MPC模型预测控制理论与实践

2023-12-05 20:44
文章标签 实践 模型 理论 控制 预测 mpc

本文主要是介绍MPC模型预测控制理论与实践，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、基本概念

最有控制的动机是在约束条件下达到最优的系统表现。

模型预测控制（MPC，Model Predictive Control）是通过模型来预测系统在某一未来时间段内的表现来进行优化控制，多用于数位控制，通常用离散型状态空间表达。主要有三个主要部分构成，1模型；2预测；3控制（做决策）。模型，模型可以是机理模型，也可以是一个基于数据的模型。（例如深度学习训练得到的模型）预测，建立一个模型目的主要是用来做预测。控制（做决策），控制就是需要做出动作了，控制就是采取行动执行动作。

MPC主要有三步：

在k时刻：

1、估计/测量读取当前系统状态；

2、基于u_k,u_{k+1},...,u_{k+N}来进行最优化，离散系统代价函数为

J=\sum_k^{N-1}(E_k^TQE_k+u_k^TRu_k)+E_N^TFE_N

3、只取u_k作为控制输入施加在系统上。

在下一时刻重复以上三步，在下一步进行预测时使用的就是下一步的状态值，即滚动优化控制。

二、理论原理

1、二次规划的一般形式：

\begin{aligned}\min_x&&q(x)=z^TQz+C^Tz\\s.t.&&a_i^Tz\geq b_i,\quad i\in\tau\end{aligned}

二次规划问题目前的优化理论提供了较完整的求解方法，可以利用诸多工具进行求解。这里的MPC问题最后能够归结为求解一个二次规划问题，即最小化代价函数。

2、MPC代价函数

对于一个离散系统

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

在k时刻进行观测，预测从k到N时刻的状态X_k为：

X_k=\begin{pmatrix}x(k|k)\\x(k+1|k)\\x(k+2|k)\\\cdots\\x(k+N|k)\end{pmatrix}

输入U_k为：

U_k=\begin{pmatrix}u(k|k)\\u(k+1|k)\\u(k+2|k)\\\cdots\\u(k+N-1|k)\end{pmatrix}

离散系统的代价函数为：

J=\sum_{i=0}^{N1}\left(x(k+i|k)\right.^TQx(k+i|k)+u(k+i|k)^TRu(k+i|k))\\ +x(k+N)^TFx(k+N)

我们需要求解的是系统的输入u(k+i|k)，这就需要我们把状态项x(k+i|k)给消除掉。可以通过传感器或者状态估计得到系统当前的状态值，利用系统初始条件x(k|k)=x_k，以及上述离散状态方程，可以得到所有状态量用输入和初始值表达的形式：

X_k=\begin{pmatrix}I\\A\\A^2\\\cdots\\A^N\end{pmatrix}x(k)+\begin{pmatrix}0&0&\ldots&0\\B&0&\ldots&0\\AB&B&\ldots&0\\\ldots&\ldots&\ldots&\ldots\\A^{N-1}B&A^{N-2}B&\ldots&B\end{pmatrix}U_k

令M=\begin{bmatrix} I_{​{n\times n}} \\A_{​{n\times n}} \\A_{​{n\times n}}^2 \\. \\. \\A^N\ \end{bmatrix}，$C=\begin{bmatrix}0&0&...&0\\\vdots&\vdots&...&\vdots\\0&0&&0\\B&0&...&0\\AB&B&...&0\\\vdots&\vdots&\ddots&0\\A^{N-1}B&A^{N-2}B&...&B\end{bmatrix}$，则有

{X_k}={Mx_k}+{CU_k}

代价函数可以化简为：

$\begin{aligned} &J=\sum_{i=0}^{N-1}\left(x(k+i|k)^TQx(k+i|k)\right.+u(k+i|k)^TRu(k+i|k)+x(k+N)^TFx(k+N)) \\ &\left.=\left(\begin{array}{c}x(k|k)\\x(k+1|k)\\x(k+2|k)\\\cdots\\x(k+N|k)\end{array}\right.\right)\left(\begin{array}{ccccc}Q&&&\\&Q&&\\&&Q&\\&&\cdots&\cdots&\cdots\\\cdots&\cdots&\cdots&\cdots&\cdots\\&&&&F\end{array}\right)\left(\begin{array}{c}x(k|k)\\x(k+1|k)\\x(k+2|k)\\\cdots\\\cdots\\x(k+N|k)\end{array}\right)^T \\ &\left.+U_k^T\left(\begin{array}{rrrrr}R&&&&\\&R&&&\\&&R&&\\\cdots&\cdots&\cdots&\cdots&\cdots\\&&&&R\end{array}\right.\right)U_k \end{aligned}$

