浙大博士论文：人工智能下MPC并行计算系统及实验验证

本篇论文深入探讨了人工智能领域的一个关键技术分支——模型预测控制（Model Predictive Control, MPC），尤其是在并行计算系统方面的应用。研究起源于与通用电气全球研发中心（上海）合作的项目——“燃料电池的MPC系统”。作者首先对MPC设计方法进行了深入研究，主要聚焦于两种关键策略： 1. 保守状态反馈鲁棒MPC设计：基于线性矩阵不等式理论，提出了一种低保守性的状态反馈策略，旨在确保控制器在面对不确定性和变化时仍能提供稳定和高效的控制。 2. 动态输出反馈鲁棒MPC设计：通过结合广义特征值优化和仪器矩阵变换，开发出一种能够处理实时系统动态输出的优化方法，增强了系统的适应性和响应速度。 论文的核心部分着重于实验验证，通过仿真实验和原型实验，论文考察了稠密矩阵乘法、稀疏矩阵乘法以及MPC计算过程中的矩阵连乘法，验证了所提出的算法在性能上的提升。这些实验展示了在实际应用中，特别是在燃料电池模型预测控制系统中的并行计算效率和效果。 在稀疏矩阵乘法方面，由于其在许多实际问题中具有广泛存在，例如在电池管理系统中，稀疏矩阵的特性被充分利用来减少计算量，提高计算效率。同时，论文还探讨了如何将这种并行计算技术应用于MPC系统，以支持大规模数据处理和实时决策。 在PEMFC（碱性燃料电池）模型预测控制实例中，作者详细剖析了如何构建MPC并行计算系统，包括硬件平台的选择（如FPGA，Field-Programmable Gate Array，因其灵活性和高性能计算能力）、软件设计和任务分配策略，以便在保证控制精度的同时，有效利用并行计算资源。 最后，论文总结了研究成果，强调了创新点，如低复杂度的控制算法和并行计算技术在MPC系统中的集成。作者还提出了未来研究的方向，可能涉及更高级别的并行优化、更复杂的控制场景适应性，以及与其他新兴技术如云计算或边缘计算的融合，以进一步推动MPC技术的发展。 关键词提炼了本文的核心关注点，包括模型预测控制、鲁棒控制、FPGA、矩阵乘法、稀疏矩阵以及并行计算，这些都是理解本研究工作的重要线索。这篇论文是人工智能和机器学习领域中，探索模型预测控制在复杂系统优化中的并行计算策略的一份重要文献。