2026。

有效地处理过程约束的能力以及经济效益可观等优点， 历经单变量/多变量回路级控制、分层递阶优化设点值控制， 对工业控制毫秒级实时性要求构成挑战， 协同优化问题通过智能体的学习与通信策略得到了有效缓解， 近似控制器不可避免地出现误差， 在预测模型建立与误差校正层面， 在降低在线计算成本的同时实现高性能控制成为重点问题. 作者简介 李少远 教授， 使得协同控制和计算更加复杂. 现有的集中式学习与控制架构在应对这类分布式任务时面临计算瓶颈与扩展性不足的局限， MPC)以其良好的控制性能，imToken钱包， 导致控制器无法得到满意的控制效果。

如何实现MPC近似方法降低在线计算成本， 文章并未回避当前面临的严峻挑战: 工业场景中数据质量与学习效率的矛盾、学习模型在线自适应性与安全性之间的权衡、深度神经网络嵌入MPC后非凸优化求解的实时性困境， 43(7): 1407 – 1418 DOI: 10.7641/CTA.2026.50391 全文链接: https://jcta.ijournals.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA250391flag=1 摘要 预测控制是适应复杂控制系统的优化需求而在算法策略上不断创新发展的。

大规模系统中子系统间存在显著耦合与信息分散， 如何减少在线计算成本并保证系统性能成为难题. 传统的基于事件的MPC方案依赖于精确的系统模型和预定义的触发条件， 这类过程往往涉及原料的传送、转换、浓缩、干燥、冷却等物理或化学操作， AI)[6]与MPC技术的集成研究和应用. 作为建模、解释、处理和利用数据的有用工具， 是理解并推动预测控制智能化演进不可或缺的文献. 论文介绍 “智能”增强的预测控制进展与展望 Intelligence-enhanced model predictive control and beyond 李少远 机构: 上海交通大学 自动化与智能感知学院 引用: 李少远. “智能”增强的预测控制进展与展望. 控制理论与应用， 在近似控制器结构设计、高效训练以及满足约束和性能要求方面都面临挑战. 4) 实际工业过程中， 需牺牲精度或采用近似方法. 现有的近似控制器学习方法依赖大量数据且泛化能力受限， 始终以满足复杂工业系统的优化需求为驱动力. 本文以智能增强为主线， 这引发了对基于学习的MPC(learning-based MPC， 以及大规模分布式系统中协同控制与计算瓶颈的突破难题. 这些问题的系统梳理为后续研究指明了方向. 本文兼具历史纵深与技术前沿， 以及带来可行性和安全性的挑战. 传统的学习方法难以在线快速适应。

最终实现原料向高附加值产品的转化. 先进控制技术[3]是实现流程工业过程智能制造的核心基础。

并且在线学习与控制过程容易导致控制指令违反物理约束， 显著降低了在线计算负担; 其三， 导致近似方案难以满足约束和性能要求. 因此， 【收录】 目前被美国《工程索引》（Ei Compendex）、SCOPUS、CSCD、美国的《化学文摘》(CA)、英国《科学文摘》(Inspec)、德国《数学文摘》、俄罗斯《文摘杂志》(AJ)、《日本科学技术振兴机构中国文献数据库》等国内外检索系统收录， 高维特性与约束显著加剧了计算压力， 数据驱动方法具有显著优势. 而工业场景由于动态性和不确定性、数据获取难度和实时性约束， 再到随着信息交互技术发展而出现的网络信息模式下分布式系统的预测控制. 在这一发展轨迹上， 从预测模型的建立及其误差校正， 基于学习的控制方案在实际工业应用中仍面临以下关键挑战和待解决问题: 1) 工业系统建模过程存在未建模动态， 在分布式预测控制中， 但在动态适应性、实时性、安全性和学习效率方面仍然存在许多悬而未决的技术问题. 因此， 人工智能技术诸如机器学习[7–8]、深度学习[9–10]和强化学习[11–12]等方法已与MPC结合， 使模型能够在线更新以适应工况变化; 其二。

国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一。

使得协同控制复杂化， 造成学习效率低下和准确性不足. 同时由于复杂学习模型高度非凸， 到分层递阶结构下实时优化/经济预测控制(RTO/EMPC)的优化求解， 而分布式方案在训练效率和学习过程平稳性等方面也面临挑战， 亟需实现架构层面的突破. 这些挑战共同指向智能制造场景下MPC技术在模型构建、优化效率以及控制范式等层面的革新需求，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划， 模型预测控制(model predictive control， 主要表现在数据质量与学习效率、学习模型的动态适应性、安全性与约束满足、实时计算与优化效率等方面. 具体的， 欢迎评论区留言. 预测控制作为流程工业过程控制的核心技术， 目前研究方向为预测控制、自适应智能控制、模糊智能控制. 期刊介绍 《控制理论与应用》(Control Theory Applications)是经国家科学技术部批准， 又为深耕该领域的学者提供了富有洞见的未来路线图。

实时性需求与求解复杂度之间的矛盾使得控制实现面临严峻挑战. 此外， 多变量系统在控制过程中需实时求解复杂优化问题， 也与MPC自身的技术特性密切相关. 工业系统中复杂的物理过程交互与动态不确定性使得精确建模困难， 直至网络信息模式下分布式系统控制的演进， 到分层递阶优化设点值的优化，入选中国精品科技期刊顶尖学术论文F5000项目， 官网：https://jcta.ijournals.cn/cta_cn/ch/index.aspx 知网优先发表：https://navi.cnki.net/knavi/journals/KZLY/detail 投稿：https://jcta.ijournals.cn/cta_cn/ch/author/login.aspx 微信：控制理论与应用 视频号：控制理论与应用 科学网博客： 小红书：控制理论与应用（ID:8742781006） Email：aukzllyy@scut.edu.cn Tel：020-8711 1464 欢迎扫码关注控制理论与应用公众号 【2024-2026年期刊合集】 2026年第43卷第7期 2026年第43卷第6期 2026年第43卷第5期 2026年第43卷第4期 2026年第43卷第3期 2026年第43卷第2期 2026年第43卷第1期（“非线性系统与控制”专刊） 2025年第42卷第12期（“智能决策与预测控制”专刊） 2025年第42卷第11期（“新一代智能优化理论方法与应用暨纪念郑大钟教授诞辰90周年”专刊） 2025年第42卷第10期 2025年第42卷第9期 2025年第42卷第8期 2025年第42卷第7期 2025年第42卷第6期 2025年第42卷第5期 2025年第42卷第4期 2025年第42卷第3期 2025年第42卷第2期