即

$J=X_k^T\overline{Q}X_k+U_k^T\overline{R}U_k$

进一步可以化简为

J=x{_k}^TGx{_k}+U_k^THU_k+2x{_k}^TEU_k

其中$M^T\overline{Q}M=G,M^T\overline{Q}C=E,C^T\overline{Q}C+\overline{R}=H$。

该代价函数可以利用二次规划进行优化。

三、代码实践

问题：

1、MPC_Test.m

%% 清屏clear ; close all; clc;%% 加载 optim package,若使用matlab，则注释掉此行pkg load optim;%%%%%%%%%%%%%%%%%%%%%%%%%%%% 第一步，定义状态空间矩阵%% 定义状态矩阵 A, n x n 矩阵A = [1 0.1; -1 2];n= size (A,1);%% 定义输入矩阵 B, n x p 矩阵B = [ 0.2 1; 0.5 2];p = size(B,2);%% 定义Q矩阵，n x n 矩阵Q=[100 0;0 1];%% 定义F矩阵，n x n 矩阵F=[100 0;0 1];%% 定义R矩阵，p x p 矩阵R=[1 0 ;0 .1];%% 定义step数量kk_steps=100; %% 定义矩阵 X_K， n x k 矩 阵X_K = zeros(n,k_steps);%% 初始状态变量值， n x 1 向量X_K(:,1) =[20;-20];%% 定义输入矩阵 U_K， p x k 矩阵U_K=zeros(p,k_steps);%% 定义预测区间KN=5;%% Call MPC_Matrices 函数 求得 E,H矩阵 [E,H]=MPC_Matrices(A,B,Q,R,F,N);%% 计算每一步的状态变量的值for k = 1 : k_steps %% 求得U_K(:,k)U_K(:,k) = Prediction(X_K(:,k),E,H,N,p);%% 计算第k+1步时状态变量的值X_K(:,k+1)=(A*X_K(:,k)+B*U_K(:,k));end%% 绘制状态变量和输入的变化subplot  (2, 1, 1);hold;for i =1 :size (X_K,1)plot (X_K(i,:));endlegend("x1","x2")hold off;subplot (2, 1, 2);hold;for i =1 : size (U_K,1)plot (U_K(i,:));endlegend("u1","u2")

2、MPC_Matrices.m


function  [E , H]=MPC_Matrices(A,B,Q,R,F,N)n=size(A,1);   % A 是 n x n 矩阵, 得到 np=size(B,2);   % B 是 n x p 矩阵, 得到 p%%%%%%%%%%%%M=[eye(n);zeros(N*n,n)]; % 初始化 M 矩阵. M 矩阵是 (N+1)n x n的， % 它上面是 n x n 个 "I", 这一步先把下半部% 分写成 0 C=zeros((N+1)*n,N*p); % 初始化 C 矩阵, 这一步令它有 (N+1)n x NP 个 0% 定义M 和 C tmp=eye(n);  %定义一个n x n 的 I 矩阵%　更新Ｍ和Cfor i=1:N % 循环，i 从 1到 Nrows =i*n+(1:n); %定义当前行数，从i x n开始，共n行 C(rows,:)=[tmp*B,C(rows-n, 1:end-p)]; %将c矩阵填满tmp= A*tmp; %每一次将tmp左乘一次AM(rows,:)=tmp; %将M矩阵写满end % 定义Q_bar和R_barQ_bar = kron(eye(N),Q);Q_bar = blkdiag(Q_bar,F);R_bar = kron(eye(N),R); % 计算G, E, HG=M'*Q_bar*M; % G: n x nE=C'*Q_bar*M; % E: NP x nH=C'*Q_bar*C+R_bar; % NP x NP end

