模型预测控制(Model Predictive Control,简称MPC)较之传统的PID控制,在处理具有复杂约束的系统中表现出其巨大的优势,并在大型过程工业过程的控制中得到广泛应用。MPC是一种基于在线优化的控制方法,对于具有强实时性要求的大规模系统,由于需要在线求解的优化问题规模过大,传统的集中式MPC难以保证在规定的控制周期得到收敛的优化解,限制了其适用范围。分布式模型预测控制(Distributed Model Predictive Control,简称DMPC)通过将原系统分解为若干个耦合子系统来降低在线优化求解的复杂度,成为现阶段解决大规模系统的模型预测控制问题的有效手段之一。本文针对线性时不变系统,通过考虑子系统间的输出耦合约束,将集中式MPC的优化问题转化成具有代表性的DMPC优化问题。针对DMPC优化问题,讨论了几类典型的DMPC优化算法,给出了这些算法的实现步骤。分布式交替方向乘子法(Distributed Alternating Direction Method of Multipliers,简称DADMM)结合了对偶法的并行性和乘子法的收敛性,并且在一定条件下,算法对于所有的参数值都能达到收敛,这使得其在分布式优化领域得以广泛应用。本文主要针对该算法中唯一参数?的选取提出了一种改进的分布式模型预测控制算法并分析了所涉及算法的理论计算量:首先,结合原分布式ADMM算法与过放缩法,将原分布式ADMM算法进行相应转换;然后,结合该转换后的算法,推导出适用于所构建的DMPC问题的最优步长选取原则,并以此原则离线求得算法步长的暖启动参数;接着,为了进一步作为算法的收敛速度,在迭代过程中采取变惩罚参数的方法。最后,通过仿真实验比较了算法的收敛性能,并验证了改进算法的有效性。