随着科学技术的不断发展,现代工业过程呈现出结构复杂、规模庞大、子系统间能量、物料耦合强烈等特性。分布式模型预测控制(Distributed Model Predictive Control, DMPC)是一种有效的解决大规模系统控制问题的方法。DMPC的优势在于：(1)减小每个子系统的计算负担；(2)多个控制器之下可以提高系统的可扩展性；(3)系统的容错能力强等。DMPC算法的主要设计目标在于：在尽可能简单的系统通信方式和尽可能少的通信负担之下达到尽可能好的控制性能,同时保证算法的收敛性和系统的稳定性。针对DMPC算法以及控制器设计中的相关问题,本文围绕DMPC快速算法设计,大系统结构拆解以及MPC控制系统性能评估问题进行研究,取得以下成果：1.针对分布式预测控制大系统拆解问题,提出了一种基于遗传算法(GA)的最优结构分解方法。该方法包括两个新的拆解指标分别对应分解的两个阶段,包括输入分组(Input Clustering Decomposition, ICD)以及输入输出配对(Input-Output Pairing Decomposition IOPD)。ICD可以用来消除子系统之间输入的耦合,同时还能平衡各个子系统之间的计算负担, IOPD是为了找到合适的输入输出之间的配对。ICD和IOPD所对应的优化问题是通过GA来求解的。2.针对DMPC分布式算法设计问题,提出了一种基于SVD分解的DMPC算法有效降低了子系统间的通信负担。该方法在无约束的情况下,把集中式MPC在线二次优化问题转到共轭空间进行处理。每个子系统可以独立并行地求解各自的最优控制输入,全局的最优输入可以由各个子系统的解合并来产生。该方法同样可以推广到有约束的情况之下,得到的无约束解首先在共轭空间中并行检查,然后再根据奇异值的大小去除小的奇异值所对应的解,最终可以得到带有约束情况下的最优解。3.针对DMPC在线优化问题,提出了一种基于有效集方法(active-set)的快速DMPC算法,该算法利用Hessian矩阵的离线求逆来快速求解一个带约束的分布式有效集二次规划问题。根据无约束解的大小,提出了一种双模式优化策略来加快在线计算速度。该算法可以提前停止迭代,同时可以保证系统稳定性,并且易于实现。最后,一种利用前一时刻DMPC最优值的暖启动的策略可以进一步加快算法迭代收敛速度。4.针对串联结构DMPC算法的设计问题,提出了一种分布式模型预测算法,该算法利用串联结构各个子系统的输出仅与其上游子和其本身系统输入相关的特点,对传统的迭代式DMPC算法进行改进,得到一种非迭代的递阶求解DMPC算法。5.针对MPC性能评估及改进问题,提出了一种在线提升MPC控制系统经济性能的方法。该方法根据系统在线收集的数据,利用迭代学习方法不断在线调整MPC控制器参数,从而不断在线提升MPC控制器的经济性能。本文同时也对该方法在分布式MPC系统上扩展的可能性进行了相关讨论。