njuywy / mpc Goto Github PK

在应用服务器参数自适应调整中使用Model Predictive control的意义

简述

       在自适应系统中，使用模型预测控制进行参数调整的意义主要在于有效处理了系统中可能存在的噪声、干扰等不确定性问题，主要在于两个方面，其一在于其在求解复杂带约束且时间无穷的最优化问题采取的思路能够有效处理不确定性，其二在于利用控制理论中的反馈校正来解决现实系统中可能会发生的较大波动和存在的不确定性的自适应调整，从而增强系统的鲁棒性。

其一

       模型预测控制主要思路如下：在当前时刻，根据目前的状态，结合之前建立的模型、约束以及目标函数求解出n个时间序列内的最优解并将最优解中的第一步作为决策出的调整方案进行实际调整，并在将其应用到实际系统中后采集目前状态重复之前的动作，简而言之就是决策出下一个时间段内的最优解的第一步。而其余的自适应调整算法比如说爬山算法则是根据目前系统的状态进行最优化调整策略的搜索，无法及时处理在当系统中因干扰或不确定性而发生较大变化时的自适应。

其二

       模型预测控制中采取Kalman filtering对预测结果和实际系统的输出进行反馈校正。KF是一种最优化自回归数据处理算法，根据预测结果和实际获得结果的加权平均，这里的加权主要采取计算两者的协方差进行加权，对误差小的项赋予较大的权重，对误差大的项赋予较小的权重，通过不断的迭代实现数据的自然回归，从而能够减小实际系统中必然会存在的不确定性导致的误差。然而KF的方法也存在一定的不足之处，在于使用KF进行反馈校正的一个默认条件为该系统为线性模型，然而实际系统中可能为非线性系统，需要对KF进行一定的拓展，目前有一些其他领域的研究将KF进行优化，可以借鉴一下。