第二章 MPC发展史：从起源到现代演进
做控制这么多年，我经常被问到同一个问题：MPC到底是怎么来的？
说实话，我刚入行那会儿也觉得这玩意儿挺玄乎。后来翻了不少老文献，才慢慢理清这条脉络。今天我就用自己的理解，把这段历史给你捋一捋。
2.1 MPC的起源：工业界的“土办法”
MPC不是学术界先搞出来的。你想想看，上世纪70年代，过程控制领域面临一个很现实的问题：传统的PID控制，对付单变量还行，一遇到多变量、带约束的系统，就抓瞎了。
我记得看过一篇1978年的老论文，讲的是壳牌石油的工程师们怎么解决催化裂化装置的控制问题。那会儿计算机刚能跑实时计算，这帮工程师就想了个“笨办法”：
- 先建个简单的阶跃响应模型
- 然后在线滚动优化
- 算一步，执行一步
说白了，这就是MPC最原始的雏形。没有复杂的理论推导，就是硬算。
核心思想：MPC的本质就是“边走边看，走一步算三步”。这和人类开车时的决策逻辑一模一样——你不可能一次性规划好未来10公里的所有操作，但你能看清前方200米的路况。
2.2 DMC与MAC：两个里程碑
到了80年代，MPC开始有了正式的名字和理论框架。这里面有两个绕不开的名字：DMC和MAC。
2.2.1 DMC（动态矩阵控制）
DMC是Cutler和Ramaker在1980年提出的。我在项目中用过DMC，说实话，它的思路非常直观：
- 模型：用阶跃响应系数构成动态矩阵
- 预测：基于当前状态，预测未来N步的输出
- 优化：最小化预测输出与目标值的偏差
嗯，这里要注意一点：DMC用的是非参数模型。什么意思？就是不需要知道系统的传递函数，直接拿实验数据就能建模。这对工业现场来说太友好了。
个人经验：我曾经在一个化工项目里用DMC，现场工程师只需要做一次阶跃响应实验，把数据录下来，我就能把控制器搭起来。这种“数据驱动”的思路，在工业界特别受欢迎。
2.2.2 MAC（模型算法控制）
MAC是法国学者Richalet等人搞出来的。和DMC不同，MAC用的是脉冲响应模型。
你可能会问：这俩有啥区别？
我打个比方：DMC就像用“温度变化曲线”来描述一个加热过程，而MAC就像用“每加一度需要多少能量”来描述。本质上是一回事，但数学形式不同。
| 特性 | DMC | MAC |
|---|---|---|
| 模型类型 | 阶跃响应 | 脉冲响应 |
| 参数数量 | 较少 | 较多 |
| 抗干扰能力 | 较强 | 一般 |
| 工业应用 | 更广泛 | 较少 |
避坑指南：我曾经在一个项目中盲目选择了MAC，结果因为脉冲响应模型对噪声太敏感，控制器老是抖动。后来换成DMC，问题就解决了。所以选型时一定要考虑现场噪声水平。
2.3 现代MPC的发展趋势
进入21世纪，MPC的发展可以用“百花齐放”来形容。我个人观察，主要有这几个方向：
2.3.1 非线性MPC
传统的线性MPC，说白了就是“用线性模型近似非线性系统”。这在某些场景下够用，但遇到强非线性（比如化学反应、机器人动力学），就力不从心了。
非线性MPC直接使用非线性模型进行预测，计算量大了不少，但精度也上去了。我记得2015年帮一个汽车客户做轨迹跟踪，用线性MPC怎么调都差那么一点，换成非线性MPC后，效果立竿见影。
2.3.2 鲁棒MPC
你想想看，模型总是不完美的。鲁棒MPC要解决的就是：当模型有误差时，控制器还能不能稳定工作？
这里面有个很巧妙的思想：把不确定性也建模进去，然后在优化时考虑“最坏情况”。虽然保守了一点，但安全啊。
2.3.3 分布式MPC
大型系统（比如电网、交通网络）有成千上万个控制节点。集中式MPC算不过来，分布式MPC就派上用场了。
每个节点只算自己的局部优化，然后通过通信协调。这就像一个大公司，每个部门自己管好自己的事，定期开个会协调一下。
2.3.4 数据驱动MPC
这是最近五年的热点。说白了，就是不用物理模型，直接用数据学出一个预测模型。深度学习、强化学习都往这个方向靠。
我个人觉得，这条路很有前途，但也要小心。数据驱动的东西，可解释性差，万一出了故障，排查起来很头疼。
我的看法：MPC的发展史，其实就是“从简单到复杂，再从复杂回归实用”的过程。早期工业界的“土办法”很粗糙，但管用；后来学术界把理论搞得很漂亮，但落地难；现在大家又回到“实用主义”，追求的是“够用就好”。
2.4 本章小结
回顾MPC这五十年的发展，你会发现一个很有意思的现象：
- 70年代：工业界被逼出来的“土办法”
- 80年代：DMC和MAC奠定了理论基础
- 90年代：稳定性、鲁棒性等理论问题被解决
- 21世纪：非线性、分布式、数据驱动百花齐放
嗯，历史讲完了。下一章我们就要动手了——从最简单的线性MPC开始，一步步把代码写出来。到时候你会发现，那些看似高深的理论，其实代码实现起来并不复杂。