1. Toy模板网首页
  2. > Toy博客

【DR_CAN-MPC学习笔记】3&4.详细的MPC建模例子和matlab代码

7月前 作者：不雨_亦潇潇 分类：Toy博客 阅读(27) 违法举报

这篇具有很好参考价值的文章主要介绍了【DR_CAN-MPC学习笔记】3&4.详细的MPC建模例子和matlab代码。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

上一篇博客：【DR_CAN-MPC学习笔记】2.最优化数学建模推导

参照二次规划一般形式，详细推导了MPC的数学模型，即最小化代价函数的表达式，最终推导结果为：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

DR_CAN的视频：

【MPC模型预测控制器】3_一个详细的建模例子

【MPC模型预测控制器】3

 【MPC模型预测控制器】4_完整案例讲解 - Octave代码

【MPC模型预测控制器】4

离散系统状态空间一般形式：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

其中 为状态向量（n×1）， 为输入向量（p×1）， 为系统状态矩阵（n×n）， 为系统输入矩阵（n×p）。

单输入二阶系统的例子：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

上式中，，，n = 2，p = 1

系统状态向量和输入向量的关系：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

  • mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 表示在k时刻预测 k＋1 时刻的系统状态。
  • 由于 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 由 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 决定，因此不需要 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 ，所以 比 少一个维度。
  • 因为初始值 和 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 均为 n×1 向量，因此 为 (N+1)n×1 向量。同理可推出 为 Np×1 向量。
  • 为 (N+1)n×n 矩阵。
  • 矩阵上面所有的 0 与初始状态 有关（n×1矩阵）， 均为 n×p 矩阵，因此 为 (N+1)n×Np 矩阵。

具体可参考上一篇博客的推导（【DR_CAN-MPC学习笔记】2.最优化数学建模推导）：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

分析过程：

回到单输入二阶系统的例子，，，n = 2，p = 1，假设预测区间 N=3 ，

整理一下维度：

= +
(N+1)n×1 = (N+1)n×n n×1 + (N+1)n×Np Np×1
8×1 = 8×2 2×1 + 8×3 3×1

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

对于系统输出方程： ，参考值 ，误差 ，代价函数为：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

代价函数 = mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 误差加权和 + mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 输入加权和 + mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 终端误差，其中 和 为权重系数矩阵且均为对角矩阵。

经过简化后消去变量  （简化过程参考【DR_CAN-MPC学习笔记】2.最优化数学建模推导）：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

由上式可见， 只包含了初始状态项 和输入项 ，对 进行最优化可以得到输入项 。

矩阵 与  有关：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

 其中 和 是原来两个权重矩阵 和 的增广形式：

矩阵计算较为复杂，可用编程求解。

例子代码：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

控制目标：设计合适的 使得 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 随着 的增加，趋近于0。引入误差 ：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

为目标值，控制目标为令误差接近0。

状态矩阵（n×k）：

...

输入矩阵（p×k）：

...

状态方程：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

例如：k=1 时， 表示第2列

回到单输入二阶系统的例子：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

  为系统状态变量权重矩阵， 为系统输入变量权重矩阵， 为终端权重矩阵。

DR_CAN给出了Octave代码，在Matlab中也可以运行。下面的代码是我在此基础上修改后的单输入例子的代码，后面也有介绍如何修改为多输入系统。

传送门：（二输入系统）【MPC模型预测控制器】4_Octave代码

代码一共由三个部分组成，分别为主程序：MPC_Test.m，以及两个函数：MPC_Matrices.m和Prediction.m

MPC_Test.m

设置初始参数：

 ，...

