简介《Model Predictive Control: Theory, Computation, and Design》第二版是控制工程领域的经典MPC教材面向控制专业学生、研究人员与工程师帮助读者系统掌握预测控制的理论基础、数值求解与控制器设计方法。全书围绕动态模型构建、优化问题设定与约束处理展开并新增第8章「数值最优控制」介绍MPC优化问题的数值求解思路同时涉及参数整定、稳定性分析与鲁棒性等实践议题配套实例可与Matlab环境下的建模、仿真与工具箱实现相衔接。资源包为1个PDF文件大小约5.66MB单文件即完整覆盖上述章节内容便于检索与随身阅读。目前已有383人学习下载适合作为MPC入门打基础与进阶查阅的常备参考书。1. 模型预测控制的知识地图从“滚动优化”到“闭环稳定性”的一条主线很多人第一次接触模型预测控制MPC会把它当成“带约束的 LQR”或者“在线解一个优化问题”于是把注意力全放在求解器上结果一写代码就翻车约束加了、权重调了闭环却抖得厉害或者干脆不可行。问题不在求解器而在于没抓住 MPC 的主线——它本质上是一个用有限时域优化去逼近无限时域最优控制的框架所有理论都在回答同一个问题这个“近视”的控制器凭什么能保证闭环稳定、可行、抗扰动把这条主线画成地图MPC 的知识体系大致分四层最底层是预测模型与优化问题设定状态空间模型、目标函数、约束、终端条件往上是稳定性与可行性理论值函数、Lyapunov 论证、终端约束/终端代价、递归可行性再往上是鲁棒与随机扩展tube、bundle、场景、经济 MPC最上层是计算与实现数值最优控制、显式 MPC、状态估计、分布式架构。这份第二版教材的章节结构几乎就是按这张地图铺开的第 1 章打系统与最优控制的地基第 24 章是稳定性、鲁棒性、状态估计三大基础第 57 章讲输出反馈、分布式、显式控制这些专门话题第 8 章补上数值求解这块“计算拼图”。复习时如果只按章节顺序读很容易把“终端代价为什么这么设”和“Hessian 怎么近似”割裂开按地图读才知道每一块在回答哪个问题。下面按模块拆开梳理重点标出容易漏的推导前提和工程上踩坑的地方。2. 基础三件套预测模型、目标函数与终端条件的设计要点2.1 预测模型与优化问题的标准形式MPC 的起点是一个离散时间模型最常见的是非线性状态空间形式x(k1) f(x(k), u(k)) y(k) h(x(k))在这个模型上MPC 在每个采样时刻求解一个有限时域最优控制问题OCP只执行第一个控制量然后滚动到下一步。标准形式可以写成minimize V_N(x, u) Σ_{i0}^{N-1} l(x_i, u_i) V_f(x_N) subject to x_{i1} f(x_i, u_i), i 0..N-1 x_i ∈ X, u_i ∈ U, i 0..N-1 x_N ∈ X_f x_0 x(k)这里每个符号都有讲究N是预测时域l是阶段代价通常二次型V_f是终端代价X_f是终端约束集。梳理下来会发现MPC 理论里绝大多数稳定性结论都是围绕V_f和X_f怎么选展开的——这两个量不是“调参玄学”而是有明确构造规则的。教材第 2 章把调节到原点的问题统一处理正是因为它把“终端条件如何保证稳定性”讲成了可复用的论证模板而不是逐个案例罗列。2.2 终端代价与终端约束稳定性的真正来源初学者最容易忽略的一点没有终端条件的 MPC即使每一步都解到全局最优也未必闭环稳定。原因很直白——有限时域最优不等于无限时域最优值函数V_N不一定是 Lyapunov 函数。教材采用的论证路线是构造终端代价V_f为某个局部控制器如 LQR的值函数并令终端集X_f在该控制器下正不变于是可以证明V_N沿闭环轨迹单调下降从而得到渐近稳定性。具体到实现常见两种终端设计终端设计构造方式优点代价终端等式约束x_N 0论证最简单可行域小时域需足够长终端不等式集 终端代价x_N ∈ X_fV_f取局部 LQR 值函数可行域大递归可行性好需离线算不变集与 Riccati 解无终端约束弱化仅靠长时域实现简单稳定性无保证需额外假设复习时要把“递归可行性”和“稳定性”分开记前者回答“这一步可行下一步还可不可行”后者回答“值函数是否下降”。