📚 课程目录第3章优化问题建模

3、优化问题建模：MPC中的目标函数、约束条件、决策变量、时域与预测时域设定

模型预测控制（MPC）的本质是在每一个控制周期内，基于当前系统状态和预测模型，在线求解一个有限时域约束优化问题。因此，优化问题的数学建模质量直接决定了MPC控制器的性能上限、鲁棒性以及求解器的实时性表现。本章将深入剖析MPC优化问题的四大核心要素——目标函数、约束条件、决策变量、时域设定，并结合求解器选型与调优的实战视角，讲解如何将这些要素转化为求解器可高效处理的标准形式。

上图展示了MPC优化问题建模的核心要素及其与求解器之间的映射关系。在实际工程中，我们往往需要将物理系统的控制需求（如跟踪设定值、抑制扰动、满足执行器物理极限）转化为一个数学上可求解、数值上稳定的二次规划（QP）或非线性规划（NLP）问题。下面我们将逐一展开每个要素的建模方法、工程考量与调优技巧。

3.1 决策变量：从控制增量到状态轨迹

核心原理：MPC中的决策变量是求解器需要计算出的未知数。在标准线性MPC中，决策变量通常选择为控制增量序列 Δu(k), Δu(k+1), ..., Δu(k+Nc-1)，其中 Nc 为控制时域。选择增量形式而非值形式，是因为增量形式天然包含积分作用，可以消除稳态误差，并且更容易施加执行器变化率约束。在更复杂的非线性MPC或鲁棒MPC中，决策变量可能扩展为包含状态变量 x(k+1)...x(k+Np) 的增广向量。

判断方法：决策变量的维度直接决定了求解器的计算复杂度。对于QP求解器，变量个数 n = Nc × m（m为输入维度）；若采用状态增广形式，则 n = (Np+1)×n_x + Nc×m。在选型时，若 n < 50，可选用积极集法；若 50 < n < 500，内点法或ADMM均可；若 n > 500，则必须考虑利用稀疏结构的一阶法或专用QP求解器。

实战经验：在车辆动力学控制中，若采用四轮转向+驱动力的综合控制，决策变量维度可能达到20-30个。此时若使用MATLAB内置的 quadprog（默认内点法），单步求解时间可能超过5ms，而使用OSQP（ADMM）可降至0.5ms以内。因此，决策变量维度的预估是求解器选型的第一步。

案例拆解：某无人机姿态控制MPC，状态量为 [roll, pitch, yaw, p, q, r]（6维），控制量为 [throttle, aileron, elevator, rudder]（4维）。取 Np=20, Nc=5，则决策变量为 Δu 序列，维度 n = 5×4 = 20。若采用状态增广，则 n = 21×6 + 5×4 = 146。显然，增量形式更适合嵌入式实时求解。

3.2 目标函数：性能指标与权重矩阵设计

核心原理：目标函数量化了控制性能的优劣。标准线性二次型（LQ）目标函数形式为：

J = Σ_{i=1}^{Np} [ (x(k+i)-x_ref)'·Q·(x(k+i)-x_ref) ] + Σ_{i=0}^{Nc-1} [ Δu(k+i)'·R·Δu(k+i) ] + ρ·ε²

其中 Q 为状态权重矩阵（半正定），R 为控制增量权重矩阵（正定），ρ 为松弛变量惩罚系数，ε 为软约束松弛变量。权重矩阵的设计直接反映了控制目标的优先级：例如，在温度控制中，若希望快速升温且超调小，则增大温度偏差对应的Q值；若希望执行器动作平缓，则增大R值。

操作流程：权重矩阵的整定通常遵循以下步骤：

归一化处理：将不同量纲的状态量除以各自的最大允许偏差，使权重无量纲化。
初始权重设定：令 Q = diag(q1, q2, ...)，R = diag(r1, r2, ...)，初始取 qi = 1，ri = 0.1。
仿真调优：在仿真环境中调整权重，观察响应曲线，遵循“先调Q后调R”的原则。
鲁棒性验证：在模型失配或外部扰动下，检查权重是否导致控制量饱和或振荡。

权重矩阵	物理意义	调大后的效果	调小后的效果
Q（状态权重）	对状态偏差的惩罚	响应更快，超调增大	响应变慢，稳态误差可能增大
R（控制权重）	对控制动作的惩罚	控制动作更平缓，能耗降低	控制动作更激进，可能引起振荡
ρ（松弛权重）	对约束违反的惩罚	约束越难被违反，但可能引起抖动	约束更容易被违反，但数值稳定性好

