随机环境下的数据驱动预测控制：一个统一框架

数据驱动预测控制（DDPC）近年来被提出作为传统模型预测控制（MPC）的一种有效替代方案，因其具有时间效率高且相对于预言机解无偏的独特优势。然而，人们也观察到噪声可能严重损害最终的闭环性能，因为它既影响基于数据的系统表示，也影响从在线测量计算得到的控制更新。近期研究表明，正则化可能是抵消噪声影响的一种成功工具。同时，正则化需要对一组惩罚项进行调参，而在没有闭环实验的情况下，这些项的选择实际上可能很困难。在本文中，借助子空间辨识工具，我们追求三重目标：$(i)$ 为现有的随机系统正则化数据驱动预测控制方案建立一个统一框架；$(ii)$ 引入 $\gamma$-DDPC，一种高效的两阶段方案，将优化问题拆分为两部分：拟合初始条件与优化未来性能，同时保证约束满足；$(iii)$ 讨论正则化在数据驱动预测控制中的作用，就 $何时$ 与 $如何$ 应用正则化提供新的见解。最后，一个基准数值案例研究说明了 $\gamma$-DDPC 的性能，展示了当受益于子空间辨识领域的见解时，控制器设计在调参工作量和计算复杂度方面如何得以简化。