微信deep3321