%% 清屏
clear; 
close all; 
clc;

%% 加载 optim package,若使用matlab，则注释掉此行
pkg load optim;

%% 第一步，定义状态空间矩阵
%% 定义状态矩阵 A, n x n 矩阵
A = [1 0.1; 0 2];
n= size (A,1); % 计算矩阵第一个维度的长度

%% 定义输入矩阵 B, n x p 矩阵
B = [0; 0.5];
p = size(B,2); % 计算矩阵第二个维度的长度

%% 定义Q矩阵，n x n 矩阵
Q=[1 0; 0 1];

%% 定义F矩阵，n x n 矩阵
F=[1 0; 0 1];

%% 定义R矩阵，p x p 矩阵
R=[0.1];

%% 定义step数量k
k_steps=100; 

%% 定义矩阵 X_K， n x k 矩 阵
X_K=zeros(n,k_steps);

%% 初始状态变量值， n x 1 向量
X_K(:,1)=[20;-20]; % 初始状态不为0，控制目标为0

%% 定义输入矩阵 U_K， p x k 矩阵
U_K=zeros(p,k_steps);

%% 定义预测区间K
N=5;

%% Call MPC_Matrices 函数 求得 E,H矩阵 
[E,H]=MPC_Matrices(A,B,Q,R,F,N);

%% 计算每一步的状态变量的值
for k = 1 : k_steps 
%% 求得U_K(:,k)
U_K(:,k) = Prediction(X_K(:,k),E,H,N,p);
%% 计算第k+1步时状态变量的值
X_K(:,k+1)=(A*X_K(:,k)+B*U_K(:,k));
end

%% 绘制状态变量和输入的变化
subplot(2, 1, 1);
hold;
for i =1 :size (X_K,1)
plot(X_K(i,:));
end
legend("x1","x2")
hold off;
subplot(2, 1, 2);
hold;
for i =1 : size(U_K,1)
plot(U_K(i,:));
end
legend("u1") 

%% 作者：DR_CAN https://www.bilibili.com/read/cv16891782 出处：bilibili

分析：

注释掉以下行，即输入设为0，可单独运行：

N=5;
[E,H]=MPC_Matrices(A,B,Q,R,F,N);
U_K(:,k) = Prediction(X_K(:,k),E,H,N,p);

得到：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

由上图可见， 均趋于无穷，因为初始状态不为0且输入为0.

接下来设置合适的输入使得状态值趋于0.

代价函数：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

与初始状态有关，不影响代价函数，因此控制目标为最小化 mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制 .

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

预测了N项，但结果只取第一项 .

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

矩阵 在之前已经分析过了：

矩阵的计算用 MPC_Matrices 函数解决，即代码：

[E,H]=MPC_Matrices(A,B,Q,R,F,N);

功能：输入矩阵 A,B,Q,R,F 和预测区间 N ，输出矩阵 E,H。具体过程参考下面的 MPC_Matrices.m 文件。接下来进行预测：

U_K(:,k) = Prediction(X_K(:,k),E,H,N,p);

MPC_Matrices.m

function  [E , H]=MPC_Matrices(A,B,Q,R,F,N)

n=size(A,1);   % A 是 n x n 矩阵, 得到 n
p=size(B,2);   % B 是 n x p 矩阵, 得到 p

M=[eye(n);zeros(N*n,n)]; % 初始化 M 矩阵. M 矩阵是 (N+1)n x n的， 
                         % 它上面是 n x n 个 "I", 这一步先把下半部
                         % 分写成 0 
C=zeros((N+1)*n,N*p); % 初始化 C 矩阵, 这一步令它有 (N+1)n x NP 个 0

% 定义M 和 C 
tmp=eye(n);  %定义一个n x n 的 I 矩阵

%　更新Ｍ和C
for i=1:N % 循环，i 从 1到 N
    rows =i*n+(1:n); %定义当前行数，从i x n开始，共n行 
    C(rows,:)=[tmp*B,C(rows-n, 1:end-p)]; %将c矩阵填满
    tmp= A*tmp; %每一次将tmp左乘一次A
    M(rows,:)=tmp; %将M矩阵写满
end 

% 定义Q_bar和R_bar
Q_bar = kron(eye(N),Q);
Q_bar = blkdiag(Q_bar,F);
R_bar = kron(eye(N),R); 

