Nonlinear Model Predictive Control: Theory and Algorithms

این کتاب به خوانندگان مقدمه ای کامل و دقیق برای کنترل پیش بینی مدل غیرخطی (NMPC) برای سیستم های داده های گسسته و نمونه برداری ارائه می دهد. طرح‌های NMPC با و بدون محدودیت‌های پایانه تثبیت‌کننده جزئیات هستند و نمونه‌های بصری عملکرد انواع مختلف NMPC را نشان می‌دهند. NMPC به عنوان تقریبی از کنترل بهینه افق نامتناهی تفسیر می‌شود، به طوری که می‌توان ویژگی‌های مهمی مانند پایداری حلقه بسته، بهینه معکوس و زیربهینه‌سازی را به شیوه‌ای یکسان به دست آورد. این نتایج با بحث در مورد امکان سنجی و استحکام تکمیل می شود. مقدمه‌ای بر الگوریتم‌های کنترل بهینه غیرخطی، بینش‌های اساسی در مورد نحوه عملکرد روال بهینه‌سازی غیرخطی - هسته اصلی هر کنترل‌کننده پیش‌بینی مدل غیرخطی - به دست می‌دهد. نرم افزار همراه در MATLAB® و C++ (قابل دانلود از extras.springer.com/)، همراه با یک ضمیمه توضیحی در خود کتاب، خوانندگان را قادر می سازد تا آزمایشات رایانه ای را برای بررسی احتمالات و محدودیت های NMPC انجام دهند.
نسخه دوم شده است. به طور اساسی بازنویسی، ویرایش و به روز شده است تا منعکس کننده پیشرفت های قابل توجهی باشد که از زمان انتشار نسخه قبلی آن حاصل شده است، از جمله:

• فصل جدیدی در NMPC اقتصادی که این فرض را کاهش می دهد که هزینه جاری فاصله تا قبل را جریمه می کند. -تعادل تعریف شده؛
• فصل جدیدی در مورد NMPC توزیع شده در مورد روش‌هایی که کنترل سیستم‌های مقیاس بزرگ را با تقسیم بهینه‌سازی به زیرمشکلات کوچک‌تر تسهیل می‌کند؛
• بحث گسترده در مورد ثبات و عملکرد با استفاده از به‌روزرسانی‌های تقریبی به جای بهینه سازی کامل؛
• جایگزینی شرط محوری کافی برای پایداری بدون تثبیت شرایط پایانه با جایگزین ضعیف تر و گنجاندن یک اثبات جایگزین و بسیار ساده تر در تجزیه و تحلیل. و
• تغییرات و الحاقات بیشتر در پاسخ به پیشنهادات خوانندگان نسخه اول.
اگرچه هدف اصلی آن محققان دانشگاهی و متخصصانی است که در زمینه کنترل و بهینه‌سازی کار می‌کنند، متن مستقل است و حاوی مطالب پس‌زمینه‌ای در بی‌نهایت است. کنترل بهینه افق و تئوری پایداری لیاپانوف که آن را برای دانشجویان کارشناسی ارشد مهندسی کنترل و ریاضیات کاربردی نیز در دسترس قرار می دهد.

This book offers readers a thorough and rigorous introduction to nonlinear model predictive control (NMPC) for discrete-time and sampled-data systems. NMPC schemes with and without stabilizing terminal constraints are detailed, and intuitive examples illustrate the performance of different NMPC variants. NMPC is interpreted as an approximation of infinite-horizon optimal control so that important properties like closed-loop stability, inverse optimality and suboptimality can be derived in a uniform manner. These results are complemented by discussions of feasibility and robustness. An introduction to nonlinear optimal control algorithms yields essential insights into how the nonlinear optimization routine—the core of any nonlinear model predictive controller—works. Accompanying software in MATLAB® and C++ (downloadable from extras.springer.com/), together with an explanatory appendix in the book itself, enables readers to perform computer experiments exploring the possibilities and limitations of NMPC.
The second edition has been substantially rewritten, edited and updated to reflect the significant advances that have been made since the publication of its predecessor, including:

• a new chapter on economic NMPC relaxing the assumption that the running cost penalizes the distance to a pre-defined equilibrium;
• a new chapter on distributed NMPC discussing methods which facilitate the control of large-scale systems by splitting up the optimization into smaller subproblems;
• an extended discussion of stability and performance using approximate updates rather than full optimization;
• replacement of the pivotal sufficient condition for stability without stabilizing terminal conditions with a weaker alternative and inclusion of an alternative and much simpler proof in the analysis; and
• further variations and extensions in response to suggestions from readers of the first edition.
Though primarily aimed at academic researchers and practitioners working in control and optimization, the text is self-contained, featuring background material on infinite-horizon optimal control and Lyapunov stability theory that also makes it accessible for graduate students in control engineering and applied mathematics.