模型预测控制是一种基于模型的闭环优化控制策略，其算法的核心是：可预测未来的动态模型，在线反复优化计算并滚动实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和并联性，并能方便的处理过程被控变量和操纵变量中的各种约束。从模型预测控制的基本原理出发，常见的有三种预测控制算法：

1)基于非参数模型的模型预测控制。

代表性算法有模型算法(MAC)和动态矩阵控制(DMC)。这类算法分别采用脉冲响应模型和有限阶跃响应模型作为过程预测模型，无需考虑模型结构和阶次，可将过程时滞自然纳入模型中，尤其适合表示动态响应不规则的对象特性，适合处理开环稳定多变量过程约束问题的控制。 2)基于ARMA或CARIMA等输入输出参数化模型的预测控制算法。 这类算法有经典自适应控制发展而来，融合了自校正控制和预测控制的优点。其反馈校正通过模型的在线辨识和控制率的在线修正以自校正的方式实现，其中代表性的是广义预测算法，它可应用于时变时滞较难控制的对象，并对系统的时滞和阶次不确定有良好的鲁棒性，但对于多变量系统，算法实施较困难。

3)滚动时域控制。由LQ和LQG算法发展而来。

对于状态空间模型，用有限时域二次性能指标再加终端约束的滚动时域控制算法来保证系统稳定性。它已拓展到控制和输出反馈控制。各类模型预测控制算法虽然在模型、控制和性能上存在许多差异，但其核心都是基于滚动时域原理，算法中包含了预测模型、滚动优化和反馈校正三个基本原理。

编辑本段3.模型预测控制在钢铁企业的应用

钢铁冶金行业是一个复杂的加工过程，把铁矿石、煤等原材料加工成钢板要经过焦炉、烧结、高炉、炼钢、连铸、热轧、冷轧等多个工艺环节，这些环节中主要包括了高温处理过程(各种加热炉)和高速轧制等其他一些过程，其中的控制系统非常复杂，普通存在动态时变时滞的复杂特性。随着竞争的日趋加剧，对产品质量控制的要求越来越高，基于模型的传统控制方法难以收到令人满意的控制效果。因此，必须结合钢铁冶金的特点，将先进的控制方法以及人工智能技术引入钢铁冶金的各个工艺过程的控制之中，研究适用的控制方法。 钢铁企业的生产流程如下图所示。下面将结合钢铁企业生产工艺讲述模型预测控制在钢铁企业的应用情况