随机预测控制经典参考文献2
预测控制
g11=poly2tfd(12.8,[16.7,1],0,1);%POL Y2TFD Create transfer functions in 3 row representation将通用的传递函数模型转换为MPC传递函数模型% g = poly2tfd(num,den,delt,delay)% POL Y2TFD creates a MPC toolbox transfer function in following format:%g为对象MPC传递函数模型% g = [ b0 b1 b2 ... ] (numerator coefficients)% | a0 a1 a2 ... | (denominator coefficients)% [ delt delay 0 ... ] (only first 2 elements used in this row)%% Inputs:% num : Coefficients of the transfer function numerator.% den : Coefficients of the transfer function denominator.% delt : Sampling time. Can be 0 (for continuous-time system)% or > 0 (for discrete-time system). Default is 0.% delay : Pure time delay (dead time). Can be >= 0.% If omitted or empty, set to zero.% For discrete-time systems, enter as PERIODS of pure% delay (an integer). Otherwise enter in time units.g21=poly2tfd(6.6,[10.9,1],0,7);g12=poly2tfd(-18.9,[21.0,1],0,3);g22=poly2tfd(-19.4,[14.4,1],0,3);delt=3;ny=2;tfinal=90;model=tfd2step(tfinal,delt,ny,g11,g21,g12,g22)%对于这个例子,N=90/3=30figure(3)plot(model)%TFD2STEP Determines the step response model of a transfer function model.传递函数模型转换成阶跃响应模型% plant = tfd2step(tfinal, delt2, nout, g1)% plant = tfd2step(tfinal, delt2, nout, g1, ..., g25)% The transfer function model can be continuous or discrete.%% Inputs:% tfinal: truncation time for step response model.% delt2: desired sampling interval for step response model.% nout: output stability indicator. For stable systems, this% argument is set equal to number of outputs, ny.% For systems with one or more integrating outputs,% this argument is a column vector of length ny with% nout(i)=0 indicating an integrating output and% nout(i)=1 indicating a stable output.% g1, g2,...: SISO transfer function described above ordered% to be read in columnwise (by input). The number of % transfer functions required is ny*nu. (nu=number of % inputs). Limited to ny*nu <= 25.%% Output:% plant: step response coefficient matrix in MPC step format. plant=model;P=6;M=2;ywt=[];uwt=[1 1];Kmpc=mpccon(model,ywt,uwt,M,P)%ywt,uwt : 相当于Q,R%MPCCON Calculate MPC controller gains for unconstrained case.% Kmpc = mpccon(model,ywt,uwt,M,P)% MPCCON uses a step-response model of the process.% Inputs:% model : Step response coefficient matrix of model.% ywt,uwt : matrices of constant or time-varying weights.相当于Q,R% If the trajectory is too short, they are kept constant% for the remaining time steps.% M : number of input moves and blocking specification. If% M contains only one element it is the input horizon% length. If M contains more than one element% then each element specifies blocking intervals.% P : output (prediction) horizon length. P = Inf indicates the% infinite horizon.%% Output:% Kmpc : Controller gain matrixtend=30;r=[0 1];[y,u]=mpcsim(plant,model,Kmpc,tend,r);%plan为开环对象的实际阶跃响应模型%model为辨识得到的开环阶跃响应模型%Kmpc相当于D阵%Tend仿真的结束时间.%R输出设定值和参考轨迹%r=[r1(1) r2(1)...rny(1);r1(2) r2(2)....rny(2);... r1(N) r2(N) ...rny(N)]%y:控制输出%u:控制变量%ym:模型预测输出%MPCSIM Simulation of the unconstrained Model Predictive Controller.% [y,u,ym] = mpcsim(plant, model, Kmpc, tend, r,usat, tfilter,% dplant, dmodel, dstep)% REQUIRED INPUTS:% plant(model): the step response coefficient matrix of the plant (model)% generated by the function tfd2step% Kmpc: the constant control law matrix computed by the function mpccon% (closed-loop simulations).For open-loop simulation, controller=[].% tend: final time of simulation.