模型预测控制(简称预测控制)是20世纪70年代在长期的工业实践过程中产生和发展起来的一类新型计算机控制算法,由于预测控制对模型要求低、鲁棒性强,并能有效地处理时变时滞、多变量和带约束等问题,线性预测控制方法目前已经被广泛应用在石油、化工、冶金、机械、机器人、生物医学等领域,并且取得了非常明显的经济效益。但工业过程和现场非常复杂,实际控制系统往往具有强耦合性、强非线性、时滞时变等特性。面对复杂的控制对象和更高的控制性能要求,基于线性模型的预测控制很难实现实时而有效的控制,因此研究针对非线性系统的预测控制方法已经成为工业控制界非常关注的课题。将人工智能引入控制系统是现代自动控制学科发展的趋势,作为多学科交叉领域的前沿技术,人工神经网络具有自学习、自适应不确定性系统动态特性和逼近任意复杂非线性系统的特点,这使得神经网络可以应用在解决非线性和不确定性系统的建模问题中。因此将神经网络和预测控制的优势结合起来的基于神经网络的非线性预测控制逐渐成为了解决非线性系统控制问题的重要方法。基于上述理论,本文首先介绍非线性预测控制的产生发展、非线性预测控制的主要研究方法和神经网络非线性预测控制的研究现状,然后详细阐述了预测控制的产生发展和基本原理,并着重介绍广义预测控制的基本算法和参数选择原则,同时指出预测控制是针对线性系统提出的,对于非线性系统由于难以建立精确模型进行多步预测,预测控制的控制效果往往不理想。因此本文引入具有良好逼近能力的局部动态反馈网络Elman神经网络对非线性系统进行模型辨识,并在此基础上提出将改进Elman神经网络应用在广义预测控制中。首先利用神经网络作为预测模型进行多步预测,并输出未来输出值,然后利用优化算法使目标函数达到最优求出最优控制量。为了避免通过推导改进Elman神经网络的雅克比矩阵(Jacobian)来计算最优控制律算法的复杂性,本文采用动态自适应粒子群算法(APSO)作为优化算法来设计预测控制器。最后,选取典型的强非线性对象进行仿真研究,结果表明基于改进Elman神经网络的非线性预测控制取得了较好的控制效果。