模型预测控制(MPC)是一种基于模型预测的先进计算机优化控制算法。它的典型算法有三大类：模型算法控制(MAC)、动态矩阵控制(DMC)、广义预测控制(GPC)。它们都是基于模型预测、滚动优化、反馈校正三大环节。模型(MPC)预测控制策略的特点是：模型在工业现场易于获得，不需要复杂的系统辨识与建模；采用反馈校正基础上的在线滚动优化取代传统的最优控制，因而可以克服各种不确定性因素的影响，增强系统的鲁棒性，而且在线计算相对比较简单。 30多年来，预测控制已经发展到针对有扰动、有摄动和有约束的模型预测控制(MPC)，并研究其稳定性、鲁棒性、可行性等。非线性MPC(MLMPC)和约束MPC(CMPC)已成为预测控制研究的热点问题。其研究的范围主要涉及到预测控制的以下方面： (1)对现有基本算法作技术性的修正。 (2)从单变量到多变量的推广，把只适合于稳定对象的算法推广到非自衡系统，把预测控制的应用范围推广到非线性及分布参数系统。 (3)优化目标函数的选取。 (4)预测模型的选取。 (5)引入大系统方法，以处理高维或信息不全的系统。 (6)将基本控制算法与先进的控制思想与控制结构相结合。此外，预测控制还涉及系统的可行性、稳定性、鲁棒性等方面的研究，并且为了满足控制系统实时性的要求，对有约束系统减少在线优化的计算和使控制算法尽可能透明化等方面也进行了一些有意义的研究。 模型预测控制的核心是在线滚动优化，在众多理论研究文献中，这一在线优化问题都被简化成无约束的二次型性能指标优化，这与其实际工业应用的状况相去甚远。在工业过程中，预测控制的成功应用大多是在多变量有约束的情况下，因此对约束预测控制的研究有重要的实际意义。 本文主要研究有约束的系统优化控制问题。首先建立有约束的被控对象系统，对于每一时刻的系统状态所受的约束用概率形式描述，进而根据高斯近似把概率形式约束指标转换为确定性约束后，同时引入具有补偿作用的观测器来解决在数据传输过程中会产生时延问题，并且对于所建立起来的科学动态矩阵控制进行误差跟踪，将跟踪误差变化率反馈给状态观测器来修正算法。随后在理论基础上进行MATLAB仿真，通过理论和实际模拟仿真来证实该算法的可行陛。