快速MPC（模型预测控制） 该存储库包含Matlab接口，该接口基于快速模型预测控制，将标准模型预测控制转换为快速模型预测控制。 快速的MPC类使用自定义的不可行的启动Newton求解器进行求解，以揭示MPC的结构。 描述 在传统方法中，解决了MPC问题，并且将第一控制步骤应用于系统，并且下一个积分状态形成了下一个MPC迭代的初始条件。 在这里，MPC的结构可用于加速结果。 当前实现是在时不变的系统动力学（相等约束）下执行的 在哪里， 上述问题转换为以下结构 在哪里， 本文中介绍了矩阵和结构的详细信息。 即将进行的更新将包括非线性快速MPC以及集成商 入门 克隆或下载存储库。 FAST MPC类需要各种输入，说明如下。 Q-状态阶段的费用 R-控制阶段成本 S-状态控制耦合成本 Qf-终端状态费用 q-线性状态成本 r-线性控制成本 qf-终端状态线性成本 x_min-状态

pyMPC Python中的线性约束模型预测控制（MPC）： 在哪里 要求 pyMPC需要以下软件包： 麻木 科学的 matplotlib 安装 获取pyMPC项目的本地副本。 例如，运行 git clone https://github.com/forgi86/pyMPC.git 在终端中使用git克隆项目。 或者，从此下载压缩的pyMPC项目并将其解压缩到本地文件夹中 通过运行安装pyMPC pip install -e . 在pyMPC项目根文件夹中（文件setup.py所在的位置）。 支持平台 我们在以下平台上成功测试了pyMPC： 具有x86-64 CPU的PC上的Windows 10 具有x86-64 CPU的PC上的Ubuntu 18.04 LTS Raspbian PI 3 rev B上的Raspbian Buster 有关Raspberry PI平台的详

Optimal Control 允许您将控制问题（控制理论）表述为数学优化问题。 OpenOCL 提供了一种有助于实现最优控制问题的建模语言。 它实现了直接搭配方法，并接口 CasADi 和 ipopt 来解决非线性程序。 或者，可以使用新的（正在进行的）acados 界面。 特征： - 通过 CasADi 自动区分- 多阶段问题- 矩阵值变量- 按名称访问所有变量（无需索引） - 绘制初始猜测、中间步骤和解决方案-依赖项（acados，CasADi）将在首次启动时自动解决 主要开发商： 乔纳斯·科内曼， https://github.com/jkoendev 版权所有 2019, 2020 Jonas Koenemann, Moritz Diehl, 弗莱堡大学根据3条款BSD许可条款，允许重新分发。 请确保上述版权声明在任何衍生作品中可见 https://openocl.gith

%% Adaptive MPC Control of Nonlinear Chemical Reactor Using Online Model Estimation % This example shows how to use an Adaptive MPC controller to control a % nonlinear continuous stirred tank reactor (CSTR) as it transitions from % low conversion rate to high conversion rate. % % A discrete time ARX model is being identified online by the Recursive % Polynomial Model Estimator block at each control interval. The adaptive % MPC controller uses it to update internal plant model and achieves % nonlinear control successfully.

软件版本Matlab2020b，Simulink 补偿扩张状态观测器实例，基于扩张状态观测器的模型预测控制 Simulink复现

北京理工大学出版社，无人驾驶车辆MPC控制

linux下，gcc环境相关tar包下载，内含四个tar包，gcc、gmp、mpc、mpfr等

本人自编写，修改验证后，得以成功， 主要是预测控制中MPC控制仿真实例，帮助学习预测控制理论。

mpc-1.0.3.zipmpc-1.0.3.zipmpc-1.0.3.zipmpc-1.0.3.zip

轨迹跟踪MPC控制-python实现-model_predictive_speed_and_steer_control