第3章 MPC算法分类

3、MPC算法分类：线性MPC、非线性MPC、鲁棒MPC、自适应MPC、分布式MPC

聊到MPC的分类，我估计很多刚入行的朋友会有点懵。说实话，我刚接触那会儿也晕——怎么同一个控制框架，还能分出这么多花样？

其实没那么复杂。你想想看，MPC的核心就是“建模+预测+优化”。分类的本质，就是看你对这三个环节做了哪些“特殊处理”。

我个人习惯把MPC分成五大流派。下面咱们一个一个捋清楚。

线性MPC，说白了就是假设你的系统是线性的。模型长这样：x(k+1) = A·x(k) + B·u(k)。目标函数是二次型，约束也是线性的。

为什么它最流行？因为求解快啊！二次规划（QP）问题，成熟的求解器一抓一大把。我在做电机转速控制时，用的就是线性MPC。采样周期1ms，QP求解稳稳的。

  核心特点：
  模型线性，求解效率高
适合工作点附近的小范围控制
工程落地最成熟

我的经验： 线性MPC不是万能的。如果系统工作点变化很大，比如飞行器从平飞到倒飞，线性模型就扛不住了。这时候你得考虑非线性MPC。

非线性MPC，模型不再是简单的A、B矩阵了。可能是微分方程，可能是神经网络，甚至是一堆查表数据。

举个例子，化学反应釜的温度控制。反应速率和温度是指数关系，线性模型根本描述不了。这时候非线性MPC就派上用场了。

但代价也很明显——求解慢。非线性优化问题，动不动就要迭代几十次。我曾经在项目里用非线性MPC控制机械臂，采样周期不得不拉到100ms，就为了给求解器留够时间。

避坑指南： 我曾经因为非线性MPC求解超时，导致控制器输出滞后，系统直接震荡。后来加了求解时间监控和fallback策略，才稳住。记住：实时性永远是第一位的。

鲁棒MPC，说白了就是“我预判了你的预判”。它不光考虑标称模型，还把模型误差、外部扰动都考虑进去了。

我记得在做一个无人机编队项目时，风扰是个大问题。普通MPC飞得好好的，突然一阵横风过来，无人机就偏航了。换成鲁棒MPC后，控制器会自动预留控制余量，抗干扰能力强了一大截。

鲁棒MPC的常见做法有两种：

  适用场景： 模型精度差、外部扰动大的场合。比如自动驾驶、无人机、过程控制。

自适应MPC，核心思想是“在线更新模型”。系统参数变了？没关系，我实时辨识，模型跟着变。

你想想看，一个电池管理系统，电池老化后内阻会变。固定模型的MPC，用久了性能就下降。自适应MPC就不一样，它每隔一段时间重新辨识参数，模型始终贴合实际。

我建议做自适应MPC时注意两点：

一个小技巧： 自适应MPC的辨识周期不要设太短。我曾经设成10ms一次，结果辨识噪声太大，控制器反而更差了。后来改成1秒一次，效果立竿见影。

分布式MPC，解决的是“多个子系统怎么协同控制”的问题。每个子系统有自己的MPC控制器，但彼此之间要交换信息，达成全局最优。

举个例子，一个智能电网有几十个分布式电源。如果每个电源各自为政，电网电压可能崩溃。分布式MPC让每个电源的控制器互相通信，协调出力，既保证局部稳定，又兼顾全局经济性。

分布式MPC的架构主要有三种：

注意： 分布式MPC的通信延迟是个大坑。我曾经在项目里因为网络丢包，导致两个控制器互相等待，系统直接死锁。后来加了超时机制和本地fallback策略，才算解决。

说了这么多，到底该用哪种？我一般按这个思路来：

嗯，MPC的分类就聊到这儿。每种算法都有它的脾气，选对了事半功倍，选错了...嗯，你懂的。

公众号:蓝海资料掘金营，微信deep3321