学习模型预测控制很好的一本书，书里面有程序，学起来很方便

Robust Face Alignment Under Occlusion via Regional Predictive Power Estimation-附件资源

附录里的matlab代码 基于单容水箱的预测控制算法仿真 [张嘉玮][] 算法描述 本次仿真实验采用先进控制算法之预测控制对水箱进行控制和仿真实验。算法的原理老师上课已经进行了详细的简述，这里不再赘述，其基本的环节如下图所示。 ​ 预测控制算法主要通过模型预测，反馈校正以及滚动优化三个步骤进行预测控制，使得模型输出能在预期的轨迹上运行。 该算法具有较好的鲁棒性，能够适应延迟、非最小相位等那难于控制的系统。 目录 [ [ [ [ %% 单容、基于阶跃响应 %% 单容对象基于阶跃响应的输入输出模型的预测控制算法 clear all; close all; % 原模型 num = [10]; den = [1200,1]; sys=tf(num,den);%模型传递函数 figure(1) subplot(2,1,1) step(num,den); title('阶跃响应'); xlabel('time'); % 进行预测控制 G = poly2tfd(10,[1200 1]);%模型的MPC格式 T = 20; % 采样周期 Nt = 1;%输出的稳定性向量 TFinal = 1000;

TCC 使用movielens 100k数据集的推荐系统（ ）

《Model Predictive Control: Theory and Design》这本书是国外大学学习模型预测控制（MPC）的指定教材，出版于2009年。

第四章 根据比赛任务设计算法 根据比赛任务，可分析得出完成任务的基本步骤，本演示程序中设计的搬运 任务是把五个不同颜色的色块随机放在场地图中的 A、B、C、E 和 G 处。算法 的整体设计思想是先把 A、B、C 三个点处的物块搬到起点到中心的直线上排列 好，然后将第四个直接送到对应的放置地点，再用相同的方法将起点直线上的三 个物块放到对应的地点，最后再把处于灰色地带的第五个物块搬到对应地点。 本搬运算法的具体实现的步骤如下： （1）机器人从起点循线到中心交叉路口处，为方便描述记为 O 点； （2）在 O 点左转 90 度后继续循线，当 4 个 QTI 传感器全部检测到白色时， 即判断到达 A 点，机器人原地掉头，带着物块离开； （3）循线到 O 点右转 90 度，开启定时器，定时循线到接近起点处，后退 几步放下第一个物块，再原地掉头； （4）循线到 O 点左转 45 度，当 4 个 QTI 传感器全部检测到白色时，即判 断到达 B 点，机器人原地掉头，带着物块离开； （5）循线到 O 点右转 45 度，开启定时器，与上一个物块作一定的时间间 隔，定时循线，后退几步放下第二个物块，再原地掉头； （6）直接循线到达 C 点，到达 O 点后，开启定时器继续前进，与上一个物 块作一定的时间间隔，定时循线，后退几步放下第三个物块，再原地掉头； （7）再次循线到达 O 点，原地右转 90 度，循线来到 E 点，当 4 个 QTI 传 感器全部检测到白色时，开启颜色传感器识别物块颜色。 若物块是蓝色，则直行直接循线到物块放置处，放下物块后退几步再原地掉 头，继续循线到中心点 O 处，左转 90 度； 若物块是黄色，则原地掉头，循线到 O 点后继续直行，一直到达物块放置处， 放下物块后退几步再原地掉头，继续循线到中心点 O 处，右转 90 度； 若物块是白色，则原地掉头，循线到 O 点后右转 45 度，到达物块放置处，

Model Predictive Control System Design and Implementation Using MATLAB Model Predictive Control System Design and Implementation Using MATLAB

离散控制Matlab代码约束模型预测控制综合 约束模型预测控制综合是一种尝试实现论文Lu，J.，D. Li和Y. Xi（2013）中提出的思想的尝试。 “不确定的离散时间马尔可夫跳跃线性系统的约束模型预测控制综合。” IET控制理论与应用7（5）：707-719。 看 。 提供了可与或结合使用的matlab代码。 假定所有必需的软件包都已安装在MATLAB环境中。 如果不是，则必须安装它们，在主脚本中取消注释几行，并相应地进行更改。 MATLAB mfiles 主要脚本 主脚本是文件“ Example_Constrained”。 只需在提示符后键入名称，脚本将负责运行本文中给出的示例。 请记住在调用之前为yalmip，sedumi或mosek设置路径。 在脚本中，您将找到以下几行： addpath（genpath（'〜/ Documents / MATLAB / yalmip'）） addpath（genpath（'〜/ Documents / MATLAB / cvx / sedumi'）） addpath（genpath（'〜/ Documents / MATLAB / cvx /

讲解Model Predictive Control，并配有MATLAB程序，实例丰富，易于理解学习

Falcone Nonlinear Model Predictive Control for Autonomous Vehicles.rar