% 计算G, E, H
G=M'*Q_bar*M; % G: n x n
E=C'*Q_bar*M; % E: NP x n
H=C'*Q_bar*C+R_bar; % NP x NP 
end 

%%作者：DR_CAN https://www.bilibili.com/read/cv16891782 出处：bilibili

Prediction.m

function u_k= Prediction(x_k,E,H,N,p)

U_k = zeros(N*p,1); % NP x 1
U_k = quadprog(H,E*x_k); % 求出代价函数最小时U_k的数值
u_k = U_k(1:p,1); % 取第一个结果

end 

%%作者：DR_CAN https://www.bilibili.com/read/cv16891782 出处：bilibili

分析：

quadprog：matlab自带的最优化函数

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

运行结果：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

由上图所示，状态值 趋于0.

以上为单输入系统的例子。

二输入例子：

代码修改一下，也可以用于多输入，比如：

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

修改矩阵 A,B,R,Q,F,R ，使得 变化得更快（通过对矩阵Q的设置），且降低能耗减小 初始值（系统的输入一般是耗能的部分，通过对矩阵R的设置）

修改后的 MPC_Test.m：（其余不变）

%% 清屏
clear; 
close all; 
clc;

%% 加载 optim package,若使用matlab，则注释掉此行
% pkg load optim;

%% 第一步，定义状态空间矩阵
%% 定义状态矩阵 A, n x n 矩阵
% A = [1 0.1; 0 2];
A = [1 0.1; -1 2];
n= size (A,1); % 计算矩阵维度

%% 定义输入矩阵 B, n x p 矩阵
% B = [0; 0.5];
B=[0.2 1; 0.5 2];
p = size(B,2);

%% 定义Q矩阵，n x n 矩阵
% Q=[1 0; 0 1];
Q=[100 0; 0 1]; % 更加看重x_1的变化

%% 定义F矩阵，n x n 矩阵
% F=[1 0; 0 1];
F=[100 0; 0 1];

%% 定义R矩阵，p x p 矩阵
% R=[0.1];
R=[1 0; 0 0.1]; % 减小能耗，减小输入u_1

%% 定义step数量k
k_steps=100; 

%% 定义矩阵 X_K， n x k 矩 阵
X_K = zeros(n,k_steps);

%% 初始状态变量值， n x 1 向量
X_K(:,1) =[20;-20];

%% 定义输入矩阵 U_K， p x k 矩阵
U_K=zeros(p,k_steps);

%% 定义预测区间K
N=5;

%% Call MPC_Matrices 函数 求得 E,H矩阵 
[E,H]=MPC_Matrices(A,B,Q,R,F,N);

%% 计算每一步的状态变量的值
for k = 1 : k_steps 
%% 求得U_K(:,k)
U_K(:,k) = Prediction(X_K(:,k),E,H,N,p);
%% 计算第k+1步时状态变量的值
X_K(:,k+1)=(A*X_K(:,k)+B*U_K(:,k));
end

%% 绘制状态变量和输入的变化
subplot(2, 1, 1);
hold;
for i =1 :size (X_K,1)
plot(X_K(i,:));
end
legend("x1","x2")
hold off;
subplot(2, 1, 2);
hold;
for i =1 : size (U_K,1)
plot(U_K(i,:));
end
legend("u1","u2") 

%% 作者：DR_CAN https://www.bilibili.com/read/cv16891782 出处：bilibili

mpc中权重矩阵如何构建,模型预测控制MPC,学习,MPC,模型预测控制,DR_CAN,控制

由上图所示， 迅速趋近于0. 相比于 R=[0.1 0; 0 0.1] 时，R=[1 0; 0 0.1] 时的输入 减小，但  趋近于0的速度变缓。由此也可以看出MPC的最优化的决策结果不是绝对的。文章来源地址https://www.toymoban.com/news/detail-541853.html

到了这里，关于【DR_CAN-MPC学习笔记】3&4.详细的MPC建模例子和matlab代码的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包