Estrategia de control en línea que utiliza un modelo dinámico para resolver en cada instante de muestreo un problema de optimización con horizonte finito sujeto a restricciones, generando una secuencia de acciones de control óptimas conforme a la dinámica y a restricciones explícitas de entrada/estado, y aplicando solo la primera acción antes de repetir la optimización (horizonte deslizante).

Principio

La optimización de horizonte deslizante anticipa el comportamiento futuro mediante el modelo y aplica restricciones explícitas, ponderando el esfuerzo de control inmediato frente a objetivos a largo plazo; la reoptimización repetida introduce realimentación que corrige la discrepancia de modelo y perturbaciones dentro de los límites del solver y muestreo.

Demostración

Escenario ilustrativo — Situación: Un vehículo autónomo debe mantener la trayectoria respetando límites de velocidad de giro y posición lateral. Reconocimiento: Son críticas las restricciones multivariables y la predicción de obstáculos. Acción: En cada paso MPC resuelve una optimización que minimiza error de carril y esfuerzo de control sobre un horizonte imponiendo restricciones de velocidad de giro y corredor de seguridad; se aplica la primera acción de volante y se vuelve a planificar. Consecuencia: El vehículo cumple restricciones y anticipa maniobras, generando trayectorias más suaves y conscientes de las restricciones que los controladores miopes (sin predicción).

Aplicación incorrecta

Suponer que MPC garantiza estabilidad y factibilidad en lazo cerrado sin un diseño terminal adecuado de coste/constraints o sin tener en cuenta retrasos del solver y desajustes del modelo. El error consiste en confundir optimalidad en horizonte finito con estabilidad global e ignorar realidades computacionales y de perturbaciones.

Consecuencia

El MPC bien implementado mejora el manejo de restricciones multivariables y el comportamiento anticipatorio, permitiendo operación más segura y eficiente; requiere modelos fiables, sintonía y solvers confiables — modelos pobres, restricciones infeasibles o latencia pueden degradar el rendimiento o causar inestabilidad.

Inversión

Cuando la dinámica es extremadamente rápida respecto a la capacidad de cálculo disponible, cuando los recursos computacionales son muy limitados o cuando la robustez frente a perturbaciones no modeladas es prioritaria, controladores más simples (PID, LQR con scheduling) o aproximaciones explícitas de MPC pueden superar al MPC online en la práctica.

Límite

Claramente dentro: control multivariable con restricciones de un proceso o vehículo con modelo predictivo validado y CPU suficiente para resolver la optimización online al ritmo de muestreo. Caso límite: MPC linealizado o aproximado en una plataforma con muestreo más lento o solver subóptimo. Claramente fuera: sistemas de lazo único sin restricciones donde un PID cumple sin necesidad de predicción.

Tensión semántica

Optimalidad frente a robustez/complejidad — MPC proporciona control óptimo con restricciones pero aumenta la complejidad y el coste computacional; imponer restricciones estrictas puede provocar inviabilidad, exigiendo equilibrar restricciones suaves, conservadurismo y tractabilidad computacional.

Síntesis

MPC incorpora optimización en la realimentación para gestionar anticipadamente interacciones multivariables y restricciones; su beneficio práctico depende de la fidelidad del modelo, la fiabilidad del solver y la gestión de latencias — sin ello, su optimalidad teórica no garantiza operación segura y robusta.