% r: for the closed-loop simulation, it is a constant or time-varying% reference trajectory. For the open-loop simulation, it is the% trajectory of the manipulated variable u.% OPTIONAL INPUTS:% usat: the matrix of manipulated variable constraints.It is a constant% or time-varying trajectory of the lower limits (Ulow), upper limits% (Uhigh) and rate of change limits (DelU) on the manipulated % variables. Default=[].% tfilter: time constants for noise filter and unmeasured disturbance lags.% Default is no filtering and step disturbance.% dplant: step response coefficient matrix for the disturbance effect on the% plant output generated by the function tfd2step. If distplant is% provided, dstep is also required. Default = [].% dmodel: step response coefficient matrix for the measured disturbance% effect on the model output generated by the function tfd2step.% If distmodel is provided, dstep is also required. Default=[].% dstep: matrix of disturbances to the plant. For output step disturbances% it is a constant or time-varying trajectory of disturbance values% For disturbances through step response models,it is a constant or% time-varying trajectory of disturbance model inputs.Default=[].% OUTPUT ARGUMENTS: y (system response), u (manipulated variable) and% ym (model response)plotall(y,u,delt)figure(2)plot(y,'*')南通大学毕业设计（论文）任务书题目锅炉液位系统的DMC-PID控制学生姓名朱养兵学院电气工程学院专业自动化班级自051学号0512012010起讫日期2009.2 －2009.6指导教师李俊红职称讲师发任务书日期2009 年2 月18 日●MATLAB 软件●JX-300X组态监控软件●浙大中控DCS●上海齐鑫公司过程控制对象●PC机。
mpc
模型预测控制作为可持续发展政策的综合评定摘要：基于静态开环最优化随机和多目标制定方法是形成定量可持续发展政策的综合评定方法的基础。
这里，人们探索出了模型预测控制和这种方法间的联系，重新提出了介绍动力学和地址转化闭环性能与稳定方法。
此方法具有适用性，但是希望这将提供给可持续发展规划从业人员选出新视野。
索引词：MPC-（随机模型预测控制），可持续发展。
1：介绍这里注重探讨预测控制与政策评价可持续发展的问题之间的联系。
最近的工作提出了一种综合应用滚动时域静态优化和定量研究的方法政策评估来分配科学研究和能源替代开发技术之间的预算。
然而,静态优化只允许一个政策的调整（例如：随机模型预测控制将输入预测的基准线当做1），并且两者兼有约束（关于预算和测量指标的成本），放置的目标函数（根据指标测量收益）这些都要强调在预测的基准线的终点的效应积累。
更为重要的是,以上没有考虑到滚动时域的开环优化应用到闭环时的效应。
折扣（一个程序一般占通货膨胀比例的大小通过i-steps-ahead，ρ i 0<ρ<1进行预测）以及因为发生直接限制条件引起的常见问题的避免不稳定的情况,但闭环性质却可以远离最优的情况。
尽管如此,这种方法是向前迈进的一步,因为它提出的问题,是一个强有力随机规划以及一个多目标背景的设定。
其中后者是可以透过概率的手段做出目标函数和约束，这种手段允许目标函数和任何一个被交换的约束。
这种方法的目的是维持约束等这些性质,却也做到引入动态性质并且保持了闭环稳定性。
这是既实现MPC（模型预测控制）配置的想法又同时保留随机和多目标本质问题的方法。
论文中第二部分回顾之前的研究，而第3部进行讨论重新提出了一种允许引进动态方法。
文中在第四部分研究模式选择，第五部分讨论MPC（模型预测控制）分解算法的战略目标相优化。
两部分中都是随机的并且能在众多问题中得到应用，并不仅限于可持续发展问题。
第VI部分给出了插图和第VII部分得出结论。
随机控制理论
随机控制理论的一个主要组成部分是随机最优控制，这类随机控制问题的求解有赖于动态规划的概念和方法。
简介随机控制理论随机控制理论的目标是解决随机控制系统的分析和综合问题。
维纳滤波理论和卡尔曼-布什滤波理论是随机控制理论的基础之一。
内容控制理论中把随机过程理论与最优控制理论结合起来研究随机系统的分支。
随机系统指含有内部随机参数、外部随机干扰和观测噪声等随机变量的系统。
随机变量不能用已知的时间函数描述，而只能了解它的某些统计特性。
自动控制系统分为确定性系统和不确定性系统两类，前者可以通过观测来确定系统的状态，后者则不能。
随机系统是不确定性系统的一种，其不确定性是由随机性引起的。
严格地说，任何实际的系统都含有随机因素，但在很多情况下可以忽略这些因素。
当这些因素不能忽略时，按确定性控制理论设计的控制系统的行为就会偏离预定的设计要求，而产生随机偏差量。
涉及领域飞机或导弹在飞行中遇到的阵风，在空间环境中卫星姿态和轨道测量系统中的测量噪声，各种电子装置中的噪声，生产过程中的种种随机波动等，都是随机干扰和随机变量的典型例子。
随机控制系统的应用很广，涉及航天、航空、航海、军事上的火力控制系统，工业过程控制，经济模型的控制，乃至生物医学等。
研究课题随机控制理论研究的课题包括随机系统的结构特性和运动特性(如动态特性、能控性、能观测性、稳定性)的分析，随机系统状态的估计，以及随机控制系统的综合（即根据期望性能指标设计控制器）。
随机系统中含有随机变量，所以在研究中需要使用随机过程的基本概念和概率统计方法。
严格实现随机最优控制是很困难的。
对于线性二次型高斯(LQG)随机过程控制问题,包括它的特例最小方差控制问题，可以应用分离原理把随机最优控制问题分解成状态估计问题和确定性最优控制问题，最终能得到全局最优的结果。
但对于一般的随机控制问题应用分离原理只能得到次优的结果。
随机状态模型随机系统在连续时间情形下的动态过程，常可用随机微分方程随机微分方程描述,式中x(t)为状态向量，d x(t)为由时刻t至t+d t状态的增量,u(t)为控制输入，θ为随机参数，w(t)为独立增量随机过程,其微分d w(t)可理解为白噪声。
模型预测控制
，得最优控制率：
根据滚动优化原理，只实施目前控制量u2(k)：
式中：
多步优化MAC旳特点: 优点: (i)控制效果和鲁棒性优于单步MAC算法简朴;
(ii)合用于有时滞或非最小相位对象。 缺陷: (i)算法较单步MAC复杂;
(ii)因为以u作为控制量, 造成MAC算法不可防止地出现稳态误差.