两者用的假设不同考试和面试里经常被混为一谈。教材第二版把稳定性定义换成了更强的 KL 定义这一点在推导里会体现为对收敛速率的要求更明确读证明时别拿第一版的经典定义去套。2.3 经济 MPC 与离散执行器第二版新增的两个方向第二版在第 2 章补了经济 MPCeconomic MPC和离散执行器两块。经济 MPC 的核心变化是阶段代价不再取“到原点的距离”而是直接取经济指标于是最优稳态可能不在原点甚至不可达。这时稳定性论证要换成“最优稳态 耗散性”的框架教材里用“调节到不可达设定点”的说法来处理属于较新的研究内容。复习这块要抓住一个反直觉点经济 MPC 里“代价下降”不再天然等价于“状态收敛”必须额外证明平均性能界。离散执行器则更偏工程当u只能取有限档位开/关、几档阀门时优化问题变成混合整数规划在线求解代价陡增。教材的处理思路是把它纳入统一的约束框架并讨论松弛与分支的取舍。实际做项目时这一块最容易出的问题是“模型里连续、执行器离散”仿真好看、上机就抖属于典型的模型失配。3. 鲁棒与随机tube、bundle 与场景法到底在防什么3.1 鲁棒 MPC 的两种主流构造标称 MPC 假设模型精确现实里总有扰动w(k)模型变成x(k1) f(x(k), u(k)) w(k)且w属于某个紧集W。鲁棒 MPC 要保证的是对所有允许的扰动实现约束都满足、闭环都稳定。教材第 3 章的主线是用“轨迹管tube”或“轨迹束bundle”代替单条标称轨迹。tube 方法的思路可以概括为三步先算标称轨迹再离线算一个“误差不变集”把实际轨迹包住最后把原约束“收紧”一个不变集的量让标称问题在收紧后的约束下求解。写成伪代码就是# tube MPC 单步流程示意 z nominal_state(x_meas) # 1. 由测量状态定位标称状态 solve_ocp(z, tightened_constraints) # 2. 在收紧约束下解标称 OCP u u_nominal K_feedback(x_meas - z) # 3. 标称控制 局部反馈关键参数是收紧量它由误差不变集Z在状态/输入约束方向上的支撑函数决定算小了约束会破算大了可行域被吃掉、问题频繁不可行。这里最容易翻车的地方是把 tube 当成“加个反馈就鲁棒了”——局部反馈K必须使误差动态在W下保持不变集否则 tube 根本不成立。3.2 随机 MPC 与场景法概率约束不是“打折的硬约束”第二版在第 3 章新增了随机 MPC 的讨论。与鲁棒 MPC 的“最坏情况”不同随机 MPC 处理的是概率约束Pr(g(x,u) ≤ 0) ≥ 1 - ε。常见做法有两类一是把随机扰动传播成均值和协方差做确定性收紧保守但快二是场景法/采样法用有限个扰动样本近似概率约束。教材也提到第二版对随机 MPC 做了更新说明这块研究活跃、结论还在演进。复习时要分清三个概念硬约束、概率约束、期望约束。概率约束允许小概率越界期望约束只约束平均两者在安全性要求高的场景里不能混用。场景法的一个隐藏坑是样本数与置信水平的关系——样本太少概率保证是空的样本太多在线求解扛不住。这部分和后面第 8 章的数值方法直接挂钩。3.3 次优 MPC为什么“解不精确”也能稳第二版特别强调了一类“可证明鲁棒且计算可 tractable”的次优 MPC用于在线求解非凸问题。它的价值在于工业现场往往没时间解到最优如果每步只做有限次迭代稳定性还保不保教材给出的思路是用“下降条件”代替“最优性”——只要每步的值函数比上一步的某个上界下降足够多闭环稳定性仍可证。这条结论在工程上非常实用因为它把“求解精度”从硬指标变成了可设计的裕度。复习时建议把“最优性 → 下降性”这个替换记牢它是理解实时迭代RTI类方法的理论入口。4. 