里面为线性系统的模型预测控制仿真程序，均为m文件，助于对线性系统模型预测控制的理解

explicit-mpc：基于鲁棒非线性回归和约简支持向量机的基于学习的显式非线性模型预测控制

基于模型预测控制的自动驾驶汽车纵向跟踪控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著, 鉴于此, 提出一种多智能体粒子群算法(MAPSO) 寻优其参数的方法, 并建立MAPSO支持向量回归模型, 用于非线性系统的模型预测控制, 推导出最优控制率. 采用该算法对非线性系统进行仿真, 并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF 神经网络的预测控制方法进行比较, 结果表明, 所提出的算法具有更好的控制性能, 可以有效应用于非线性系统控制中.

为了提高三相永磁同步电机(PMSM)控制系统的性能,基于反双曲正弦函数的扩张状态观测器(ESO)技术,提出一种新颖的无速度传感器自适应滑模有限控制集模型预测控制(FCS-MPC)策略,采用ESO技术构造PMSM系统转速和反电动势的观测器,实现对电机转速和反电动势快速准确估计.用带有负载ESO的自适应滑模控制作为系统的转速调节器,以提高系统的鲁棒性;利用基于快速矢量选择的FCS-MPC策略,达到减少转矩脉动、降低系统算法计算量的目的.仿真结果表明,基于ESO的无速度传感器自适应滑模FCS-MPC策略能够使PMSM系统可靠稳定运行,达到满意的转矩和转速控制效果.与基于积分型滑模面的自适应滑模FCS-MPC策略相比,所提出的控制策略能使系统具有良好的动态性能和抗负载干扰能力.

线性规划的matlab代码 基于线性状态空间模型的预测控制器框架 旨在实现一个代码编写复杂度不高于Matlab的模型预测控制器封装 未来将加入非线性模型（极有可能是基于高斯过程回归）的预测控制，可能会有大量代码需要重构 需要qpOASES 3.7版本，把qpOASES源码的include和src文件夹放在本工程的qpOASES文件夹内，并在工程目录中包含include路径 代码主要由四部分组成：矩阵类a_matrix，状态空间类state_space，预测控制类mpc（无差分约束）与mpc_d_constraint（包含差分约束），二次规划求解器qpOASES（需手动添加）。 使用指南 使用时，需包含mpc.h或mpc_d_constraint.h 矩阵类使用基础 在本程序中，所有变量都是以矩阵存在的（对Matlab的拙劣模仿），因此首先需要至少掌握内置矩阵类a_matrix的基本用法。 你可以像这样初始化一个矩阵： //initialize a 4*3 matrix a_matrix mat1={{1,2,3},{4,5,6},{7,8,9},{10,11,12}}; 矩阵可以直接使

提出一种基于桶排序的双层模型预测控制方法。对电容 电压进行桶排序，将电压排序后的子模块按次序等分为若干组，通过第一层模型预测控制确定需要插入桥臂的 组数，再通过第二层模型预测控制进一步确定需要插入的子模块。在 PSCAD/EMTDC 下搭建模块化多电平换 流器仿真系统，验证了所提方法的有效性。

基于Simulink和模型预测控制工具箱的自适应MPC设计

模型预测控制python工具箱 do-mpc是用于健壮模型预测控制（MPC）和移动视域估计（MHE）的综合开源工具箱。 do-mpc为非线性系统提供有效的公式化表示，并解决控制和估计问题，其中包括处理不确定性和时间离散化的工具。 do-mpc的模块化结构包含仿真，估算和控制组件，可以轻松扩展和组合这些组件以适合许多不同的应用程序。 总之， do-mpc提供以下功能： 非线性经济模型预测控制 支持微分代数方程（DAE） 有限元上正交配置的时间离散化 鲁棒的多阶段模型预测控制 运动视界状态和参数估计 模块化设计，可以轻松扩展 do-mpc软件基于Python，因此可在任何具有Python 3.x发行版的操作系统上使用。 do-mpc由塞巴斯蒂安·恩格尔（Sebastian Engell）领导的多特蒙德工业大学DYN主席Sergio Lucia和Alexandru Tatulea开发。

分别给出了无约束MPC和约束MPC的MATLAB程序