4、优化问题分类：线性规划(LP)、二次规划(QP)、非线性规划(NLP)、混合整数规划(MIQP/MINLP)在MPC中的应用

模型预测控制（MPC）的核心在于每一控制周期内求解一个有限时域优化问题。这个优化问题的数学结构——目标函数形式、约束类型、决策变量属性——直接决定了求解器的选型、计算耗时、收敛特性以及最终的控制品质。本章将系统梳理LP、QP、NLP、MIQP/MINLP四类优化问题在MPC中的适用场景、数学特征、求解器匹配策略与工程调优要点，帮助工程师在“控制性能”与“实时可行性”之间做出理性权衡。

上图展示了MPC优化问题分类的全景决策逻辑。实际工程中，超过80%的线性MPC应用最终归结为QP问题，而LP多用于经济优化层或超高速回路，NLP和混合整数规划则用于处理强非线性或逻辑切换场景。下面逐一展开各类问题的数学本质、求解器匹配与实战调优方法。

4.1 线性规划（LP）在MPC中的应用

核心原理

LP问题的标准形式为：目标函数为线性函数，约束条件为线性等式或不等式。在MPC框架下，LP通常用于以下两类场景：（1）经济MPC（EMPC），以经济指标（如能耗、产量、利润）为优化目标，而非跟踪误差；（2）超高速回路，如电力电子变换器控制，采样周期在微秒到毫秒级，需要极简的优化模型。LP的数学表达为：

min  J = c^T * u
s.t. A * u ≤ b
     Aeq * u = beq
     lb ≤ u ≤ ub

其中u为决策变量（通常为控制增量或操纵变量），c为成本系数向量。LP的全局最优解一定在可行域的顶点处取得，这为求解器提供了高效的搜索路径。

判断方法

• 目标函数线性化：如果MPC的目标函数可以写成值形式（如L1范数）或线性加权和，且预测模型为线性状态空间方程，则可转化为LP。
• 约束条件：所有约束（输入限幅、输出限幅、变化率约束）均为线性不等式。
• 无二次型惩罚：如果对控制误差的惩罚不需要平方项（即不需要抑制大幅偏差），LP是合适选择。

案例拆解：炼油厂催化裂化装置的经济MPC

某炼油厂FCCU装置采用经济MPC，目标为最大化汽油产率同时满足产品规格约束。原QP方案每周期求解耗时约35ms，在DCS系统上存在超时风险。工程师将目标函数从二次型跟踪误差改为线性经济指标（汽油价格×产率 - 能耗成本），并将预测模型保持线性。改造后LP求解耗时降至4ms，控制周期从1s缩短至200ms。关键参数对比：

复盘发现，LP方案虽然牺牲了误差平方惩罚带来的“大偏差快速抑制”特性，但通过增加一个线性软约束项（对超限的惩罚系数），在保持经济最优的同时满足了安全约束。

4.2 二次规划（QP）——标准MPC的默认选择

核心原理

QP问题具有二次目标函数和线性约束，是线性MPC的标准数学形式。其目标函数通常为：

min  J = (y-y_ref)^T * Q * (y-y_ref) + Δu^T * R * Δu
s.t. x(k+1) = A*x(k) + B*u(k)
     y(k) = C*x(k)
     u_min ≤ u ≤ u_max
     Δu_min ≤ Δu ≤ Δu_max
     y_min ≤ y ≤ y_max

QP的凸性（当Q≥0, R>0时）保证了全局最优解的存在性和唯一性，且求解算法（内点法、主动集法、交替方向乘子法ADMM）成熟高效。对于中等规模问题（决策变量数在10~200之间），现代求解器可在1~10ms内完成求解。

判断方法与求解器选型

实战调优要点

• 权重矩阵整定：Q矩阵决定跟踪优先级，R矩阵抑制控制动作幅度。建议先令R=0.1*I，观察闭环响应，再逐步增大R直到控制动作不再抖动。
• 软约束处理：输出约束（如温度上限）应使用软约束（引入松弛变量ε），避免因模型失配导致可行域为空。松弛变量在目标函数中惩罚系数通常设为10^4~10^6。
• 温启动策略：利用上一周期的最优解作为当前周期的初始点，可减少约30%~50%的迭代次数。qpOASES和OSQP均支持温启动。

4.3 非线性规划（NLP）——处理强非线性系统的利器

核心原理

当被控对象具有显著非线性（如pH中和过程、聚合反应器、机器人动力学）时，线性预测模型无法满足控制精度要求，需直接在NLP框架下求解。NLP的数学形式为：

min  J = Σ ||y(k+i) - y_ref||²_Q + ||Δu(k+i)||²_R
s.t. x(k+i+1) = f(x(k+i), u(k+i))   % 非线性状态方程
     g(x, u) ≤ 0                     % 非线性约束