常见误区：初学者常将Q矩阵设为对角阵且所有对角元素相等，忽略了不同状态量之间的耦合关系。例如，在四轮转向车辆中，横摆角速度与侧向加速度存在强耦合，若Q矩阵不包含交叉项，则无法有效协调两者。此时应使用完整的半正定矩阵，或通过状态变换解耦。

3.3 约束条件：硬约束、软约束与可行域

核心原理：约束条件分为硬约束（必须满足）和软约束（允许在惩罚下违反）。硬约束包括执行器饱和（u_min ≤ u ≤ u_max）、执行器变化率限制（Δu_min ≤ Δu ≤ Δu_max）、状态安全边界（如温度上限、压力上限）。软约束通常用于状态约束，因为状态约束在扰动下可能不可行，引入松弛变量 ε 可以保证优化问题始终有解。

判断方法：在建模时，需要区分哪些约束是“安全关键”的（必须硬约束），哪些是“性能期望”的（可软约束）。例如，化学反应釜的温度上限是安全约束，必须硬约束；而温度设定值附近的偏差范围可以设为软约束。此外，约束的线性化处理也至关重要：对于非线性约束（如 u² ≤ 1），需要在线性化工作点处进行泰勒展开，或使用非线性求解器。

  工程案例：某伺服电机位置控制MPC，电机最大电流为10A（硬约束），位置跟踪误差要求±0.1mm（软约束）。在建模时，将电流约束直接写入QP的 lb/ub 向量；位置误差约束则通过松弛变量 ε 引入目标函数。当电机遇到突加负载时，电流达到饱和，位置误差暂时超出软约束，但优化问题仍然有解，控制器不会崩溃。若将位置误差设为硬约束，则可能出现无解情况，导致控制器失效。

常见误区：约束过多或过紧会导致可行域过小，求解器迭代次数增加，甚至无解。建议在调试初期先放宽约束，确认控制器稳定后再逐步收紧。同时，注意约束的相容性：例如，u_max = 10 且 Δu_max = 0.1，若采样时间 Ts = 0.1s，则从0到10需要100步，若预测时域 Np = 20，则预测轨迹无法达到目标值，导致控制性能下降。

3.4 预测时域与控制时域：性能与计算量的平衡

核心原理：预测时域 Np 决定了控制器“看得多远”，控制时域 Nc 决定了控制器“有多少次调整机会”。Np 越大，控制器越有前瞻性，稳定性越好，但计算量线性增长；Nc 越大，控制自由度越高，但可能导致控制动作过于激进，且计算量增大。通常取 Nc = 1~5，Np = 10~30，且 Nc ≤ Np。

操作流程：时域设定的经验法则：

确定采样时间 Ts：根据系统带宽 ω_b，取 Ts = 1/(10~20)·ω_b。
设定预测时域 Np：使 Np·Ts 覆盖系统主导时间常数的3~5倍。例如，若系统时间常数为2s，Ts = 0.1s，则 Np = 60~100。
设定控制时域 Nc：从 Nc = 1 开始，逐步增加，观察性能改善程度。若 Nc 从1增加到3时性能提升明显，继续增加则改善甚微，则取 Nc = 3。

时域参数	取值过小	取值过大	推荐范围
Np	稳定性差，无法预见扰动	计算量大，模型失配影响增大	10~30（线性系统）
Nc	控制自由度不足，性能受限	控制动作激进，鲁棒性差	1~5（或Np的10%~20%）

调优实战：在过程控制（如精馏塔温度控制）中，系统时间常数可达数十分钟，Ts = 30s，Np = 40（覆盖20分钟），Nc = 3。此时QP问题规模为 n = 3×1 = 3（单输入），求解极快。但在机电伺服系统中，Ts = 1ms，Np = 20，Nc = 5，n = 5×2 = 10，仍需在1ms内完成求解，对求解器实时性要求极高。

总结复盘：优化问题建模是MPC落地的“最后一公里”。决策变量的选择决定了问题规模，目标函数权重决定了控制品质，约束条件决定了可行域与安全性，时域设定决定了动态性能与计算负载。四者相互耦合，需要联合整定。在求解器选型时，建议先建立小规模仿真模型，测试不同求解器（如OSQP、qpOASES、GUROBI）的求解时间与精度，再根据实际硬件资源确定最终方案。记住：建模时多花一小时，求解器调优时少花一周。