课程导入：MPC预测控制的基本概念、发展历程、工业应用价值

模型预测控制（Model Predictive Control，简称MPC）是过去四十年间过程控制领域最具影响力的先进控制技术之一。与传统的PID控制不同，MPC的核心思想是：基于被控对象的动态模型，在每一个采样时刻在线求解一个有限时域的最优控制问题，并将求解得到的控制序列的第一步作用于被控对象，然后在下一个采样时刻重复这一过程。这种"滚动优化、反馈校正"的机制，使得MPC能够天然地处理多变量耦合、系统约束和未来参考轨迹跟踪等复杂问题。本章作为整个课程的开篇，将系统梳理MPC的基本概念、发展脉络、工业应用价值，并给出本课程的学习路径与工具准备建议。

1.1 MPC的基本概念与核心原理

模型预测控制本质上是一种基于模型的先进控制策略，其核心思想可以概括为"预测—优化—校正"三个步骤的循环迭代。在每一个采样时刻，MPC控制器利用被控对象的动态模型，从当前状态出发，预测未来一段时间（预测时域）内系统在候选控制序列作用下的输出轨迹；然后，通过求解一个带约束的最优化问题，找到一组最优控制序列，使得预测输出尽可能接近期望参考轨迹，同时满足输入、输出和状态的各种约束；最后，仅将最优控制序列的第一步作用于被控对象，在下一个采样时刻重新进行预测和优化。

这种"滚动时域"的工作方式赋予了MPC几个显著优势：第一，它天然支持多输入多输出（MIMO）系统，能够直接处理回路间的耦合；第二，它能够显式地处理各种约束，如执行器饱和、安全限幅、产品质量边界等；第三，它具备前馈-反馈结合的特性，既能利用模型进行前馈补偿，又能通过反馈校正抑制模型失配和外部扰动。

核心原理的数学表达

考虑一个离散时间线性时不变系统，其状态空间描述为：

x(k+1) = A·x(k) + B·u(k)
y(k)   = C·x(k)

其中，x(k) ∈ Rⁿ为状态向量，u(k) ∈ Rᵐ为控制输入，y(k) ∈ Rᵖ为被控输出。MPC在每个采样时刻k，基于当前状态x(k)，求解如下有限时域最优控制问题：

min  Σ_{i=0}^{N-1} [ (y(k+i|k) - r(k+i))ᵀ·Q·(y(k+i|k) - r(k+i)) + u(k+i|k)ᵀ·R·u(k+i|k) ]
s.t. x(k+i+1|k) = A·x(k+i|k) + B·u(k+i|k)
     y(k+i|k)   = C·x(k+i|k)
     u_min ≤ u(k+i|k) ≤ u_max
     y_min ≤ y(k+i|k) ≤ y_max
     x(k|k) = x(k)

其中，N为预测时域，Q和R为加权矩阵，r为参考轨迹。求解该优化问题后，取最优控制序列的第一步u(k|k)作用于系统，然后在k+1时刻重复上述过程。这种"反复求解、只取第一步"的策略，使得MPC具备了闭环反馈特性，能够应对模型误差和外部扰动。

1.2 MPC的发展历程与主要流派

模型预测控制的发展可以追溯到20世纪70年代。1978年，Richalet等人提出了基于脉冲响应的模型算法控制（MAC）；1980年，Cutler和Ramaker提出了基于阶跃响应的动态矩阵控制（DMC）。这些早期的MPC算法主要应用于炼油和石化行业，因为这类过程具有明显的多变量耦合、大惯性和约束限制，传统PID难以取得满意效果。

进入80年代，Clarke等人提出了广义预测控制（GPC），引入了CARIMA模型和自适应机制，使得MPC能够更好地处理非最小相位系统和时变过程。与此同时，状态空间MPC的理论框架逐渐建立，为后续的稳定性分析和鲁棒性设计奠定了基础。90年代，Mayne、Rawlings等学者系统地研究了MPC的稳定性条件，提出了终端约束和终端代价函数的设计方法，使得MPC从"工程实用技术"上升为"具有严格理论保证的控制方法"。

进入21世纪，MPC的研究热点不断拓展：非线性MPC（NMPC）处理强非线性系统；鲁棒MPC（RMPC）应对模型不确定性；分布式MPC（DMPC）解决大规模互联系统的协调控制；显式MPC（explicit MPC）通过多参数规划将在线优化转化为查表问题，大幅降低了计算负担。近年来，随着嵌入式处理器算力的提升和高效QP求解器的发展，MPC已广泛应用于汽车、机器人、无人机、电力电子等快速动态系统。