NLP求解的核心挑战在于非凸性——可能存在多个局部最优解，且求解时间不确定。常用算法包括序列二次规划（SQP）、内点法（IPOPT）、以及基于自动微分的CasADi框架。

判断方法与降维策略

• 非线性程度评估：计算开环响应的增益变化。若在工作点附近增益变化超过20%，建议考虑NMPC。
• 模型简化优先：在可能的情况下，通过反馈线性化、精确线性化或子空间辨识将系统转化为线性模型，避免直接求解NLP。
• 多工作点线性化：在不同工况点分别建立线性模型，使用增益调度MPC（LPV-MPC），兼顾非线性和实时性。

案例拆解：连续搅拌反应釜（CSTR）的NMPC实现

某CSTR过程存在强放热反应，温度-浓度耦合严重非线性。线性MPC在工况偏移超过15%时出现振荡。工程师采用CasADi+IPOPT实现NMPC：

1. 模型建立：使用一阶原理模型，包含物料平衡和能量平衡方程，共4个状态变量。
2. 求解配置：预测时域N=20，控制时域M=3，IPOPT设置max_iter=100，tol=1e-4。
3. 实时性优化：采用实时迭代（RTI）策略，将NLP求解拆分为准备阶段和反馈阶段，反馈阶段仅需一次SQP迭代。

实测结果：控制周期从1s延长至2s（因NLP求解需约300ms），但温度控制偏差从±3.5°C降至±0.8°C，产品合格率从92%提升至99.2%。代价是CPU占用率从15%升至60%，需选用更高性能控制器。

4.4 混合整数规划（MIQP/MINLP）——逻辑决策与模式切换

核心原理

当MPC需要处理离散决策变量时（如阀门开关、设备启停、模式切换），问题变为混合整数规划。MIQP（线性模型+二次目标+整数变量）和MINLP（非线性模型+整数变量）的求解复杂度远高于连续优化问题，属于NP-hard问题。其数学形式为：

min  J = (y-y_ref)^T Q (y-y_ref) + Δu^T R Δu + λ^T z
s.t. x(k+1) = A*x(k) + B*u(k) + F*z(k)   % z为整数变量
     z ∈ {0,1}^m
     u_min * z ≤ u ≤ u_max * z           % 逻辑约束

求解策略

工程降维方法

• 逻辑变量松弛：将整数变量松弛为连续变量（0~1），求解后取整，适用于对最优性要求不高的场景。
• 显式MPC：离线计算所有可行域的分段仿射控制律，在线仅需查表。适用于整数变量≤5的小规模问题。
• 事件驱动重构：将模式切换视为外部事件，由上层调度器决策，MPC仅处理连续变量。

案例拆解：建筑能源系统的MIQP优化

某商业建筑暖通空调系统包含2台冷水机组（启停状态为整数变量）和1个蓄冷水池（连续变量）。目标为在电价分时计费下最小化日运行成本。MIQP问题包含2个整数变量、8个连续变量、预测时域24h（步长1h）。使用GUROBI求解：

# 关键参数设置
m.setParam('TimeLimit', 10)      # 最长求解时间10s
m.setParam('MIPGap', 0.01)       # 最优性间隙1%
m.setParam('Threads', 4)         # 并行线程数

实际求解耗时约3.2s，MIPGap=0.8%，日运行成本较传统规则控制降低18.6%。但该问题无法在1s内实时求解，因此采用“滚动优化+事件触发”策略：每15分钟重新求解一次，并在电价变化或负荷突变时触发重算。

4.5 总结与选型决策框架

综合上述分析，MPC优化问题选型应遵循以下决策路径：

1. 第一步：判断模型线性度——若系统在工作范围内近似线性，进入第2步；否则考虑NLP或LPV-MPC。
2. 第二步：判断目标函数形式——若需要抑制大偏差且对误差平方敏感，选QP；若以经济指标为主且可接受线性目标，选LP。
3. 第三步：判断是否存在逻辑/整数决策——若存在，评估整数变量数量，≤5可尝试MIQP，否则考虑分解策略。
4. 第四步：实时性验证——在目标硬件上测试最坏情况求解时间，确保小于控制周期的80%。

最后需要强调，优化问题分类不仅是数学形式的选择，更是控制性能与计算资源之间的工程权衡。在绝大多数工业MPC应用中，QP是“性价比”最高的选择——它既能保证全局最优性，又能在嵌入式硬件上实现毫秒级求解。只有在QP无法满足控制品质要求时，才应升级至NLP或混合整数规划，并做好充分的实时性验证与故障保护设计。