在线算法的改进

在实际应用中，由于被控对象的时变、非线性、外界干扰等因素的影响，对象的参数往往很难精确得到，因此在实施GPC算法时，需要在线估计控制对象的参数，用于设计控制器。由于GPC算法中控制增量的计算涉及到矩阵求逆，因而在线计算量相当大。一些学者针对这一问题进行了研究，来减少算法的计算量。在提出 GPC算法时，给出了递推求解 Diophantine方程的方法；利用参数辨识的结果直接求解控制器，不用求解 Diophantine方程 ,减少了计算量；采用递推的方法建立预测模型，避免了求解 Diophantine方程，且算法不受多项式稳定的限制；袁著祉老师提出的递推广义预测控制器中给出了逆矩阵的递推算法，减少了计算量，同时该文还采用递推平方根法取代最小二乘法估计参数，改善了估计精度；根据待求逆矩阵中元素排列的特殊性，给出了求解逆矩阵的递推算法，进一步减少了计算量，其求逆计算量仅为通常的增广矩阵法的 30 % ；还提出了在性能指标函数中引入特殊的下三角加权矩阵，避免求解逆矩阵的算法，但算法对加权下三角矩阵的选择有一定的要求，提出了并行结构分解的算法，提高了在线计算效率。这些算法都是从减少计算量的角度来改进算法 ,以进一步满足实时控制的需要。另一种节省在线计算时间的算法是并行算法。慕德俊等分别针对状态空间模型和输入输出模型，采用递推的方法 ，将 GPC化为解 Ric-cati方程 ,基于脉冲阵列结构，提出了参数辨识的并行方法，给出的 GPC并行算法的最小二乘估计中的计算可并行 ，计算中 i对 j 可并行，求解 Doiphantine方程中，E和 F的计算可并行；此外还有将辨识与控制分离的 GPC算法。.这些并行算法提高了 GPC的实时性，为 GPC的实际应用打下了理论基础。

广义预测极点配置控制算法

为了保证闭环系统的稳定性，1987年，Lelic和 Tarrop结合极点配置算法，提出了广义极点配置自校正控制器 ，使闭环系统具有较好的控制性能；在性能指标函数中采用了加权系数，通过选择适当的加权系数来使闭环系统的极点配置在预先指定的位置，来改善系统的性能；通过在线选择加权项进行极点配置 ,避免 GPC的在线求逆；利用 GPC和极点配置，侧重系统的跟踪特性、自适应能力、降阶建模和鲁棒性，给出了广义预测极点配置的实际应用例子。

稳定广义预测控制算法

稳定广义预测控制算法（Stable Generalized Predictive Control，SGPC）是由Kouvaritakis等提出的一种控制方法．该方法是针对广义预测控制（GPC）算法缺乏稳定性保证而提出的一种改进算法。SGPC首先通过引入一种反馈控制结构，以此来简化系统内部的某些关键变量之间的关系，然后通过优化目标函数找到参考时域内的最优参考信号序列，从而得到控制量的增量．该方法通过对未来参考信号的约束，间接实现了对未来系统输出的约束，进而保证系统的稳定性。

与其它最优控制相结合的 GPC算法

各种传统的控制方法以及优化控制都有其自身的优点，将这些算法与广义预测控制相结合，扬长避短，有助于进一步改善控制系统的特性.由于传统的 PID控制算法简单，易于实现，至今仍在大量的控制过程中得到广泛的应用。将 PID算法与 GPC相结合的研究成果有采用了 PI型的性能指标的 PI型广义预测控制算法、炼油装置加热炉出口温度的 GPC-PID串级控制算法等；将神经网络、 PID和 GPC有机地结合在一起 ，提出了基于 BP网络的PID型预测控制器。神经网络在并行计算和处理非线性系统方面有其独特的优越性。将神经网络用于 GPC的研究成果有利用 Tank-Hopfield网络处理 GPC矩阵求逆的算法、基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的 GPC算法、基于 GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预测控制算法等。

GPC算法的稳定性和鲁棒性分析大多依赖于计算机仿真和实际控制其理论分析还相当缺乏，这是由于 GPC引入了多步预测和柔化作用以及 GPC算法本身的特殊性，使广义预测控制系统的分析相当复杂。分析结果都是在一定的条件下得出的。

当预测模型没有建模误差时， Clarke等人从状态空间的角度对 GPC的稳定性进行了分析，认为当开环系统能稳可测时，通过选择适当的参数，可以使闭环系统在有限时域内稳定，并产生稳定的状态最小拍控制；当预测长度趋近无穷大时，闭环系统稳定，但算法的计算量将随预测长度的增加而呈指数倍增长，这就要求预测长度在适当的范围之内，因此在一般情形下， GPC算法并不一定能保证系统的闭环稳定性。针对这个问题，众多学者进行了大量的研究，有些学者通过对算法的改进来保证系统的闭环稳定性，如上节中提到的各种稳定的广义预测控制算法；还有一些学者则直接从理论上来分析 GPC的稳定性，这些分析主要有两类：基于内模控制原理和状态空间分析。