状态估计与输出反馈看不见的状态怎么补4.1 移动 horizon 估计MHE的定位MPC 假设状态可测但实际系统往往只有输出y。教材第 4 章以移动 horizon 估计为核心把状态估计写成一个滚动时域优化问题在最近N步的测量窗口内寻找一条最符合模型和测量的状态轨迹。它和 MPC 在结构上高度对称——一个是“滚动优化控制”一个是“滚动优化估计”这也是为什么两者常被放在一起讲。MHE 的优化问题大致是minimize Σ_{ik-N}^{k} ||y_i - h(x_i)||^2_{R^{-1}} ||x_{k-N} - x̂_{k-N}||^2_{P^{-1}} subject to x_{i1} f(x_i, u_i) w_i, w_i ∈ W这里P是先验协方差W是过程扰动集。第二版对“持续有界扰动下的 MHE 与全信息估计”做了大幅修订第三印又更新了一次说明这块的收敛性分析近年才趋于成熟。复习重点应放在估计误差的有界性依赖哪些假设可观测性、扰动有界、窗口长度而不是背公式。4.2 卡尔曼滤波族与粒子滤波的取舍教材同时覆盖扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF和粒子滤波。第二版把粒子滤波从正文移到了网站理由写得很实在采样策略在高维下遭遇维数灾难维度超过五左右估计就不准了。这个取舍本身就是一条复习提示——选估计器先看维度和非线性程度再看精度要求。EKF 线性化误差大但便宜UKF 对强非线性更稳粒子滤波适合低维、多峰分布但计算量随维度爆炸。4.3 输出反馈 MPC 的分离原则还成立吗第 5 章专门讲基于输出测量的 MPC。经典线性系统里“估计 控制”可以分离设计但在约束 MPC 里分离原则一般不成立因为约束和终端集都依赖状态估计误差会直接吃掉可行裕度。教材的处理是把估计误差纳入鲁棒框架用“估计误差集”去收紧约束思路和第 3 章的 tube 一脉相承。这里最容易漏的是估计器与控制器共用同一个模型时模型误差会被重复计算导致过度保守。实际调参时要么统一误差预算要么在仿真里显式注入模型失配来验证。5. 计算与架构数值最优控制、显式 MPC 与分布式5.1 数值最优控制MPC 在线求解的“发动机”第二版新增的第 8 章是整本书的计算核心由数值优化方向的作者共同撰写。它建立在两个领域之上微分方程仿真和数值优化。仿真部分只做简要回顾重点放在优化侧导数计算、Hessian 近似、不等式处理以及如何利用 OCP 的特殊结构稀疏性、阶段结构来加速。直接单打single shooting与多重打靶multiple shooting的差别是这章最该记牢的对比方法决策变量优点缺点单打仅控制序列变量少对非线性敏感仿真不稳定则优化失败多重打靶控制 各段状态数值稳定可并行变量多需处理连续性约束配点法控制 配点状态精度高适合刚性系统实现复杂稀疏结构要求高代码层面教材配套软件基于 CasADi 加一层 Octave/MATLAB 接口MPCTools用来求解书中的算例和习题。复习时不必纠结具体 API但要理解“自动微分 稀疏结构 热启动”这三件事为什么决定了 MPC 能否实时。一个常见误区是拿通用 NLP 求解器直接怼 OCP结果每步几百毫秒根本进不了毫秒级采样周期。5.2 显式 MPC把在线优化搬到离线第 7 章讲约束线性系统的显式最优控制。核心结论是对线性系统加多面体约束MPC 的最优控制律是状态空间上的分段仿射函数可以离线把状态空间划分成若干临界区域critical regions在线只需查表定位。第二版还配了计算临界区域的软件。显式 MPC 的适用边界要记清状态维度和约束数量一上去区域数量指数增长存储和查表都吃不消。所以它适合低维、快采样的场景比如某些嵌入式控制。复习时把“离线分区 在线查表”和“在线数值优化”当成两条互补路线而不是谁替代谁。5.3 分布式 MPC大系统拆开之后的一致性第 6 章讨论大规模系统的分布式 MPC第二版新增了非线性系统的分布式版本。