3、Prediction.m


function u_k= Prediction(x_k,E,H,N,p)U_k = zeros(N*p,1); % NP x 1U_k = quadprog(H,E*x_k);u_k = U_k(1:p,1); % 取第一个结果end

四、应用总结

模型预测控制(Model Predictive Control, MPC)是一种先进的闭环控制算法，它通过建立系统的数学模型，预测未来一定时间内的系统状态，并基于优化算法计算出最优控制信号。MPC具有以下优缺点：

优点：

  1. 高精度控制：除了考虑当前系统状态外，还能预测未来一段时间的系统状态，因此可以更精确地控制系统；

  2. 鲁棒性强：MPC可以通过修改控制器优化问题的约束来应对外部干扰和不确定性，提高控制系统的鲁棒性；

  3. 可处理复杂系统：MPC可以建立各种复杂系统的数学模型，并通过计算机算法进行优化，适用于多变量、非线性系统等；

  4. 可满足控制要求：MPC可以将多个控制要求统一优化，因此可以满足多个控制目标同时达到。

缺点：

  1. 计算复杂：MPC优化问题通常是一个非凸、非线性的问题，要求大量的计算资源和高效的算法，导致计算复杂度很高；

  2. 运行速度慢：由于计算复杂度高，MPC的运行速度相比其他控制算法要慢很多，因此只能应用于响应速度要求不高的稳态控制系统；

  3. 受模型误差影响：MPC算法是基于系统模型来进行优化的，因此系统模型误差会直接影响算法控制效果。因此，建立准确的系统模型是MPC算法应用的关键。

MPC主要还是应用在控制领域，在自动驾驶、无人机飞行控制、平衡车的控制、四足控制中有着广泛的应用。MPC这种将优化与控制结合的思想也许可以用在更多领域。

参考资料：

【【MPC模型预测控制器】1_最优化控制和基本概念】 https://www.bilibili.com/video/BV1cL411n7KV/?share_source=copy_web&vd_source=24db73a73cddacddda48febd1ffc28ef

网络资料等。

这篇关于MPC模型预测控制理论与实践的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/459067。

相关文章

Spring Security 基于表达式的权限控制

Spring Security 基于表达式的权限控制

前言 spring security 3.0已经可以使用spring el表达式来控制授权，允许在表达式中使用复杂的布尔逻辑来控制访问的权限。 常见的表达式 Spring Security可用表达式对象的基类是SecurityExpressionRoot。 表达式描述hasRole([role])用户拥有制定的角色时返回true （Spring security默认会带有ROLE_前缀）,去
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...
2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源：安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供，流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材，流动式起重机司机大纲整理而成（含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析），掌握本资料和学校方法，考试容易。流动式起重机司机考试技
阅读更多...
Retrieval-based-Voice-Conversion-WebUI模型构建指南

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI（简称 RVC）模型是一个基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）的简单易用的语音转换框架。 具有以下特点 简单易用：RVC 模型通过简单易用的网页界面，使得用户无需深入了
阅读更多...
透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

引言 随着时间的发展，大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用，随着人们期望的不断增加，目标也发生了巨大的变化。在短短的几个月的时间里，人们对大模型的认识已经从对其zero-shot能力感到惊讶，转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构（例如Transformer）对海量的、多种多样的数据分布进行建模得到，它包含了大量的先验
阅读更多...
图神经网络模型介绍（1）

图神经网络模型介绍（1）

我们将图神经网络分为基于谱域的模型和基于空域的模型，并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络：谱图卷积网络、切比雪夫网络和图卷积网络。 （1）谱图卷积网络 卷积定理：函数卷积的傅里叶变换是函数傅里叶变换的乘积，即F{f*g}
阅读更多...
秋招最新大模型算法面试，熬夜都要肝完它

秋招最新大模型算法面试，熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候，不知道面试完会不会复盘、总结，做笔记的习惯，这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助，都附有完整答案，熬夜也要看完，祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
阅读更多...
【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入（Embedding）方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节：嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”，它将文本中的单词或短语转换成计算机能够理解的数学形式，即向量。 正如翻译机将一种语言
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2