第5章 模型预测控制
5.3.1.2 反馈校正 为了在模型失配时有效地消除静差，能够在模型预测值ym旳基础上 附加一误差项e，即构成反馈校正（闭环预测）。
详细做法：将第k时刻旳实际对象旳输出测量值与预测模型输出之间 旳误差附加到模型旳预测输出ym(k+i)上，得到闭环预测模型，用 yp(k+i)表达：
第5章 模型预测控制
5.1 引言
一 什么是模型预测控制(MPC)？
模型预测控制（Model Predictive Control）是一种基于模型旳闭环 优化控制策略，已在炼油、化工、冶金和电力等复杂工业过程中得到 了广泛旳应用。
其算法关键是:可预测过程将来行为旳动态模型，在线反复优化计
算并滚动实施旳控制作用和模型误差旳反馈校正。
2. 动态矩阵控制（DMC）旳产生：
动态矩阵控制(DMC, Dynamic Matrix Control)于1974年应用在美国壳牌石 油企业旳生产装置上，并于1980年由Culter等在美国化工年会上公开刊登，
3. 广义预测控制（GPC）旳产生：
1987年，Clarke等人在保持最小方差自校正控制旳在线辨识、输出预测、 最小方差控制旳基础上，吸收了DMC和MAC中旳滚动优化策略，基于参数 模型提出了兼具自适应控制和预测控制性能旳广义预测控制算法。
全过程控制研究参考文献
全过程控制研究参考文献全过程控制（APC）是一种在工业生产过程中实现自动化控制的方法，它涉及到多个学科领域，因此在研究中会涉及到大量的参考文献。
在全过程控制的研究中，参考文献可以涉及到控制理论、化工工程、计算机科学、数学建模等多个领域。
以下我将从不同角度列举一些可能涉及到的参考文献：1. 控制理论方面的参考文献，经典的控制理论著作如《现代控制工程》(Modern Control Engineering) by Ogata、《控制系统工程》(Control Systems Engineering) by Nise等都是全过程控制研究中常见的参考书目。
此外，针对特定的控制方法和算法，如模型预测控制（MPC）、PID控制、最优控制等，也有大量相关的期刊论文和专著可供参考。
2. 化工工程方面的参考文献，在全过程控制的研究中，化工工程领域的文献也是必不可少的。
例如，关于化工过程建模与仿真的经典著作《化工过程模拟与优化》(Chemical Process Simulation and Optimization) by George Stephanopoulos等，以及涉及到具体化工过程控制的期刊论文和专业杂志。
3. 计算机科学方面的参考文献，随着信息技术的发展，计算机科学在全过程控制研究中也扮演着越来越重要的角色。
例如，关于实时控制系统、数据采集与处理、人机交互等方面的文献都是非常重要的参考资料。
4. 数学建模方面的参考文献，全过程控制研究通常需要进行系统的数学建模与分析，因此数学方面的参考文献也是必不可少的。
例如，关于微分方程、优化理论、统计学等方面的文献都可能对全过程控制研究有所帮助。
需要注意的是，以上只是一些可能涉及到的参考文献领域和范围，并不是具体的文献清单。
在实际的研究过程中，需要根据具体的研究课题和方向，结合文献检索工具如Google Scholar、IEEE Xplore、ScienceDirect等进行详细的文献调研和查找，以获取最新、权威的参考文献。
mse,mae评价指标的参考文献
mse,mae评价指标的参考文献均方误差（MSE）和平均绝对误差（MAE）是常用的评价指标，用于衡量预测模型的准确度。
关于这两个评价指标的参考文献有很多，以下是一些常见的参考文献：1. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer. 这本书介绍了统计学习的基本概念和方法，其中包括对MSE和MAE 等评价指标的讨论。
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. 这本书是统计学习领域的经典教材，对于回归模型评价指标有详细的介绍。
3. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts. 这本书主要介绍了预测建模的原理和实践，其中包括对于MSE和MAE等评价指标的应用。
4. Montgomery, D. C., Peck, E. A., & Vining, G. G.(2012). Introduction to Linear Regression Analysis. Wiley. 这本书是关于线性回归分析的经典教材，对于回归模型评价指标有详细的讨论。
5. Shmueli, G. (2010). To Explain or to Predict? Statistical Science, 25(3), 289-310. 这篇论文讨论了统计建模的目的，其中包括对于预测模型评价指标的选择和应用。
以上文献都是在统计学、机器学习或预测建模领域具有权威性和影响力的著作，对于MSE和MAE等评价指标的原理、应用和比较都有较为详尽的讨论，可以作为参考文献来深入了解这些评价指标的相关知识。
华南理工大学本科毕业论文格式范例(论文封面、目录、正文、参考文献)
本科毕业设计（论文）题目：二号，黑体，加粗，居中学院专业学生姓名学生学号指导教师提交日期年月日封面纸推荐用210g/m2的橙色色书编辑完后需将全文绿色说明文字删除，格式不变（另起页；摘要范例）摘要（小三号，宋体，加粗，居中，上下空一行）（摘要正文共400—600个字；小四号，宋体，行距为固定值20磅，段首行空两个汉字）本文详细介绍了多变量预测控制算法及其在环境试验设备控制中的应用。
由于环境试验设备的温度和湿度控制系统具有较大的时间滞后，而且系统间存在比较严重的耦合现象，用常规的PID控制不能取得满意的控制效果。
针对这种系统，本文采用了多变量预测控制算法对其进行了控制仿真。
预测控制算法是一种基于系统输入输出描述的控制算法，其三项基本原理是预测模型、滚动优化、反馈校正。
它选择单位阶跃响应作为它的“预测模型”。
这种算法除了能简化建模过程外，还可以通过选择合适的设计参数，获得较好的控制效果和解耦效果。
本文先对环境试验设备作了简介，对控制中存在的问题进行了说明；而后对多变量预测控制算法进行了详细的推导，包括多变量自衡系统预测制算法和多变量非自衡系统预测控制算法；然后给出了系统的建模过程及相应的系统模型，在此基础上采用多变量预测控制算法对环境试验设备进行了控制仿真，并对仿真效果进行了比较。
仿真结果表明，对于和环境试验设备的温度湿度控制系统具有类似特性的多变量系统，应用多变量预测控制算法进行控制能够取得比常规PID控制更加令人满意的效果。
关键词（小三号，宋体，加粗，居左）：多变量系统；预测控制；环境试验设备（关键词3—5个；小四号，宋体；关键词之间用分号隔开；最后一个关键词不打标点符号）（另起页：外文摘要范例；英文摘要和关键词应该是中文摘要和关键词的翻译）Abstract（小三号，Times New Roman字体，加粗，居中，上下空一行）。
（正文：Times New Roman字体，小四号，行距为固定值20磅）In this paper, multivariable predictive control algorithm and its application to the control of the environmental test device are introduced particularly. The temperature and humidity control system of the environmental test device is characterized as long time delay and severe coupling. Therefore, the routine PID control effect is unsatisfactory. In this case, the simulation of the temperature and humidity control of the environmental test device based on multivariable predictive control algorithm is made.Predictive control algorithm is one of control algorithm