模型预测控制(Model Predictive Control(MPC))是直接从工业过程控制中产生的一类基于模型预测、滚动优化并结合反馈校正的先进计算机优化控制算法。由于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,所以它对模型的要求低,对模型失配、非最小相位系统、不确定干扰的影响具有较强的鲁棒性,而且在线计算相对比较简单,适用于数字计算机控制。其基本思想是将传统自校正技术的单步预测扩展为多步预测,从而有效地抑制了算法对于模型参数变化的灵敏性。它的典型算法有三大类:模型算法控制(Model Algorithmic Control(MAC))、动态矩阵控制(Dynamic Matrix Control(DMC))、广义预测控制(GeneralizedPredictive Control(GPC))。它们都基于模型预测、滚动优化、反馈校正三大环节。动态矩阵控制作为预测控制中一种重要的典型算法,也是将传统自校正技术的单步预测扩展为多步预测,在实际反馈信息基础上反复优化,从而有效地抑制了算法对于模型参数变化的灵敏性,对建模误差和环境干扰等不确定性具有很强的适应能力。但动态矩阵控制设计通常基于一个较低阶的线性近似模型,而复杂的工业过程,在模型阶次、非线性、环境扰动、时延等方面存在较大不确定性,因而研究动态矩阵控制的改进,探讨参数设计对其鲁棒性的影响具有重要的理论意义与实际应用价值。本文主要研究了两种动态矩阵控制算法的改进。一方面传统的由反馈系统的偏差的比例(P)、积分(I)、和微分(D)的线性组合构成的反馈控制律—PID控制,由于原理简单,直观易懂,易于工程实现,鲁棒性强,适用面广等一系列优点,仍然是工业过程控制中应用最广泛的一类基本控制律。然而,实际的生产过程也往往具有非线性、时变不确定性,应用常规PID控制不能达到理想的控制效果。因此,本文在分析PID算法和动态矩阵控制算法的基础上,推导了PID动态矩阵控制算法(PID Dynamic Matrix Control(PIDDMC))。结合两种算法的优点,这种算法既具有PID算法的优点,结构简单,参数调节方便,又具有预测功能。在时域内分析了PIDDMC控制器的参数选择对控制性能的影响,给出参数选取范围。通过仿真说明了PIDDMC算法比基本DMC算法具有更好的控制性能。另一方面大多数工业过程被控对象都有延迟特性,由网络引入的通信延迟能导致系统性能退化甚至不稳定,针对这种网络控制系统中的延迟,引入时间标记的动态矩阵控制算法(Time-stamped Dynamic Matrix Control(TSDMC)),建立随同时间标记的通信延迟模型。通过时间标记测量网络延迟,在线校正系统的阶跃响应系数和控制系数,并给出了算法的推导过程。根据仿真的确认,针对文章所研究的延迟,这种新算法能得到比传统动态矩阵控制算法更好的控制性能,改进了网络控制系统可靠性。