模型预测控制(Model Predictive Control,简称MPC)由于在复杂多变量系统上具有出色的约束优化控制能力,因此在石油,化工等过程领域中获得了广泛的应用。本质上,MPC的约束优化控制能力主要产生于在线求解带约束的二次规划问题。二次规划的传统数值求解算法虽然适用范围广,但是大多涉及矩阵求逆、分解等操作,因此占用资源较多、实时性较低且实现相对复杂。目前MPC算法大多采用高配置的计算设备(PC机或工作站)来实现,难以在资源有限、计算能力一般的嵌入式平台上实现并应用于快采样过程。近年来,基于神经网络的二次规划求解提供了另一条实现途径。神经网络具有占用资源少、天然并行性和实现相对简单等鲜明特点,从而为嵌入式平台实现复杂的MPC算法提供了有利条件。因此,本文从MPC优化算法和面向嵌入式平台的MPC应用两个方面出发,对快速模型预测控制算法展开了研究。主要工作和成果如下(1)针对MPC中传统数值优化算法实现复杂、占用资源多的问题,采用并改进了基于离散神经网络的模型预测控制算法。该算法采用离散简化对偶神经网络求解QP问题,具有占用资源小、灵活多变且简单易实现的特点;深入分析比较了神经网络不同离散化方法的异同,指出了离散神经网络的优缺点。仿真验证了该算法的有效性。(2)针对传统区间预测控制算法计算负担大的问题,采用并改进了基于离散神经网络的嵌入式分层预测控制算法。通过稳态优化把区间控制转化为设定值.控制,有效降低计算负担;通过神经网络方法进行QP问题求解,有效解决嵌入式平台资源有限问题;针对SIMO过程,提出了稳态优化的解析求解方法,进一步提高了 MPC的求解速度。最后,在中控G5平台上设计与实现了该改进预测控制算法。实验结果表明,该系统适应于被控过程的约束优化控制。(3)针对离散神经网络的收敛性以及求解速度提升有限的问题,提出了基于FPAA模拟神经网络的快速模型预测控制算法。针对FPAA模拟电路信号限制,提出了平移变换和尺度变换方法,为模拟电路实现连续神经网络提供了理论依据。在此基础上,给出了基于FPAA模拟神经网络的预测控制软硬件实现方法。实验结果验证了该算法的有效性和快速性。