Eine Online‑Regelstrategie, die ein dynamisches Modell nutzt, um in jedem Abtastzeitpunkt ein beschränktes Optimierungsproblem über einen endlichen Horizont zu lösen und dabei Systemdynamik sowie explizite Eingangs‑/Zustandsgrenzen zu berücksichtigen; nur die erste Steueraktion wird angewendet und die Optimierung beim nächsten Schritt wiederholt (rezedierender Horizont).

Prinzip

Receding‑Horizon‑Optimierung antizipiert das zukünftige Verhalten über das Modell und erzwingt explizit Nebenbedingungen, wobei sie kurzfristigen Stellaufwand gegen langfristige Zielgrößen abwägt; wiederholte Neuoptimierung liefert Rückkopplung, die Modellunsicherheiten und Störungen innerhalb der Solver‑ und Abtastratenbeschränkungen korrigiert.

Demonstration

Illustrierendes Szenario — Situation: Ein autonomes Fahrzeug muss eine Spur halten und zugleich Ratenbegrenzungen des Lenkwinkels und Seitenlagenbeschränkungen einhalten. Erkennen: Multivariable Nebenbedingungen und Vorhersagen sind entscheidend. Handlung: MPC löst in jedem Schritt eine Optimierung, die Spurabweichung und Stellaufwand über einen Horizont minimiert und Lenkraten‑ sowie Sicherheitskorridor‑Beschränkungen erzwingt; die erste Lenkung wird angewendet und anschließend replanned. Folge: Das Fahrzeug hält die Beschränkungen ein und plant vorausschauend, wodurch glattere, nebenbedingungskonforme Trajektorien entstehen als bei kurzsichtigen Reglern.

Fehlanwendung

Anzunehmen, MPC garantiere Stabilität und Machbarkeit der Regelung ohne entsprechende Gestaltung von terminaler Kosten/Nebenbedingungen oder ohne Berücksichtigung von Solver‑Verzögerungen und Modellabweichungen. Der Fehler ist, endliche Horizonte mit globaler Stabilität zu verwechseln und praktische Rechen‑ und Störungsfaktoren zu vernachlässigen.

Konsequenz

Richtig eingesetzt verbessert MPC die Behandlung multivariabler Nebenbedingungen und das vorausschauende Verhalten, was Sicherheit und Effizienz steigert; er erfordert jedoch genaue Modelle, Parametrierung und zuverlässige Solver — schlechte Modelle, unlösbare Nebenbedingungen oder Latenz können zu Leistungseinbußen, Unlösbarkeit oder Instabilität führen.

Umkehrung

Sind die Systemdynamiken im Verhältnis zur verfügbaren Rechenzeit extrem schnell, sind CPU‑Ressourcen begrenzt oder ist Robustheit gegenüber unbekannten Störungen vorrangig, können einfachere Rückführungsregler (PID, LQR mit Gain‑Scheduling) oder explizite MPC‑Approximationen in der Praxis besser sein als ein Online‑MPC.

Abgrenzung

Eindeutig innerhalb: beschränkte, multivariable Regelung eines Prozesses oder Fahrzeugs mit validiertem Vorhersagemodell und ausreichender Rechenkapazität zur Lösung der Online‑Optimierung. Grenzfall: linearisiertes oder approximiertes MPC auf einer Plattform mit geringerer Abtastrate oder suboptimalem Solver. Eindeutig außerhalb: einfache, unbeschränkte Einregelkreise, für die ein PID ausreichend ist.

Semantische Spannung

Optimalität versus Robustheit/Komplexität — MPC liefert optimale, nebenbedingungsgerechte Regelung, steigert aber Komplexität und Rechenaufwand; das strikte Erzwingen harter Nebenbedingungen kann zu Unlösbarkeit führen, sodass zwischen weichen Beschränkungen, Konservativität und numerischer Tragbarkeit abgewogen werden muss.

Synthese

MPC verankert Optimierung in der Regelrückführung, um multivariable Wechselwirkungen und Nebenbedingungen vorausschauend zu behandeln; sein praktischer Nutzen hängt von Modelltreue, Solver‑Zuverlässigkeit und Latenzmanagement ab — ohne diese ist die theoretische Optimalität nicht ausreichend für sichere, robuste Regelung.