Mpc (model predictive control) modelini bashorat qilish usuli

Контроллер MPC развертывание
Когда вы удовлетворены эффективностью симуляции своего проектирования контроллера, вы обычно ищете способы ускорить выполнение, чтобы и оптимизировать проект для будущих симуляций и удовлетворять более строгие вычислительные требования встраиваемых приложений.
Можно использовать несколько стратегий улучшать вычислительную производительность контроллеров MPC.

1. 
   Попытайтесь увеличить шаг расчета — частота дискретизации должна быть достаточно высокой, чтобы покрыть значительную полосу пропускания системы. Однако, если шаг расчета слишком мал, мало того, что вы уменьшаете доступное время вычисления для контроллера, но необходимо также использовать больший горизонт предсказания, чтобы покрыть отклик системы, который увеличивает вычислительные требования.
   
2. 
   Попытайтесь сократить предсказание и горизонты управления — Поскольку и горизонты непосредственно влияют на общее количество переменных решения и ограничений в получившейся задаче оптимизации, они в большой степени влияют и на использование памяти и на количество необходимых вычислений. Поэтому проверяйте, можно ли получить подобные ответы отслеживания и робастность к неопределенности с более короткими горизонтами. Обратите внимание на то, что шаг расчета играет роль также. Частота дискретизации должна быть достаточно высокой (эквивалентно шаг расчета, достаточно маленький), чтобы покрыть значительную полосу пропускания системы. Однако, если шаг расчета слишком мал, не только у вас есть более короткое доступное время выполнения на оборудовании, но вам также нужно большее число шагов предсказания, чтобы покрыть отклик системы, который приводит к более в вычислительном отношении дорогой задаче оптимизации, которая будет решена на каждом временном шаге.
   
3. 
   Используйте различные параметры только при необходимости — Обычно, Model Predictive Control Toolbox™ позволяет вам варьироваться некоторые параметры (такие как веса или ограничительные коэффициенты) в инее запуска. В то время как эта возможность полезна в некоторых случаях, она значительно увеличивает сложность программного обеспечения. Поэтому, если в частности не необходимый, для развертывания, рассматривают явным образом определение таких параметров как константы, таким образом предотвращая возможность изменения их онлайн. Для связанных примеров смотрите Ограничения Обновления во Время выполнения, Варьируйтесь Границы Ввода и вывода во Время выполнения, Веса Мелодии во Время выполнения, и Настройте Горизонты во Время выполнения.
   
4. 
   Настройте решатель и его опции — решатель Model Predictive Control Toolbox по умолчанию является "плотным", "активный набор" решатель на основе алгоритма KWIK, и это обычно выполняет хорошо во многих случаях. Однако, если общее количество переменных, которыми управляют, выходных параметров и ограничений через целый горизонт является большим, вы можете рассмотреть использование решателя внутренней точки. Если внутренний объект является нестабильным очень разомкнутым контуром, рассмотрите использование разреженного решателя. Для обзора задачи оптимизации смотрите Задачу оптимизации. Для получения дополнительной информации о решателях см. Решатели QP и Сконфигурируйте Решатель Оптимизации для Нелинейного MPC. Для связанных примеров смотрите, Симулируют Контроллер MPC с Пользовательской Обработкой Туберкулеза Решателя и Оптимизации QP Используя Нелинейный MPC с Пользовательским Решателем.
   

Для приложения с чрезвычайно быстрым шагом расчета рассмотрите использование явного MPC. Можно доказать, что решение линейной проблемы MPC (квадратичная функция стоимости, линейный объект и ограничения) кусочно аффинный (PWA) на многогранниках. Другими словами, ограничения делят пространство состояний на многогранные "критические" области, в которых действие оптимального управления является аффинным (линейный плюс константа) функция состояния. Идея позади явного MPC состоит в том, чтобы предварительно вычислить, оффлайн и раз и навсегда, эти функции состояния для каждой области. Эти функции могут затем храниться в вашем контроллере. Во время выполнения контроллер затем выбирает и применяет соответствующий закон об обратной связи состояния, в зависимости от критической области, в которой находится текущая рабочая точка. Поскольку явные диспетчеры MPC не решают задачу оптимизации онлайн, они требуют намного меньшего количества расчетов и поэтому полезны для приложений, требующих времен небольшой выборки. С другой стороны, у них также есть намного больший объем потребляемой памяти. Действительно, чрезмерные требования к памяти могут представить этот подход, более не жизнеспособный для средних и крупных проблем. Кроме того, поскольку явный MPC предварительно вычисляет контроллер оффлайн, это не поддерживает обновления во время выполнения параметров, такие как веса, ограничения или горизонты.
Чтобы использовать явный MPC, необходимо сгенерировать explicitMPC объект от существующего mpc возразите и затем используйте mpcmoveExplicit функционируйте или блок Explicit MPC Controller для симуляции. Для получения дополнительной информации смотрите Явный MPC.
Итоговая опция, чтобы рассмотреть, чтобы улучшать вычислительную производительность и неявного и явного MPC должна упростить проблему. Некоторые параметры, такие как количество ограничений и переменных состояния номера, значительно увеличивают сложность получившейся задачи оптимизации. Поэтому, если предыдущие опции не удовлетворяют, рассматривают перенастройку этих параметров (и потенциально используйте более простую модель предсказания более низкой точности) упростить проблему.
Если вы удовлетворены вычислительной эффективностью своего проекта, можно сгенерировать код для развертывания на приложениях реального времени из MATLAB или Simulink. Для получения дополнительной информации смотрите, Генерируют Код и Развертывают Контроллер в Цели В реальном времени.