کنترل پیش‌بینی مدل (Model Predictive Control یا MPC) یکی از پیشرفته‌ترین و قدرتمندترین روش‌های کنترل به‌ویژه در سیستم‌های چندمتغیره و با محدودیت است و می توان جایگزین یادگیری تقویتی (Reinforcement Learning) کرد.
کنترل پیش‌بینی مدل (MPC) یک روش کنترل بهینه است که در آن مدل دینامیکی سیستم برای پیش‌بینی رفتار آینده آن استفاده می‌شود.در هر لحظه، یک مسئله بهینه‌سازی حل می‌شود تا یک دنباله از اعمال کنترلی (ورودی‌ها) به دست آید. فقط اولین ورودی از این دنباله اعمال می‌شود و سپس سیستم دوباره اندازه‌گیری شده و فرایند تکرار می‌شود (بازخورد بسته).
مراحل اصلی MPC
1.پیش‌بینی رفتار آینده سیستم با استفاده از مدل ریاضی
2.تعریف تابع هدف (Cost Function) مثل کمینه کردن خطا + مصرف انرژی + سایر هزینه‌ها.
3.اعمال محدودیت‌ها روی ورودی، خروجی یا حالت سیستم (مانند محدودیت فیزیکی یا ایمنی)
4.حل بهینه‌سازی (معمولاً یک مسئله Quadratic Programming یا غیرخطی).
5.اعمال اولین ورودی محاسبه شده
6.تکرار فرآیند در گام زمانی بعدی.
برای مطالعه بیشتر به آدرس زیر مراجعه کنید
https://www.do-mpc.com/en/latest/
کنترل پیش‌بینی مدل (MPC) یک روش کنترل بهینه است که در آن مدل دینامیکی سیستم برای پیش‌بینی رفتار آینده آن استفاده می‌شود.در هر لحظه، یک مسئله بهینه‌سازی حل می‌شود تا یک دنباله از اعمال کنترلی (ورودی‌ها) به دست آید. فقط اولین ورودی از این دنباله اعمال می‌شود و سپس سیستم دوباره اندازه‌گیری شده و فرایند تکرار می‌شود (بازخورد بسته).
مراحل اصلی MPC
1.پیش‌بینی رفتار آینده سیستم با استفاده از مدل ریاضی
2.تعریف تابع هدف (Cost Function) مثل کمینه کردن خطا + مصرف انرژی + سایر هزینه‌ها.
3.اعمال محدودیت‌ها روی ورودی، خروجی یا حالت سیستم (مانند محدودیت فیزیکی یا ایمنی)
4.حل بهینه‌سازی (معمولاً یک مسئله Quadratic Programming یا غیرخطی).
5.اعمال اولین ورودی محاسبه شده
6.تکرار فرآیند در گام زمانی بعدی.
برای مطالعه بیشتر به آدرس زیر مراجعه کنید
https://www.do-mpc.com/en/latest/
Do-Mpc
Model predictive control python toolbox — do-mpc 5.0.1 documentation
do-mpc is a comprehensive open-source Python toolbox for robust model predictive control (MPC) and moving horizon estimation (MHE).