3. MPC核心原理：预测模型、滚动优化、反馈校正三大要素详解

各位工程师朋友，今天我们来聊聊MPC最核心的东西。说实话，我刚接触MPC那会儿，也被这三个要素搞得有点晕——预测模型、滚动优化、反馈校正，听起来像三个独立的东西。但干过几个项目后我才明白，它们其实是同一个问题的三个侧面。

打个比方：你开车去一个陌生的地方。预测模型就是你对路况的预判能力；滚动优化是你在每个路口重新规划路线；反馈校正是你发现走错路后及时调整。缺一个，这车就开不好。

3.1 预测模型：MPC的“水晶球”

预测模型是什么？说白了，就是用一个数学模型来模拟被控对象未来的行为。我习惯把它叫做“水晶球”——虽然不能100%看准，但至少能看出个大概趋势。

在工程实践中，预测模型通常有两种形式：

• 状态空间模型：适合多变量系统，表达能力强
• 阶跃响应/脉冲响应模型：工业上常用，参数容易获取

举个例子，一个简单的离散状态空间模型长这样：

x(k+1) = A·x(k) + B·u(k)
y(k)   = C·x(k) + D·u(k)

其中x是状态量，u是控制量，y是输出量。A、B、C、D就是模型参数矩阵。

3.2 滚动优化：走一步看三步

滚动优化是MPC最迷人的地方。传统控制是“一次算好，一直执行”，MPC则是“算一段，执行一步，再算下一段”。

你想想看，这就像下棋——高手不会只盯着眼前一步，而是会预判后面几步。MPC也是这样，它在每个采样时刻都求解一个有限时域的最优控制问题：

min J = Σ (y_ref - y_pred)² + λ·Σ Δu²

约束条件：
  u_min ≤ u ≤ u_max
  y_min ≤ y ≤ y_max
  Δu_min ≤ Δu ≤ Δu_max

这个优化问题里，第一项是让输出跟踪设定值，第二项是惩罚控制动作的剧烈变化。λ就是两者的权重，我一般叫它“调节旋钮”——λ越大，控制动作越平缓。

我曾经在一个温度控制项目里吃过亏——预测时域选得太短，结果系统震荡得厉害。后来把预测时域从5步加到20步，立马稳了。嗯，这里要注意：预测时域不是越长越好，太长计算量太大，实时性就保不住了。

3.3 反馈校正：别让模型骗了你

模型再准，也有偏差。反馈校正就是用来修正这个偏差的。

具体做法很简单：

1. 用模型预测下一时刻的输出 ŷ(k+1)
2. 实际测量得到 y(k+1)
3. 计算预测误差 e(k+1) = y(k+1) - ŷ(k+1)
4. 用这个误差修正后续的预测值

数学上可以写成：

ŷ_corrected(k+i) = ŷ(k+i) + h·e(k+1)

其中h是校正系数，取值范围0到1。h=1表示完全相信实测值，h=0表示完全相信模型。

3.4 MPC的数学形式化描述

好了，我们把上面三个要素串起来，看看MPC的完整数学形式是什么样的。

假设我们有一个线性时不变系统：

x(k+1) = Ax(k) + Bu(k)
y(k)   = Cx(k)

在k时刻，我们已知当前状态x(k)，要预测未来N步的输出：

Y = F·x(k) + G·U

其中Y是未来N步的输出向量，U是未来M步的控制增量向量（M ≤ N），F和G是由A、B、C构成的预测矩阵。

优化问题可以写成：

min J = (Y_ref - Y)ᵀ·Q·(Y_ref - Y) + Uᵀ·R·U

s.t.  U_min ≤ U ≤ U_max
      Y_min ≤ Y ≤ Y_max

Q和R是权重矩阵，Q越大越重视跟踪精度，R越大越重视控制平稳性。

这个优化问题求解后，得到最优控制序列U*，我们只取第一个元素u*(k)作用于系统。然后到k+1时刻，重复整个过程。

3.5 三大要素的关系图

下面我用一张SVG图来展示这三个要素是如何协同工作的：

从这张图可以看出，MPC的每个采样时刻都在做三件事：先用预测模型“看未来”，再用滚动优化“做决策”，最后用反馈校正“纠偏差”。这三个环节环环相扣，缺一不可。

3.6 工程实践中的注意事项

最后，我结合自己的项目经验，给大家几个实用建议：

要素	常见问题	我的建议
预测模型	模型精度不够	别追求完美，用一阶加纯滞后模型往往够用
滚动优化	计算时间太长	预测时域设20步左右，控制时域设5步左右
反馈校正	校正系数难调	从0.2开始试，逐步增大直到系统稳定

好了，MPC的三大要素就讲到这里。说白了，预测模型是“眼睛”，滚动优化是“大脑”，反馈校正是“手”——三者配合好了，MPC才能发挥出真正的威力。

---

公众号:蓝海资料掘金营，微信deep3321