详细内容或原文请订阅后点击阅览
模型预测控制基础
与Python和Casadithe Post Model Predictive Control Basics的动手教程首先出现在数据科学上。
来源:走向数据科学快速
在本文中，我们将：
1。简介
模型预测控制（MPC）是一种流行的反馈控制方法，其中有限的最佳控制问题（OCP）在每次迭代中都具有更新的测量状态，可以进行有限的摩托原子最佳控制问题（OCP）。
使用植物的模型来找到对所考虑的有限视野的最佳开环控制。由于该模型无法捕获真正的植物的行为100％，并且由于在现实世界中，系统受到噪声和干扰的影响，因此仅应用最佳开放环控制的第一部分，并定期测量国家重新解决OCP。这关闭了循环并创建反馈。
模型 测量 反馈它背后的数学是相对简单和直观的（尤其是与强大的控制之类的东西相比），并且很容易编码MPC控制器。其他优点是，它可以有效地处理对状态和控制的硬性和软限制（严格的约束是严格的，而软限制是通过成本函数的惩罚来执行的），并且通常可以在具有非convex限制的非线性系统上使用（根据当然这些是多么讨厌！）。唯一的骗局是您需要实时“在线”“在线”解决优化问题，如果您控制快速系统或具有有限的计算资源，这可能是一个问题。
1.2运行示例
在整篇文章中，我将考虑具有零订单保留控制（即分段常数控件）的双集成符，作为代码中的运行示例。连续的时间系统读取：
\ [\ begin {align*} \ dot x _1（t）＆= x_2（t），\\\ dot x _2（t）＆= u（t），\ end {align*} \]
with \（t \ in \ mathbb {r} \）表示时间。这里\（x_1（t）\ in \ mathbb {r} \）是位置，而\（x_2（t）\ in \ mathbb {r} \）是速度。您可以将此系统视为在无摩擦表上滑动的1公斤块，并使用\（u（t）\）施加的力。
位置 速度。with \（k \ in \ mathbb {z} \），其中，
在其中，
状态 opti