之前的mpc方法说的都没错，但是执行起来看着就很复杂。 实际上，这种复杂来自于对非独立变量的省略（MPC问题中，独立变量只有控制输入），但是如果允许非独立变量的存在，设计过程将会被非常简明。

目前听到最多的一个争议是mpc可不可以用在实际的工业控制上。 在刚开始学的时候，听到很多朋友都和我说是不能的，但是随着我对MPC的深入学习，以及之前工作的经历，可以明确给出一个答案， 现在MPC是可以用在实际的工业控制，但是确实存在诸多问题！

模型预测控制（MPC）的强健版本可以在存在有界扰动的情形下，仍确保符合状态的限制条件。有三种主要的强健模型预测控制作法： Min-max模型预测控制。在此作法下，会考虑扰动的所有可能演变来进行最佳化。

提问者既然问电机控制里，现阶段，MPC还有什么可以做的，那就局限点讲… 1. 不同工况下的权重系数的选择，丹麦奥尔堡那边前阵子发了篇用神经网络选取最优权重的文章(可以学着水). 2. Data driven MPC，数据可以作为MPC模型或者模型中参数的一个补充(可以试着水). 3.

都是自由开源软件mpc的分支，除了界面不同、mpc-be不支持流媒体，功能和占用大同小异。 mpc是从winXP时代过来的古老windows软件了，主要靠解码和渲染滤镜一直更新维持生命力。2023年我更推荐使用mpv player。

显然，MPC的目标和Model based RL并不冲突，也就是technically speaking，MPC是RL的一个子问题而已。 ML的人厉害的地方在于，他们把他们搞的东西内涵定义的如此之广，其他领域的东西，也是他们的东西，其他领域有了进步，也能增加他们的荣光。

MPC的如果要想比其他算法有较明显的优势，M（model）的精确性最为关键，最近基于学习的MPC算法研究较为热门，主要就是要通过机器学习的方式来得到一个较为精确的模型，这方面的研究可以看一下苏黎世理工学院的一些文章和视屏，除了理论研究之外，他们还将他们的算法应用于大学生方程式赛车 ...

“MPC证明不了稳定性”或“MPC没有保证稳定性的构造方法”完全是个观念问题。可能有朋友想不明白，一个“数值算法”怎么能搞出稳定性呢？很可能是因为对Lyapunov函数理解不够透彻...是得你没看错。如果理解深度有限，看再多论文也只会一个论文一个方法 ...

mpc最大的特点在于，相对于 lqr控制 而言，mpc可以考虑空间状态变量的各种约束，而lqr，pid等控制只能够考虑输入输出变量的各种约束。 mpc可应用于线性和非线性系统。 在当今过程控制中，pid当然是用的最多的控制方法，但mpc也超过了10%的占有率。

写在前面 其实开始看Robust MPC的初衷是想看下，针对没有准确模型的系统，我们如何应用MPC方法来达到我的控制目的。 看到现在了解的不确定性仍然停留在不确定的噪声上，但是不急思想总是相通的。