基本设定是系统由多个相互作用的子系统组成每个子系统有自己的局部优化问题通过交换边界信息如耦合变量、对偶变量迭代协调。教材覆盖的架构包括分布式、去中心化与分层协调。这块的重点难点在于收敛性与可行性的传递局部问题各自可行不代表协调后的全局解可行迭代没收敛就执行可能破坏约束。工程上常见的做法是固定迭代次数加安全回退理论上的对应就是第 3 章那套“次优但可证”的思路。复习时把分布式 MPC 和次优 MPC 连起来看会发现它们共享同一个哲学不追求每步最优追求每步可证安全。6. 易漏点清单五个最容易在复习和实操中翻车的地方易漏点一把“可行”当成“稳定”。为什么漏教材里可行性和稳定性常在同一节出现读快了就以为是一回事。怎么补单独整理一张表左边列递归可行性的假设终端集正不变、约束收紧右边列稳定性的假设值函数下降、KL 界逐条对照确认每条假设服务哪个结论。易漏点二终端代价随便取二次型。为什么漏很多教程只写V_f x^T P x不解释P从哪来。怎么补记住P应取终端控制器对应的 Lyapunov 方程解如 LQR 的 Riccati 解并验证终端集在该控制器下正不变否则稳定性证明链断在第一环。易漏点三鲁棒 MPC 的约束收紧量凭感觉。为什么漏tube 的推导里支撑函数一笔带过实现时容易拍脑袋。怎么补从误差不变集出发按约束方向逐维算收紧量并在仿真里注入边界扰动验证收紧量偏小会越界偏大会频繁不可行两头都要试。易漏点四状态估计误差没进约束预算。为什么漏输出反馈章节和鲁棒章节分开读忘了估计误差也是一种扰动。怎么补把估计误差集并入 tube 的误差集统一收紧仿真时故意让初始估计偏一大截看闭环是否还守约束。易漏点五数值求解只看“解出来没有”不看“结构用没用上”。为什么漏第 8 章的稀疏性、热启动容易被当成实现细节跳过。怎么补对比一次“通用求解器”和“利用 OCP 结构”的求解时间记录迭代次数与导数计算耗时如果每步耗时随N线性暴涨多半是没利用稀疏结构。7. 复习路线与查漏补缺一张按周推进的自检表把这本书当复习材料最有效的方式不是从头读到尾而是按“理论—鲁棒—估计—计算”四段推进每段配一个可自检的小任务。下面这张表可以直接抄去当周计划每完成一行就打个勾卡住的那一行就是你的漏点所在。阶段覆盖章节自检任务卡住说明什么地基第 1 章不看书画出 LQR 与 Kalman 滤波的推导主线说明哪些论证能推广到非线性约束情形系统理论基础不牢先补最优控制稳定性第 2 章给定一个终端集手推递归可行性与值函数下降两步混淆了可行与稳定回看第 6 章易漏点一鲁棒第 3 章对一个二维系统算误差不变集与约束收紧量tube 构造没吃透重做支撑函数推导估计第 4、5 章比较 MHE 与 EKF 在同一组带噪数据上的估计误差没抓住“有界扰动”假设的作用计算第 8 章用配套工具跑一个算例记录单步求解时间与迭代次数稀疏结构或热启动没用上专门话题第 6、7 章说清显式 MPC 区域数随维度增长的趋势以及分布式迭代不收敛时的回退策略只记了结论没记适用边界具体到每天怎么用先用半天把某一章的假设清单默写出来再花半天做章末习题里带数值计算的那几道教材有 200 多道习题配套软件能跑通大部分算例。做题时强制自己写三行注释——这步用了哪条假设、哪个参数对应哪个物理量、如果假设不成立会怎样。这三行注释比多做十道题管用因为它逼你把“公式”翻译回“条件”。查漏补缺的另一个技巧是反向提问拿到一个稳定性结论先问“如果去掉终端约束会怎样”再问“如果扰动集换成无界的会怎样”最后问“如果求解只迭代一次会怎样”。这三个问题分别对应第 2、3、8 章的核心假设能答上来说明你不是背结论而是握住了论证的骨架。我自己的血泪经验是早年复习时把终端代价当成一个可调权重仿真里调得闭环挺好看一加约束就震荡回头才发现P根本不是 Lyapunov 方程的解稳定性从第一步就是假的。从那以后我每次碰 MPC 的终端设计都强制走一遍“终端控制器 → 不变集 → 值函数下降”这三步验证哪怕只是写个两行注释。希望这份梳理能帮到你把地图装进脑子再逐块填细节。本文还有配套的精品资源点击获取