近年来,随着通信和分布式优化技术的快速发展,分布式模型预测控制（Distributed Model Predictive Control,DMPC）也得到了广泛的研究。DMPC是一种有效而强大的控制技术,其能够灵活地处理系统的各类约束条件并提供最优的控制性能,在稳定性、可行性分析和过程控制等方面都取得了重大进展。同时,DMPC 比集中式模型预测控制需要更少的通信资源,避免了集中式的单点失败,为系统提供更好的隐私性。虽然现有的研究取得了一定成果,但依然存在许多研究难点亟待解决。例如,如何有效处理具有全局耦合约束的大规模复杂（通信网络拓扑结构时变有向）系统的分布式控制问题;如何处理大规模复杂非理想通信（通信噪声、通信延迟、通信链路的随机失败）系统的分布式控制问题。因此,本文研究了具有局部非耦合和全局耦合约束的线性离散系统的分布式模型预测控制问题,分别针对实际中可能存在的大规模复杂系统通信具有时变有向的问题以及系统中存在不确定因素,如通信噪声、通信延迟等开展了系列研究,并利用凸优化理论、图论、概率论等理论知识,分析了算法的收敛性、迭代可行性和系统稳定性。本文的主要研究成果如下:1、针对子系统之间存在全局耦合约束,底层通信网络具有时变有向的特性,提出了一种具有全局耦合约束的时变有向图上的分布式模型预测控制算法。本文将带有约束的优化问题通过引入拉格朗日乘子法将其转化为无约束优化问题进行求解。本算法中使用行随机条件可以使每个子系统在每次迭代中只需要与邻居通信而不需要知道邻居的出度,并且可以自主调整邻居节点的信息权重来实现全局最优。此外,为了减少不必要的计算,算法为每个子系统设计了通信触发机制,该机制通过一个分布式的触发准则来实现。在该触发准则下,证明了算法是可以减少通信负担。在合理的假设条件下,给出了所提算法收敛性和系统稳定性的理论分析。从数值仿真实验中算法的有效性得到验证。2、考虑到实际通信网络中的不确定性,如存在通信噪声、通信延迟等,本文在研究内容一的基础上,将算法扩展到非理想通信环境,目的是提高算法的适用性和鲁棒性。因此,本文又提出了一种基于行随机矩阵的时变有向非理想通信的DMPC算法。与现有基于时不变网络通信噪声或者仅考虑通信延迟的文献不同,本文提出的算法同时考虑了基于时变网络具有通信噪声、通信延迟和通信随机失败的情况,并且可以在不影响最优性的情况下收敛到最优解,这对于MPC优化问题至关重要。此外,算法允许每个子系统的步长不一致,使得步长的选择更加灵活。在通信噪声有界的假设下,证明了算法在保证闭环系统的递归可行性和指数稳定性的同时,可以收敛到全局最优解。针对通信延迟的情况,通过构造增广的有向图,证明了算法的收敛性。最后,在非理想通信环境下验证算法的有效性。3、将本文提出的分布式模型预测控制算法应用于无人车辆编队控制问题。首先,根据车辆模型建立车辆的运动学方程,然后将该运动学方程进行了线性化和离散化并将问题转化为可以求解的分布式优化控制问题,将所提的DMPC算法应用到无人车辆的编队控制中。在满足车辆的行驶速度、安全角度和距离等约束条件下,使得每辆车辆最终可以按照预先设置的路径,以期望的速度行驶,达到编队控制的目的。模拟实验表明,当车辆的起始位置与预先设置位置不同时,本文提出的算法仍然可以有效地解决车辆的编队控制问题。该实例验证了本算法能够适用于现实场景,为实际应用提供了重要的理论依据。