based on description of system’s input-output. Its three basic principles are predictive model, rolling optimization and feedback correction. It chooses unit step response as its predictive model, so that the modeling process is simplified. In addition, good control and decoupling effects could be possessed by means of selection suitable parameters.In this paper, the environmental test device is introduced briefly and the existing problems are showed. Then multivariable predictive control algorithm is presented particularly, including multivariable auto-balance system predictive control algorithm and multivariable auto-unbalance system predictive control algorithm. Next, system modeling process and corresponding system model are proposed. Further, the multivariable predictive control algorithm is applied to the temperature and humidity control system of the environmental test device. Finally, the simulation results are compared.Results of the simulation show that multivariable predictive control algorithm could be used in those multivariable system like the temperature and humidity control system of the environmental test device and the control result would be more satisfactory than that of the routine PID control.Keyword（Times New Roman字体，小三号，加粗，居左）: Multivariable system, Predictive control, Environmental test device（Times New Roman字体，小四号）（另起页：目录范例）目录（小三号，宋体，加粗，居中，上下空一行，目录由电脑自动生成）（各章题序及标题：小四号，宋体，加粗，居左；其余用小四号，宋体）摘要ⅠABSTRACT Ⅱ第一章引言1 1.1 预测控制概述 11.2 环境试验设备简介 2 1.3 主要研究工作 21.4 本文安排 3第二章基础知识介绍 42.1预测控制的基本原理 42.1.1 预测控制的三项基本原理 42.1.2 预测控制的几种算法 52.2 动态矩阵控制算法 52.2.1 概述 52.2.2 动态矩阵控制算法 62.3 本章小结 10第三章环境试验设备介绍及建模研究113.1 环境试验设备介绍 113.1.1 简介 113.1.2 环境试验设备的结构及硬件 113.1.3 环境试验设备控制的难点 123.2 环境试验设备的建模研究 123.2.1环境实验设备的模型概述123.2.2飞升曲线法辨识环境试验设备的数学模型143.3 本章小结 19第四章多变量预测控制算法的研究与推导 204.1 多变量预测控制算法的推导 204.2 仿真研究 244.3 本章小节 25第五章多变量非自衡系统预测控制算法的研究与推导26 5.1 多变量非自衡系统预测控制算法 265.1.1 单变量非自衡系统预测控制算法 265.1.2 多变量非自衡系统预测控制算法 295.2 仿真研究 335.3 本章小结 34第六章环境试验设备的预测控制研究 356.1 脉冲响应系数模型的获得及对象特性分析 356.1.1 脉冲响应系数模型的获得356.1.2 对象特性分析 36 6.2仿真控制实验376.2.1 参数选择376.2.2 仿真控制结果 43 6.3本章小结45结束语 46 参考文献47 附录48 致谢49第一章绪论（三号，宋体，加粗，居中，上下空一行）（1）正文层次正文所有章节按“第一章、第二章、第三章……（换章时必须换页）；1.1、1.2、1.3……；1.2.1、1.2.2、1.2.3……”编排。
模糊神经网络预测控制在配料系统中的应用
式 中 ，Ａ （ ） （ ） （ —ｉ ）为 ｋ—ｆ时 ｕｋ—ｉ＝ｕｇ—ｉ一ｕｋ 一１
刻作用 在 系统 上 的控 制增量 。
给 定 输入 控 制增 量为 ：
△Ｕ（ ） ［ ｕ ｋ ， ｕ ｋ－１，． （ Ｉ 一１ 七 ＝ Ａ （ ）Ａ （ Ｉ ）． － ．Ａｕ 足－Ｍ － ） ］
其 中 ， 为优 化控 制时域 长度 。 Ｍ 则 预 测模 型 的输 出值 为 ：
萝 ＋ｆ ＝Ｙ （ ＋ ‘ ｕ ｋ （ ） ０ ＋ ） ｉ Ａ （）
ｐ ｅ ｉ ｉ ｎ ｏ ｎ ｒ ｄｉ ｎ ｒ ｐｏ ｔｏ ａ ｖ ｄ ｎ ｌ ｍｐ ｏ ｅ ． ｒ ｃ ｓｏ ｆｉ ｇ ｅ ｅ ｔ ｏ ｒｉ ｎ ｈ ｓｅ ｉ ｅ ｔｙ ｉ ｒ ｖ ｄ ｐ Ｋｅ ｒ ： ｕ ｚ ｏ ｔｏ ； ｅ ｒ ｌｎ ｔ ｒ ； ｒ ｄ ｃ ｉ ｅ ｃ ｎ ｒ ｌ ｂ ｌ ｗｅ ｇ ｔ ｒ ｐ ｅ ｉｉ ｎ ｙ ｗｏ ｄｓ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｎ ｕ ａ ｅ ｗｏ ｋ ｐ ｅ ｉ ｔｖ ｏ ｔｏ ； ｅ ｔ ｉ
本 文的生料配料系 统采用动态矩 阵控 制 ＤＭ Ｃ的形
ｃ ｎ ｒ ｌ ｄ， ｎ ｈ ｉ ｌ ｔｏ ｘ ｅ ｉ ｎ ａ ｕ ｖ ｓ ｓ ｏ ｔ ｔ ｈ ｏ ｔｏ ｆｅ ｔ ｆｔ ｅ ｍａ ｅ ｉ ｌｆｏ ｉ ｆｅ ｔｖ ， ｎ ｈ ｏ ｔｏ ｌ ｅ ａ ｄ ｔ ｅ ｓ ｍｕ ａ ｉ ｎ ｅ ｐ ｒｍｅ ｔ ｌ ｒ ｅ ｈ ｗ ｈａ ｅ ｃ ｎ ｒ ｌ ｆ ｃ ｔ ｒａ ｗ ｓｅ ｆ ｃ ｉ ｅ ａ ｄ ｔ ｅ ｃ ｔ ｅ ｏ ｈ ｌ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1971[5] Kushner,H.J. Introduction to stochastic control. Holt, Rinehartand Winston, 1971.1983[24] T. Morozan, “Stabilization of some stochastic discrete-time control-systems,”Stochast. Anal. Applicat. , vol. 1, no. 1, pp. 89–116, 1983.1986[12] Robert FS.1986.Stochastic optimal control:theory and application[M].Wiley.[] Kumar,P.R.,&Varaiya,P. Stochastic systems : estimation, identification, and adaptive control. Prentice Hall.19861987[16] D.W. Clarke, C. Mothadi, and P.S. Tuffs. Generalized predictive control. Auto-matica , 23:137–160, 1987.1997[10] J. Birge and F. Louveaux, Introduction to Stochastic Programming[M]. Springer, New York, 1997.