模型预测控制(Model Predictive Control, MPC)是一种基于模型的先进控制技术。该技术已在工业过程控制中得到了成功的应用,同时也在不断发展与完善。经典控制理论和现代控制理论都是以受控对象的精确数学模型为基础,然而实际中的对象往往是多变量、高阶、时变的复杂过程,因此常常是难以建立起符合需要的数学模型。与之相反,模型预测控制对模型精度的要求不高,同时却具有较高的控制性能。模型预测控制的优点决定了该方法能够有效地用于复杂工业过程的控制,并且已在石油、化工、冶金、机械等工业部门的过程控制系统中得到了成功的应用。在实际应用中,对于复杂的工业大系统,在利用传统的模型预测控制(MPC)方法对其实施控制时,常需要在较大的时域中进行。因此,将不可避免地产生较高的计算复杂性,并带来巨大的计算负荷。针对上述问题,本文主要开展了如下几方面的研究工作。(1)基于在时间域建立起来的动态模型,利用离散正交小波变换,在二叉树上确定并推导相应的多尺度动态模型。(2)利用建立的多尺度动态模型,给出了一种能并行执行的多尺度模型预测控制算法。新算法不仅能减少问题的复杂度,提高算法的运行速度,而且仍能确保系统的鲁棒性和稳定性;最后,再利用计算机仿真实验结果比较传统的MPC方法与新的多尺度模型预测控制(MSMPC)方法在性能上的差异。(3)在多尺度域中定义了多尺度动态系统的能控性与能观性,并给出了多尺度动态系统能控性和能观性相应的证明和分析。