- 文献综述（或调研报告）：
自二十世纪七十年代，自适应控制在理论上有了很大的发展，七十年代后期，预测控制算法开始出现。1978年,Richalet[1]等人在系统脉冲响应的基础上,提出了模型预测启发控制 (MAC),并介绍了其在工业过程控制中的效果;Cutler[2]在对象阶跃响应的基础上提出了动态矩阵控制(DMC)。这些算法以对象的有限阶跃响应或有限脉冲响应为模型,在每一个控制周期内采用滚动推移的方式在线对过程进行有限时域内的优化控制(即滚动优化),它对过程的模型要求低，算法简单,容易实现,同时在优化过程中不断利用测量信息进行反馈校正,在一定程度上克服了不确定性的影响,在复杂的工业过程控制中显现出良好的控制性能。DMC和MAC在锅炉和分馏塔以及石油化工生产装置上的成功应用, 也大大促进了预测控制的发展。
1987年, Clarke[3]等人在保持最小方差自校正控制的在线辨识、输出预测、最小方差控制的基础上,吸取了DMC和MAC中滚动优化的策略,提出了广义预测控制算法 (GPC)。GPC基于参数模型, 引入了不相等的预测水平和控制水平,系统设计灵活方便,具有预测模型、滚动优化和在线反馈校正等特征,呈现优良的控制性能和鲁棒性,被广泛地应用于工业过程控制中, 取得了明显的经济效益。 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，不利于实际操作使用。
原始的GPC算法虽然有着突出的优点，但是在实际应用上仍有不少可以改良优化的地方。
常规的GPC算法是基于单变量系统 (SISO) 的, 因此很多学者自然地将其推广到了MIMO系统, 并取得了许多重要的结果。黄道平[7]等提出了带中间状态反馈校正的基于神经网络的多变量非线性预测控制算法，以及反馈校正矩阵的设计方法，该算法增强了系统的抗干扰能力。
由于工业控制过程中不同的生产条件下的模型结构或参数往往不同, 过程控制模型可视为多模型系统。席裕庚[8]等在非线性系统的线性化多模型基础上, 引入多模型参考轨迹逼近期望轨迹, 提出了一种非线性系统预测控制的多模型方法。
近年来，控制领域取得了丰硕的成果，一些新的理论、算法不断涌现，如神经网络、模糊控制等。这些理论同预测控制相结合，大大推动了预测控制理论的发展。
而在在稳定性分析方面，虽有一些对原始GPC算法的闭环系统的稳定性分析, 但都是在特殊的条件下得出的。
Clarke[3]等人在控制加权系数lambda;趋于零的条件下，给出了闭环系统稳定的充分条件。他们使用了kleinmen控制器，将GPC与状态反馈RHC建立联系。但是这个联系非常弱，无法推广到具有约束的系统。
李韬，张纪峰，陈增强[5]利用参数模型和非参数模型相结合的方法, 给出了一阶滞后对象在广义预测控制下闭环稳定的充要条件。他们发现: (1) 对开环稳定的一阶滞后对象, 总存在一组控制器参数, 使得在该控制器控制下, 无论对象的开环增益K与时间常数T如何变化, 闭环系统都保持稳定; (2) 对于开环不稳定的一阶滞后对象, 无论控制器参数如何选取, 当K和T的变化超出一定范围时, 闭环系统就会失去稳定性。但是研究只局限于一阶滞后对象，对于高阶对象并没有涉及，而且也没有在稳定性裕量方面做出探讨。
张峻，席裕庚[6]利用内模原理分析了广义预测控制的稳定性，针对阶跃响应系数具有大 范围递增性和上凸性的对象给出了确保稳定性的参数设计条件。但是研究范围只限于SISO系统，未对多变量系统做出研究。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