[9] McLachlan GJ, Thriyambakam Krishnan. The EM algorithm and extensions[M]. Wiley.1997.[6]Meadows ES.Dynamic Programming and Model Predictive Control[C].Proceedings of the American Control Conference,1635-1639.1997.[2] Lee J,Yu Z. Worst-case formulation of model predictive control for systems with bounded parameters[J].Automatica 33,763–781. 1997.1998[6] Schwarm A,Nikolaou M.1998.Chance constrained model predictive control[J].AIChE Journal,45,1743–1752.[21] J.H. Lee and B.L. Cooley. Optimal feedback control strategies for state-space systems with stochastic parameters. IEEE Trans. Autom. Control, 43(10):1469–1475, 1998.[14] P.O.M. Scokaert and D.Q. Mayne. Min-max feedback model predictive control for constrained linear systems. IEEE Trans. Autom. Control , 43:1136–1142, 1998.[25] Koroleva N. Robust stability of uncertain stochastic differential delay equations [J]. Systems & Control Letters,1998,35(9):325-336.[] Kamen, E. W., & Su, J. K. Introduction to optimal estimation. London, UK:Springer.1999. 1999[4] Bemporad A, Morari M. Robust model predictive control: A survey[J]. Robustness in Identification and Control, 1999, 245: 207-226.[5] Blanchini F. Set invariance in control[J]. Automaica, 1999,35(11): 1747-1767.2000[3] Mayne D Q, Rawlings J B, Rao C V. Constrained model predictive control: Stability and optimality[J]. Automatica, 2000,36(6): 789-814.2001[10] 杜晓宁，席裕庚，李少远．约束预测控制的一种快速算法[J]．上海交通大学学报，2001，35(11)：1624-1627．Du X N, Xi Y G, Li S Y. Fast algorithm of constrained model predictive control[J]. Journal of Shanghai Jiaotong University, 2001, 35(11): 1624-1627.[11] Chisci L, Rossiter J A, Zappa G. Systems with persistent disturbance: Predictive control with restricted constraints[J]. Automatica, 2001, 37(7): 1019-1028.[23] Gershon R,Shaked U. H ∞control and filtering of discrete-time stochastic systems with multiplicative noise[J].Automatica,2001,37(3):409-417.[] I. Batina, A. A. Stoorvogel, and S. Weiland. Stochastic disturbance rejection in model predictive control by randomized algorithms. In proceedings of American Control Conference, pages 732–737, 2001.[1] I. Batina, A. A. Stoorvogel, and S. Weiland. Feed-back model predictive control by randomized algorithms. In proceedings of European Control Conference, pages 3185–3189, 2001.[2] I. Batina, A. A. Stoorvogel, and S. Weiland. Model predictive control by randomized algorithms for systems with constrained inputs and stochastic disturbances. IEEE Transactions on Automatic Control, December 2001.[11] D. H. van Hessem, C. W. Scherer, and O. H. Bosgra, “LMI-based closed-loop economic optimization of stochastic process operation under state and input constraints,”in Proc. 40th IEEE Conf. Decision Control, Orlando, FL, 2001, pp. 4228–4233.2002[17] P. Li, M. Wendt, and G. Wozny. A probabilistically constrained model predictive controller. Automatica, 38(7):1171–1176, 2002.[3] Kouvaritakis B,Cannon M,Tsachouridis V. Recent developments in stochastic MPC and sustainable development[J].Annual Reviews in Control,2002,volume 28,23–35. 2002.[4] I. Batina, A. A. Stoorvogel, and S. Weiland. Optimal control of linear, stochastic systems with state and input constraints. In proceedings of European Control Conference, pages 1564–1569, 2002.[7] vanHessem,D.H.,&Bosgra,O.H. A conic reformulation of model predictive control including boundedand stochastic disturbances understate and input constraints. In Proc.41st IEEE conf.Decision control (pp.4643 4648), 2002.2003[9] Liu B, Xi Y G. An aggregation based robust model predictive controller[J]. Acta Automatic Sinica, 2003, 29(6): 801-808.