模型预测控制凭借其优越的性能和显示处理约束的能力得到了广泛应用,然而针对非线性系统预测控制的研究仍然存在诸多难点:一、难以建立精确的数学模型,且模型的形式复杂;二、需要在线求解非线性优化问题,计算量极大,耗费的时间过长。T-S模糊模型不仅能以任意精度逼近任意紧致凸集上的光滑非线性函数,而且能够将非线性系统拆分为若干线性子系统,降低系统控制的难度。本文研究了基于T-S模糊模型的非线性系统建模方法,通过对原非线性系统输入输出数据构成的工作空间进行聚类划分,将其表示为一组由隶属函数光滑连接的局部线性系统的组合。在此基础上,本文研究了基于T-S模糊模型的非线性系统预测控制问题,通过对T-S模糊模型中的每个线性子系统分别设计各自的预测控制器,并将每个控制器的输出进行模糊融合最终得到非线性系统的预测控制器。本文的主要内容分为以下部分:(1)研究基于非线性系统的输入输出数据,利用T-S模糊模型进行非线性系统建模的方法和步骤。本文采用FCM聚类算法划分输入输出数据构成的空间,确定每个线性子系统工作的范围以及T-S模糊模型前件的参数;采用最小二乘法离线辨识T-S模糊模型后件的参数。(2)针对FCM聚类算法易受初始聚类中心影响的缺点,引入了人工蜂群算法。首先对人工蜂群算法进行改进,增加其收敛速度,并在基准函数上验证算法的有效性;然后提出一种基于改进人工蜂群算法的FCM聚类算法,使聚类结果更加准确和稳定。(3)改进了T-S模糊模型前件和后件的形式,增加了模型的灵活性,减少了建模的难度。对几个典型的SISO和MIMO非线性系统的仿真效果也证明了改进模型的有效性。(4)研究了基于状态空间模型的有约束线性系统的预测控制,提出一种获得约束条件下控制律的近似函数的方法。在SISO线性系统上的仿真结果证明了算法的可行性。(5)研究了基于T-S模糊模型的非线性系统预测控制问题,采用并行分布补偿的方式对每个线性子系统单独设计控制器,将非线性系统的预测控制问题变为传统的线性预测控制问题,降低了非线性系统预测控制的难度。