本论文通过神经网络（NN）的逼近研究模型预测控制（MPC）控制器，以实现快速在线计算，并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述，并证明了与在线优化相比的数量级的计算加速。

Apr, 2023

该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

May, 2024

基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

Oct, 2023

本文介绍了一种基于深度学习的模型预测控制算法，利用深度神经网络作为学习基础的预测控制中的甲骨文，通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。

Apr, 2023

在线自动调整 MPC 控制器的方法应用于生态巡航控制系统，并通过使用道路坡度的预览来节约燃料，并且提供了动态规划和反向优化的求解方法以及神经网络的应用验证。

Sep, 2023

使用神经状态空间模型和隐式模型无关元学习方法解决非线性系统中的参考跟踪问题，并通过模型预测控制提高控制性能。

Apr, 2024

本文提出了一种基于 PINNs 的鲁棒自适应 MPC 框架（RAMP-Net），它使用从简单 ODE 和数据中训练的神经网络。通过利用物理学方程作为正则器来实现鲁棒行为的参数不确定性，并使用规则数据损失来适应残余扰动（非参数不确定性），该方法在一个四旋翼的轨迹跟踪任务中实验，结果表明与两种基于回归的 MPC 方法相比，跟踪误差降低了 7.8％至 43.2％和 8.04％至 61.5％。

Sep, 2022

用隐式神经网络准确表示具有二次成本和线性约束的线性系统的模型预测控制，并引入一种将隐式神经网络解开为显式网络的方法，这些结果强调了隐式神经网络表示优化问题解决方案的能力，因为这些问题本身是隐式定义的函数。

Apr, 2024

本文演示了一种基于自适应模型预测控制框架的控制算法，用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点，其中使用了递归最小二乘算法更新了一组标称参数。

Jan, 2022

本研究提出了一种基于神经网络的数据驱动控制算法，以减少建筑物模型识别的成本，通过建筑物能耗和区域温度的动态模型，实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。

Jan, 2020