[19] A.J. Felt. Stochastic linear model predictive control using nested decomposition.In Proc. American Control Conf., pages 3602–3607, 2003.[15] A. Bemporad, F. Borrelli, and M. Morari. Min-max control of constrained uncertain discrete-time linear systems. IEEE Trans. Automatic Control , 48(9):1600–1606, 2003.[] vanHessem,D.H.,&Bosgra,O.H. A full solution to the constrained stochastic closed-loop MPC problem via state and innovations feedback and its receding horizon implementation, In Proceedings of the 42nd IEEE conference on decision and control,vol.1,(pp.929–934).2003.2004[12] Foss S, Konstantopoulos T. An overview of some stochastic stability methods[J]. Journal of Operations Research of Japan, 2004, 47(4): 275-303.[18] I. Batina. Model predictive control for stochastic systems by randomized algorithms . PhD thesis, Technische Universiteit Eindhoven, 2004.[24] Zhang WeiHai. On stabilizability and exact observability of stochastic systems with their applications [J], Automatic,2004,40(7):87-94.[7] Munoz D de la Pena, Alamo T, Bemporad A, Camacho EF. 2004. A Dynamic Programming Approach for Determining the explicit solution of linear MPC controllers[C]. Proceedings of 43rd IEEE Conference on Decision and Control, 2479-2484.[1] Batina,I. Model predictive control for stochastic systems by randomized algorithms. Ph.D.thesis, Technische Universiteit Eindhoven,2004.[4] Kouvaritakis B., Cannon M., Tsachouridis V. Recent developments in stochastic MPC and sustainable development. Annual Reviewsin Control, 28(1),23 35. 2004.[15] J. Dupaˇcova, G. Consigli, and S. W. Wallace, “Scenarios for multistage stochastic programs,”Ann. Operat. Res., vol. 100, pp. 25–53, 2004.[24] Zhang WeiHai.On stabilizability and exact observability of stochastic systems with their applications[J],Automatic,40(7):87-94, 2004.2005[13] 方洋旺．随机系统最优控制[M]．北京：清华大学出版社，2005．Fang Y W. Optimal control for stochastic system[M]. Beijing: Tsinghua University Press, 2005.[4]Munoz D de la Pena,Bemporad A,Alamo T. Stochastic Programming Applied to Model Predictive Control[C].Proceeding of the 44th IEEE CDC,1361-1366.2005.[] Yan, J., & Bitmead, R. R. Incorporating state estimation into model predictive control and its application to network traffic control.Automatica, 595–604. 2005.2006[31] Couchman P, Kouvaritakis B, Cannon M. MPC on state space models with stochastic input map [C]. Decision and Control, 2006 45th IEEE Conference on. IEEE, 2006: 3216-3221.[20] B. Kouvaritakis, M. Cannon, and P. Couchman. MPC as a tool for sustain-able development integrated policy assessment. IEEE Trans. Autom. Control ,51(1):145–149, 2006.[47] Couchman PD,Cannon M,Kouvaritakis B. Stochastic MPC with inequality stability constraints [J]. Automatica, 2006, 42(6):2169-2174.Couchman, P., Cannon, M., & Kouvaritakis, B. (2006). Stochastic model predictive control with nonlinear models. Automatica , submitted for Publication.[3] Couchman P, Kouvaritakis B, Cannon, M. MPC on state space models with stochastic input map. InProc. 45th IEEE Conf. Decision and Control (pp.3216 3221).20062007[28] Cannon M, Couchman P, Kouvaritakis B. MPC for stochastic systems [J]. Assessment and Future Directions of Nonlinear Model Predictive Control, 2007: 255-268.[5] Cannon M,Couchman P,Kouvaritakis B. MPC for stochastic systems.Assessment and Future Directions of Nonlinear Model Predictive Control[J].Springer LNCIS,vol 358,255-268.2007.[11]Maciejowski JM,Visintini AL,Lygeros J. NMPC for Complex Stochastic Systems Using a Markov Chain Monte Carlo Approach [J]. Springer-Verlag, Assessment and Future Directions, LNCIS 358,pp.269-281. 2007.