MPC模型预测控制：从原理到代码实现

THfWIMcvwul

909人浏览 · 2026-03-23 16:15:00

THfWIMcvwul · 2026-03-23 16:15:00 发布

mpc模型预测控制从原理到代码实现 mpc模型预测控制详细原理推导 matlab和c++两种编程实现四个实际控制工程案例：双积分控制系统倒立摆控制系统车辆运动学跟踪控制系统车辆动力学跟踪控制系统包含上述所有的文档和

在控制领域，模型预测控制（MPC）是一种强大且实用的控制策略，它凭借着出色的性能和广泛的适用性，在众多实际工程中得到了广泛应用。今天，我们就来深入探讨MPC模型预测控制，从原理推导到代码实现，再结合实际控制工程案例，一起揭开它的神秘面纱。

MPC模型预测控制详细原理推导

MPC的核心思想其实并不复杂，简单来说，它就是基于系统的预测模型，在每个采样时刻，根据当前的系统状态，预测未来一段时间内系统的输出，然后通过优化算法求解出一组最优的控制输入序列，使得系统在未来一段时间内的性能指标达到最优。

假设我们有一个离散时间线性系统，其状态空间方程可以表示为：

% 离散时间线性系统状态空间方程
x(k+1) = A*x(k) + B*u(k);
y(k) = C*x(k);

这里，x(k) 是系统在时刻 k 的状态向量，u(k) 是控制输入向量，y(k) 是系统的输出向量，A、B、C 分别是系统的状态转移矩阵、输入矩阵和输出矩阵。

MPC的目标是在每个采样时刻，求解一个优化问题，使得系统在未来 N 个时刻的输出尽可能地跟踪给定的参考轨迹。这个优化问题可以表示为：

% 目标函数
min J = sum((y_ref(k+i) - y(k+i))^2 + R*u(k+i)^2) for i = 0:N-1;
% 约束条件
u_min <= u(k+i) <= u_max;
x_min <= x(k+i) <= x_max;

其中，yref(k+i) 是未来第 i 个时刻的参考输出，R 是控制输入的加权矩阵，umin 和 umax 是控制输入的上下限，xmin 和 x_max 是系统状态的上下限。

通过求解这个优化问题，我们可以得到一组最优的控制输入序列 u(k), u(k+1), ..., u(k+N-1)，然后只取第一个控制输入 u(k) 应用到系统中，在下一个采样时刻，重复上述过程。

编程实现

Matlab实现

在Matlab中，我们可以使用 mpc 工具箱来实现MPC控制器。下面是一个简单的示例代码：

% 系统参数
A = [1 1; 0 1];
B = [0; 1];
C = [1 0];
D = 0;

% 创建MPC控制器
Ts = 1; % 采样时间
Np = 10; % 预测时域
Nu = 5; % 控制时域
mpcobj = mpc(ss(A,B,C,D,Ts), Np, Nu);

% 参考轨迹
t = 0:Ts:100;
y_ref = ones(size(t));

% 仿真
x0 = [0; 0]; % 初始状态
[y, u] = mpcobj.simulate(y_ref, t, x0);

% 绘图
figure;
subplot(2,1,1);
plot(t, y, 'b', t, y_ref, 'r--');
xlabel('Time (s)');
ylabel('Output');
legend('Actual Output', 'Reference Output');

subplot(2,1,2);
plot(t, u);
xlabel('Time (s)');
ylabel('Control Input');

代码分析：首先，我们定义了系统的状态空间方程参数 A、B、C、D。然后，使用 mpc 函数创建了一个MPC控制器对象 mpcobj，并指定了预测时域 Np 和控制时域 Nu。接着，我们定义了参考轨迹 y_ref，并使用 simulate 函数进行仿真，得到系统的输出 y 和控制输入 u。最后，使用 subplot 函数将输出和控制输入绘制在同一个图中。

C++实现

在C++中，我们可以使用开源的优化库如Eigen和Ipopt来实现MPC控制器。下面是一个简单的示例代码：

#include <iostream>
#include <Eigen/Dense>

// 系统参数
Eigen::MatrixXd A(2, 2);
Eigen::MatrixXd B(2, 1);
Eigen::MatrixXd C(1, 2);

// 初始化系统参数
void init_system() {
    A << 1, 1, 0, 1;
    B << 0, 1;
    C << 1, 0;
}

// MPC控制器
double mpc_controller(Eigen::VectorXd x, double y_ref) {
    // 这里省略了优化求解的具体代码
    // 实际应用中需要使用优化库如Ipopt来求解优化问题
    double u = 0.1; // 简单示例，实际应根据优化结果计算
    return u;
}

int main() {
    init_system();
    Eigen::VectorXd x(2);
    x << 0, 0; // 初始状态
    double y_ref = 1; // 参考输出

    for (int i = 0; i < 100; i++) {
        double u = mpc_controller(x, y_ref);
        x = A * x + B * u;
        double y = C * x;
        std::cout << "Time: " << i << ", Output: " << y << ", Control Input: " << u << std::endl;
    }

    return 0;
}

代码分析：在这个示例中，我们首先定义了系统的状态空间方程参数 A、B、C，并使用 initsystem 函数进行初始化。然后，定义了一个 mpccontroller 函数，用于求解MPC的优化问题，这里为了简化，直接返回一个固定的控制输入。在 main 函数中，我们设置了初始状态和参考输出，并进行了100个时间步的仿真，输出每个时间步的系统输出和控制输入。