第2章 MPC数学基础

第二章：MPC数学基础

说实话，很多工程师一听到「数学基础」四个字就想跳过。我当年也一样。但做了十几年MPC项目后，我不得不承认——这些数学工具，就是你手里的扳手和螺丝刀。没有它们，你连个像样的控制器都搭不出来。

这一章，咱们就聊聊MPC真正需要的数学底子。我不会跟你扯太深的理论，而是把重点放在「怎么用」上。

MPC里所有的变量，本质上都是向量。控制输入是一个向量，系统状态是一个向量，预测的未来轨迹也是一个向量。你想想看，如果没有向量，你怎么描述一个多变量系统？

举个我实际遇到的例子。有一次做四轮独立驱动车辆的MPC，每个轮子有扭矩和转速两个控制量，一共8个变量。如果不用向量表示，光写公式就能写满一页纸。用向量呢？一行搞定：u = [T1, ω1, T2, ω2, ...]^T。

  核心概念：在MPC中，状态向量 x ∈ ℝⁿ，控制向量 u ∈ ℝᵐ，输出向量 y ∈ ℝᵖ。n、m、p 分别代表状态数、控制量和输出量。

矩阵就更关键了。状态空间模型里的A、B、C、D矩阵，就是系统的「骨架」。我习惯把A矩阵叫做「系统自带的脾气」——它决定了系统在没有外力干预时怎么演化。

关于特征值，我只说一句：特征值的实部决定了系统的稳定性。如果A矩阵的所有特征值实部都小于0，系统就是稳定的。我在调试一个化工反应器MPC时，就遇到过特征值实部为正的情况——系统发散得飞快，要不是MPC及时拉回来，设备可能就废了。

我的习惯：拿到一个新系统，第一件事就是算A矩阵的特征值。这能让你快速判断系统「底子」怎么样。

MPC的核心，说白了就是「每步都解一个优化问题」。你预测未来N步的系统行为，然后找一个最优的控制序列，让某个代价函数最小。

这里有个关键点：MPC用的优化问题，绝大多数是凸优化。为什么？因为凸优化有唯一的最优解，而且求解速度快。你想想看，如果每秒钟要解几十次优化问题，非凸优化根本来不及。

二次规划（QP）是MPC里最常见的优化形式。它的代价函数是二次型，约束是线性的。写成标准形式就是：

min  (1/2) x^T H x + f^T x
s.t. A x ≤ b
     A_eq x = b_eq
     lb ≤ x ≤ ub

这里的H矩阵（Hessian矩阵）必须是对称正定的，否则问题就不是凸的。我曾经踩过这个坑——H矩阵写错了符号，结果求解器一直报错，折腾了两天才发现是正定性出了问题。

注意：H矩阵的正定性不是可选项，是必须项。如果H不是正定的，QP求解器可能会给出错误的结果，甚至直接崩溃。

在实际工程中，我推荐用OSQP或者qpOASES这类轻量级求解器。它们专门为MPC场景优化过，求解速度很快。我记得有一次做无人机MPC，控制周期只有10毫秒，OSQP能在2-3毫秒内解完一个50维的QP问题。

状态空间模型是MPC的基础。它用一组一阶微分方程（或差分方程）来描述系统动态。连续时间形式是：

ẋ(t) = A x(t) + B u(t)
y(t) = C x(t) + D u(t)

离散时间形式（计算机里用的）是：

x(k+1) = A_d x(k) + B_d u(k)
y(k) = C_d x(k) + D_d u(k)

这里有个容易混淆的地方：连续系统的A矩阵和离散系统的A_d矩阵不一样。它们之间通过矩阵指数关联：A_d = e^(A·Ts)，其中Ts是采样时间。

我建议你直接用MATLAB的c2d函数做转换，别自己手算。手算矩阵指数很容易出错，尤其是高阶系统。

  工程要点：状态空间模型的阶数（即x的维度）决定了MPC的计算量。每增加一个状态，预测矩阵的维度就翻倍。所以建模时，能用低阶模型就别用高阶的。

关于建模方法，我常用的有三种：

说到系统辨识，我踩过一个坑。有一次做温度控制MPC，我用阶跃响应数据辨识出来的模型，仿真时效果很好，但一上实际系统就震荡。后来发现是采样时间选得太小，导致离散模型数值不稳定。嗯，这里要注意：采样时间不能太小，也不能太大。太小了数值不稳定，太大了会丢失系统动态信息。

下面这张图总结了本章的核心逻辑。你可以把它当作一个「地图」，以后遇到MPC相关问题时，先看看问题出在哪个环节。

从这张图可以看得很清楚：线性代数是「语言」，优化理论是「大脑」，系统动力学是「对象」。三者缺一不可。我见过不少工程师只盯着优化算法看，忽略了建模精度，结果MPC效果很差。反过来，模型建得再好，求解器不行也白搭。

我的建议：如果你刚开始学MPC，先把状态空间模型搞透。模型对了，后面的事情就顺了。模型错了，再好的优化算法也救不了。

好了，这一章的内容就到这里。数学基础这东西，光看是学不会的。我建议你找个实际系统，试着建个状态空间模型，再写个简单的QP求解器跑一跑。动手做一遍，比看十遍书都管用。