[3] Bertsimas, D., & Brown, D. B. (2007). Constrained stochastic LQC: a tractable approach. IEEE Transactions on Automatic Control, 52(10),1826–1841.[5]Primbs, J.A. A soft constraint approach to stochastic receding horizon control . InProc . 46th IEEE Conf.Decision Control. 2007.2008[26] Cannon M, Kouvaritakis B, Couchman P. [C]. Proceedings of 17th IFAC World Congress. 2008: 15321-15326.[9] Wang C, Ong C J, Sim M. Constrained linear system with disturbance: convergence under disturbance feedback.Au-tomatica, 2008, 44(10): 2583--2587[16] G. C. Goodwin, J.stergaard, D. E. Quevedo, and A. Feuer, “A vector quantization approach to scenario generation for stochastic NMPC,”in Int. Workshop Assess. Future Direct. Nonlinear Model Predict. Con-trol , Pavia, Italy, 2008.2009[11] Mark Cannon, Basil Kouvaritakis, Xingjian Wu, Model predictive control for systems with stochastic multiplicative uncertainty and probabilistic constraints, Automatica, V olume 45, Issue 1, January 2009, Pages 167-172[13] Cannon M, Kouvaritakis B, Ng D. Probabilistic tubes in linear stochastic model predictive control [J]. Systems & Control Letters, 2009, 58(10): 747-753.[4] Cannon M, Kouvaritakis B, Wu X J. Probabilistic constrained MPC for multiplicative and additive stochastic uncertainty.IEEE Transactions on Automatic Control,54(7),1626–1632. 2009[4] Cannon M. Ng, D,Kouvaritakis, B. Successive linearization NMPC for a class of stochastic nonlinear systems. InLNCIS: V ol. 384. Nonlinear model predictive control :towards new challenging applications (pp.249 262).2009.[6] Primbs J, Sung C H. Stochastic receding horizon control of constrained linear systems with state and control multiplicative noise[J]. IEEE Transactions on Automatic Control, 2009, 54(2):221-230.[8] Hokayem P, Chatterjee D, Lygeros J. On stochastic model predictive control with bounded control inputs[C]//Proceedings of the Combined 48th IEEE Conference on Decision & Control and 28th Chinese Control Conference. Piscataway, NJ, USA: IEEE, 2009: 6359-6364.[8]Wang C, Ong C J, Sim M. Convergence properties of con-strained linear system under MPC control law using a±nedisturbance feedback.Automatica, 2009, 45(7): 1715-1720.[] Wang, Y., & Boyd, S. (2009). Performance bounds for linear stochastic control. SystemsandControlLetters, 58(3),178–182.[] Magni.L.,Pala.D,Scattolini,R.Stochastic model predictive control of constrained linear systems with additive uncertainty. In European control conference (pp.2235–2240).Budapest, Hungary, 2009.[] Eugenio.E,Agarwal.M,Chatterjee,D.Lygeros,J. Convexity and convex approximations of discete-time stochastic control problems with constraints. Automatica, 47(9), 2082–2087.2011.[8] Chatterjee, D., Hokayem, P., & Lygeros, J. Stochastic receding horizon control with bounded control inputs: a vector space approach. IEEE Transactions on AutomaticControl,2009.[2] Bernardini D,Bemporad A. Scenario-based model predictive control of stochastic constrained linear systems. In IEEE conference on decision and control (pp.6333–6338).Shanghai,China.2009[4] Oldewurter,F.,Jones,C.N.,Morari,M..A tractable approximation of chance constrained stochastic MPC based on affine disturbance feedback . InProc.48th IEEE Conf. Decision Control.Cancun .2009.2010[27] Kouvaritakis B, Cannon M, RakovićS V, et al. Explicit use of probabilistic distributions in linear predictive control [J]. Automatica, 2010, 46(10): 1719-1724.[10]Wang C, Ong C J, Sim M. Model predictive control using segregated disturbance feedback. IEEE Transactions on Automatic Control, 2010, 55(4): 831--840[48] Minyong Shin.Primbs constrained stochastic MPC under multiplicative noise for financial applications[C].49th IEEE Conference on Decision and Control,Atlanta,2010,6101-6106.