1.3 MPC的工业应用价值

MPC之所以在工业界获得广泛认可，根本原因在于它能够直接处理实际工程中最棘手的三个问题：多变量耦合、硬约束和优化目标。在炼油厂的常压蒸馏塔中，多个产品质量指标（如石脑油干点、柴油凝点）相互耦合，且受到进料流量、塔顶温度、回流量等多个操作变量的影响。传统PID回路间存在严重的相互干扰，而MPC通过集中优化，能够同时协调多个回路，实现整体最优。

在约束处理方面，MPC的优势尤为突出。例如，在化学反应器中，反应温度必须严格控制在安全范围内，同时催化剂活性要求温度不能过低，而产品质量要求温度波动尽可能小。MPC可以在优化目标中同时纳入这些约束，在保证安全的前提下追求最优性能。相比之下，PID只能通过限幅或分段控制来近似处理约束，效果远不如MPC的显式约束优化。

从经济效益角度看，MPC的应用通常能带来1%-5%的产能提升或能耗降低。以一套年产值10亿元的石化装置为例，即使仅提升1%的产能，年收益增加也达到1000万元，而MPC项目的实施成本通常在几十万到几百万元之间，投资回报率非常可观。这也是为什么大型流程工业企业（如中石化、巴斯夫、壳牌）普遍将MPC作为标准配置。

1.4 本课程学习路径与工具准备

本课程共30章，按照"原理→设计→实现→应用"的逻辑组织内容。前8章聚焦MPC的理论基础，包括状态空间模型、预测原理、优化问题建模、约束处理、稳定性分析等；第9-16章深入各类MPC变体，如DMC、GPC、非线性MPC、鲁棒MPC、显式MPC等；第17-24章转向工程实现，包括QP求解器选型、嵌入式部署、代码生成、硬件在环仿真等；第25-30章通过完整案例（如车辆轨迹跟踪、无人机控制、温度控制、四水箱实验平台等）将前面积累的知识融会贯通。

在学习工具方面，本课程主要使用Python和MATLAB两种语言。Python生态中，NumPy和SciPy提供基础的数值计算能力，CasADi和do-mpc是专门用于MPC建模与求解的库，OSQP和qpOASES是高效的QP求解器，matplotlib用于结果可视化。MATLAB方面，Model Predictive Control Toolbox提供了完整的MPC设计、仿真和代码生成功能，适合快速原型验证。建议学习者同时掌握两种工具：用MATLAB快速验证算法思路，用Python进行深度定制和嵌入式部署。

# Python环境推荐安装包（建议使用conda创建虚拟环境）
conda create -n mpc python=3.10
conda activate mpc
pip install numpy scipy matplotlib control
pip install casadi osqp qpsolvers
pip install do-mpc  # 可选，用于快速MPC原型

对于MATLAB用户，建议安装R2022b或更高版本，并确保安装了Model Predictive Control Toolbox和Optimization Toolbox。如果条件允许，可以额外安装Simulink用于后续的硬件在环仿真。

学习建议与常见误区

在学习MPC的过程中，初学者容易陷入几个误区。第一个误区是"重算法轻模型"——认为只要MPC算法实现正确就能获得好的控制效果，而忽视了被控对象建模的重要性。事实上，模型失配是MPC性能下降的首要原因，本课程将在第5章和第14章专门讨论模型辨识与鲁棒设计。第二个误区是"盲目追求最优"——MPC的优化目标函数中Q和R矩阵的选取需要结合工程经验，过大的Q会导致控制过于激进，过大的R则会使响应过于迟缓，本课程第7章将给出系统的整定方法。第三个误区是"忽视计算效率"——在实际部署中，MPC的在线求解必须在采样周期内完成，否则会导致控制失效，本课程第20章将专门讨论实时求解技术。

为了帮助学习者建立直观感受，我们以一个简单的双容水箱液位控制为例进行说明。假设两个串联水箱的截面积分别为A₁=0.5m²和A₂=0.3m²，入口流量q_in为控制输入，第二个水箱的液位h₂为被控输出，两个水箱之间的连接管路存在阻力。该系统的状态空间模型为：

dh₁/dt = (q_in - k₁·√h₁) / A₁
dh₂/dt = (k₁·√h₁ - k₂·√h₂) / A₂

其中k₁和k₂为流量系数。这是一个典型的非线性MIMO系统（虽然此处简化为SISO），且存在执行器饱和约束（q_in ∈ [0, 0.02] m³/s）和液位安全约束（h₂ ≤ 1.2m）。使用PID控制时，由于系统的非线性和约束，很难在所有工况下获得一致的良好性能；而使用MPC，只需在优化问题中显式加入这些约束，即可在保证安全的前提下实现快速、无超调的液位跟踪。本课程第26章将完整实现该案例的MPC控制器。