人们为了解决现代控制理论和其应用之间的不协调性，为了加强工业生产中的数学模型的建立、系统的辨识度提高、自适应控制的研究以及鲁棒控制（Robust Control）等等，开始逐步使用预测控制（Predictive Control）这样一种算法来替代现代控制理论对工业生产控制进行一定的优化。[4]当然这离不开这几十年来高效率、大容量、低廉成本能够对生产过程及其机电设备、工艺装备进行检测与控制的计算机在工业应用上越来越广泛，科技的迅速发展打破了人们传统控制思维的禁锢，预测控制（Predictive Control）成为了一种新颖的计算机控制算法。

1。1。2  预测控制的发展概况及前景

在1978年，法国人理查莱特等提出了模型预测尝试控制(MPHC，Model Predictive Heuristic Control)基于脉冲响应的基础之上，并向人们展示了其在工业生产控制中的应用成效；1973年，奥斯特隆姆和威腾马可提出了基于最小方差，用最小输出方差为目标设计自校正规律，同时用递推最小二乘法来估算直接估计控制器参数的自校正控制算法；1974年，作为一种增量算法，并基于阶跃响应，适用于稳定的线性系统的动态矩阵控制(DMC)应用在了壳牌石油公司（Shell Oil Co）的工业设备上，并由卡特勒等人公布在1980年全美化工年会上[5]；1982年，鲁哈尼和梅赫拉给出了基于脉冲响应的将非参数模型作为内部模型的模型算法控制(MAC)。随后，自动校正控制理论得到了迅速的发展和完善。预测控制算法可通过实时自动识别系统和模型环境的细微变化来针对地自动修改参数，将对象的有限阶跃、脉冲响应作为模型，具有一定的适应性。[3]在每一个控制周期中内使用滚动推进的方式，在线对工业过程进行有限时域内的滚动优化控制，预测控制算法简易不复杂，不难以实现，对工业过程的模型要求不高。同时在滚动优化控制过程中一定程度上克服了不确定性和复杂度的影响，因为预测控制算法不断使用得到的反馈测量信息进行校正，在复杂的工业生产控制过程中展现了优秀的控制效率与性能。但我们也必须看到，自适应控制仍然受到了很大限制，因为截止至今还没有一种自适应性的规则算法可以单独对大多数的实际对象进行有效并且稳定的控制。通常来说一个成熟的自适应控制算法可以应用于以下系统：模型阶层尚未知晓的系统、非最小相位系统、时变或者有未知时间后滞的系统和开环不稳定的和容易导致浮动极点的系统。[6]因为如果最小相位连续系统采样频率达到一定高度时，它所得到的其实是一个非最小相位系统。对于以上系统，我们现在的自适应算法还没有办法去适应。关键之处在于自适应控制算法要求我们建立相当程度准确的数学模型，但实际上工业生产过程中又往往比较难以建立准确无误的模型。因此，寻找对模型需求不高，但又拥有自适应能力的控制算法就是我们所需要的。

广义预测控制(GPC)则是我们所需要算法，GPC随着自适应控制的研究而发展起来。最初，克拉克博士等人于1987年在研究保持最小方差自动校正控制算法的辨识以及最小方差控制的基础上，吸取了动态矩阵控制（DMC）和模型算法控制（MAC）中的滚动优化方案的特点，从中得出广义预测控制算法。因此GPC同时拥有自适应控制和预测控制的性能。广义预测控制算法（GPC）在参数模型之上，引入了不等的预测、控制时域，能够成功克服系统滞后。它的系统设计控制灵敏操作简易，具有预测数学模型、滚动优化方案以及反馈信息并校正参数的特征，可应用于开环不稳定非最小相位系统，同时表现出出色的控制性能和鲁棒性，达到了很高的经济效益，因此之后被广泛应用于工业生产过程控制中。文献综述