[] Ramponi, F., Chatterjee, D., Milias-Argeitis, A., Hokayem, P., & Lygeros, J. Attaining mean square boundedness of a marginally stable stochastic linear system with a bounded control input.IEEE Transactions on Automatic Control,55(10),2414–2418. 2010.[] Hokayem,P.,Chatterjee,D.,Ramponi,F.,Chaloulos,G.,Lygeros,J. Stable stochastic receding horizon control of linear systems with bounded control inputs. InInt. Symposium on mathematical theory of networks and systems (MTNS) (pp.31–36, Budapest).Hungary, July 2010.[] Hokayem, P., Cinquemani, E., Chatterjee. D,Lygeros, J. Stochastic MPC with imperfect state information and bounded controls .In Proceedings of the UKACC int. Conference on control. Coventry, UK, Sept.2010.[20] A. Bemporad, T. Gabbriellini, L. Puglia, and L. Bellucci, “Scenario-based stochastic model predictive control for dynamic option hedging,”in Proc. 49th IEEE Conf. Decision Control , Atlanta, GA, 2010, pp. 6089–6094[19] D. Bernardini, M. C. F. Donkers, A. Bemporad, and W. P. M. H.Heemels, “A model predictive control approach for stochastic networked control systems,”inProc. 2nd IFAC Workshop Estimation and Control Netw. Syst. , Annecy, France, 2010, pp. 7–12.[18] M. Bichi, G. Ripaccioli, S. Di Cairano, D. Bernardini, A. Bemporad, and I. Kolmanovsky, “Stochastic model predictive control with driver behavior learning for improved powertrain control,”in Proc. 49th IEEE Conf. Decision Control, Atlanta, GA, 2010, pp. 607–6082.[17] G. Ripaccioli, D. Bernardini, S. Di Cairano, A. Bemporad, and I. V. Kolmanovsky, “A stochastic model predictive control approach for series hybrid electric vehicle power management,”in Proc. Amer. Contr.Conf., Baltimore, MD, 2010, pp. 5844–5849.2011[7] Chatterjee D, Hokayem P, Lygeros J. Stochastic receding horizon control with boundedcontrol inputs –A vector space approach[J]. IEEE Transactions on Automatic Control, 2011,56(11): 2704-2710.[5]Cannon M, Kouvaritakis B, Rakovic S V, Cheng Q F. Stochastic tubes in model predictive control with probabilistic constraints. IEEE Transactions on Automatic Control,56(1),194-200, 2011[7]Wen J W, Liu F. Receding horizon control for constrained Markovian jump linear systems with bounded disturbance.ournal of Dynamic Systems, Measurement, and Control,2011[2]Su Y, Tan K K, Lee T H. Comments on \ Model predictive control for systems with stochastic multiplicative uncertainty and probabilistic constraints. Automatica, 2011[9] Eugenio.E,Agarwal.M,Chatterjee,D.Lygeros,J. Convexity and convex approximations of discete-time stochastic control problems with constraints. Automatica, 47(9), 2082–2087.2011. 2012[11] Hokayem P, Cinquemani E, Chatterjee D, Ramponi F, Lygeros J. Stochastic receding horizon control with output feedback and bounded controls. Automatica, 2012, 48(1):77--88[6] Bernardini D, Bemporad A. Stabilizing model predic tive control of stochastic constrained linear systems. IEEE Transactions on Automatic Control, 2012[50] Mark Cannon, Cheng QiFeng.Stochastic tube MPC with state estimation[J].Automatica, 2012,48 (7):536-5412013[5]Oldewurtel.F,Sturzenegger.D,Esfahani.P.M,Andersson.G,Morari.M,Lygeros.J. A daptively Constrained Stochastic Model Predictive Control for Closed-Loop Constraint Satisfaction . American Control Conference (ACC), pages 4674 - 4681,2013冯德兴.1995.凸分析基础[M].北京：科学出版社.方洋旺.2005.随机系统最优控制[M].北京：清华大学出版社.郭尚来.1999.随机控制[M].北京：清华大学出版社.钱积新，赵均，徐祖华.2007.预测控制[M].北京：化学工业出版社.王金德.1990.随机规划[M].南京：南京大学出版社.席裕庚.1993.预测控制[M].北京：国防工业出版社.。