基于内模控制原理

采用内模控制原理分析 GPC的稳定性以席裕庚等人为代表。将 GPC结构转换为内模结构，推导了控制器的表达式，认为 GPC系统的动态特性取决于控制器多项式的极点，GPC算法不改变系统的纯滞后或非最小相位特性；且当闭环系统稳定时， GPC可有效地抑制确定性的干扰；GPC最优控制的可解性，研究了系统闭环特性与设计参数的关系；给出了选择设计参数使 GPC闭环系统具有最小拍性质的结论，即在 p个周期后，系统的脉冲响应为 0，使系统 p拍后达到稳定；此外，席裕庚等人还分析了闭环系统的性质，讨论了闭环系统的阶次；并给出了根据阶跃响应来保证系统闭环稳定的参数设计条件。

状态空间分析

状态空间描述比较有利于系统的稳定性分析，在噪声强度不大和无结构型建模误差的条件下，GPC是一种性能优良、闭环稳定的算法，适用于阶次上界已知的对象，适用于时滞未知但上界已知的对象，适用于非最小相位系统，适用于能稳能测的开环不稳定系统，具有良好的跟踪和稳态性能，能抑制确定性干扰，优于极点配置、 LQG、广义最小方差控制器等算法；分析表明，若开环系统稳定，预测模型无偏差，则当预测长度足够大时，闭环系统稳定；分析了输入输出受限时的稳定性，给出了闭环稳定的条件；GPC增加的极点在 Z平面的原点上，在预测长度相同时，系统的稳定性与时滞无关；广义预测控制系统的状态空间结构，指出其实质是一种状态反馈，通过选择适当的控制器参数可以保证系统的闭环稳定性，指出闭环系统与开环系统有相同的阶次，它不改变系统的零点，但有助于克服纯滞后对系统闭环特性的影响；当系统时滞已知时，选择控制量加权系数为 0可保证最小相位系统闭环稳定，若参数摄动不改变系统的最小相位特性，则闭环系统鲁棒稳定。

鲁棒性是系统存在建模误差或摄动时的稳定性，对 GPC的鲁棒性分析成果包括最优性和稳定性的鲁棒性分析，有离散域和频域的。 Clarke对 GPC的鲁棒性作了简单的分析，但没有涉及到任意预测长度下的鲁棒性问题；GPC的强鲁棒性源于对系统建模误差的预测功能，认为若预测精度较高，预测时域长，则可改善 GPC的最优鲁棒性；同时GPC的稳定鲁棒性较经典的最优控制有了提高，它改善了系统的信噪比；采用输入输出模型，给出了保证 GPC鲁棒性的必要条件，认为噪声多项式是改善鲁棒性的重要因素；噪声滤波器对系统鲁棒性的影响，认为当模型无失配时，系统的稳定性与噪声多项式无关，当模型失配时，可通过选择噪声滤波器来改善系统的鲁棒性；对具有干扰、饱和输入和非线性未建模动态的系统进行了综合设计，给出了输入输出鲁棒稳定的充分条件减少反馈通道的增益有助于提高鲁棒性；根据小增益定理，从频域分析了系统的鲁棒性，给出了闭环系统鲁棒稳定的条件。

广义预测控制自问世以来，在复杂的工业过程控制中已显示了其良好的控制性能，展现了诱人的应用前景，但它还有许多问题有待进一步解决。

( 1) 广义预测自适应间接控制算法涉及到矩阵求逆，因此需要进一步改进在线算法，减少计算量；减少或消除直接算法中的假设条件，研究更适合实际应用的直接算法，并保证系统的可辨识性；

( 2) 加强各种约束条件下的 GPC算法研究，使算法更接近于实际对象的特性；

( 3) 对 GPC的分析中还很少考虑到在线辨识和滚动优化对系统稳定性和鲁棒性的影响，已有的成果也不完善.因此需要加强系统的稳定性分析和鲁棒性分析，在此基础上研究鲁棒性强的预测控制算法；并与各种优化控制相结合，进一步改善 GPC系统的特性；

( 4) 由于广义预测控制算法本身的特殊性和非线性系统的复杂多样，这方面的成果也较少。与神经网络、多模型控制、微分几何理论和微分代数理论等算法相结合，是非线性系统的GPC研究的有效途径之一；

( 5) 研究 GPC中参数的选择规律，将 GPC理论研究成果应用于实际过程控制，从实际应用中发现问题、分析问题、解决问题，推动 GPC理论的发展。