Stratégie de commande en ligne qui utilise un modèle dynamique pour résoudre à chaque instant d'échantillonnage un problème d'optimisation contraint sur un horizon fini, produisant une séquence de commandes optimales soumise à la dynamique et aux contraintes explicites d'entrée/état, et n'appliquant que la première commande avant de répéter l'optimisation (horizon glissant).

Principe

L'optimisation à horizon glissant anticipe le comportement futur via le modèle et applique explicitement les contraintes, arbitrant entre effort de commande immédiat et objectifs à plus long terme ; la re‑optimisation répétée fournit une boucle de retour corrigeant partiellement les erreurs de modèle et les perturbations dans les limites du solveur et de l'échantillonnage.

Démonstration

Scénario illustratif — Situation : Un véhicule autonome doit suivre une voie tout en respectant limites de vitesse de braquage et position latérale. Reconnaissance : Les contraintes multivariables et la prédiction des obstacles sont critiques. Action : À chaque pas MPC résout une optimisation minimisant l'erreur de trajectoire et l'énergie de commande sur un horizon en imposant les contraintes de vitesse de braquage et de corridor de sécurité ; la première commande est appliquée puis le plan est recalculé. Conséquence : Le véhicule respecte les contraintes et anticipe les manœuvres, produisant des trajectoires plus lisses et conformes aux contraintes qu'un contrôleur myope.

Mauvaise application

Supposer que MPC garantit stabilité et faisabilité en boucle fermée sans conception de coût/contrainte terminale appropriée ou sans tenir compte des délais du solveur et du décalage de modèle. L'erreur est de confondre optimalité sur horizon fini avec stabilité globale et d'ignorer limitations computationnelles et perturbations.

Conséquence

Un MPC correctement mis en œuvre améliore la gestion des contraintes multivariables et le comportement anticipatif, rendant l'exploitation plus sûre et efficace ; cependant il exige modèles fiables, réglage et solveurs robustes — modèles mauvais, contraintes infeasibles ou latence peuvent dégrader les performances ou même provoquer instabilité.

Inversion

Lorsque la dynamique est extrêmement rapide par rapport à la vitesse de calcul disponible, que les ressources CPU sont limitées, ou quand la robustesse aux perturbations non modélisées prime, des contrôleurs plus simples (PID, LQR avec gain scheduling) ou des approximations MPC explicites peuvent être préférables en pratique.

Limite

Clairement inclus : contrôle contraint multivariable d'un procédé ou véhicule avec modèle prédictif validé et CPU suffisante pour résoudre l'optimisation au taux d'échantillonnage. Cas frontière : MPC linéarisé ou approximé sur une plateforme à plus faible fréquence d'échantillonnage ou avec solveur sous‑optimal. Clairement exclu : systèmes mono‑boucle sans contraintes où un PID répond aux exigences sans prédiction.

Tension sémantique

Optimalité versus robustesse/complexité — le MPC offre une commande optimale contrainte mais accroît la complexité computationnelle et de réglage ; imposer des contraintes strictes peut engendrer l'infaisabilité, obligeant à arbitrer entre contraintes souples, conservatisme et tractabilité numérique.

Synthèse

Le MPC intègre l'optimisation dans la boucle de commande pour gérer de façon proactive interactions multivariables et contraintes ; son intérêt pratique dépend de la fidélité du modèle, de la fiabilité du solveur et de la gestion de la latence — sans ces éléments, son optimalité théorique n'assure ni sécurité ni robustesse.