模型预测控制(ModelPredictiveControl(MPC))是直接从工业过程控制中产生的一类基于模型预测、滚动优化并结合反馈校正的先进计算机优化控制算法。由于模型在工业现场易于获得，不需要复杂的系统辨识与建模，采用反馈校正基础上的在线滚动优化取代传统的最优控制，所以它对模型的要求低，对模型失配、非最小相位系统、不确定干扰的影响具有较强的鲁棒性，而且在线计算相对比较简单，适用于数字计算机控制。其基本思想是将传统自校正技术的单步预测扩展为多步预测，从而有效地抑制了算法对于模型参数变化的灵敏性。它的典型算法有三大类：模型算法控制(ModelAlgorithmicControl(MAC))、动态矩阵控制(DynamicMatrixControl(DMC))、广义预测控制(GeneralizedPredictiveControl(GPC))。它们都基于模型预测、滚动优化、反馈校正三大环节。 广义预测控制作为预测控制中一种重要的典型算法，它一出现就受到了国内外控制理论界和工业界的重视，成为研究领域中最为活跃的一种预测控制算法。广义预测控制由于采用多步输出预测、滚动优化和反馈校正等控制策略，获取系统过去和未来的有关信息比单步预测多，因而抗负载扰动、随机噪声、时延变化等能力显著增强。当模型参数慢时变时，采用自校正控制策略在线辨识参数，以适应参数和环境的变化，更增强了广义预测控制的适应性和鲁棒性，所以可适用于有纯时延、开环不稳定非最小相位的复杂过程。但由于采用多步输出预测，需要在线递推求解丢番图(Diophantine)方程，滚动优化中又需要在线对控制矩阵进行求逆运算，导致计算工作量大，实时性降低。因而研究广义预测控制的改进，减少计算量，提高实时性，具有重要的理论意义与实际应用价值。本文在研究总结国内外研究的基础上，提出了一种快速算法，大大减小了计算量。 由于广义预测控制机理上的滚动时域特点，它的控制器参数设定多是启发式的，其主要参数都是以隐含的方式出现在闭环传递函数中，因而难以进行定量分析。这给广义预测控制的稳定性和鲁棒性研究带来了困难，而且相应存在控制器参数的调节问题。因其模型计算中的卷积性质使其难以采用较小的采样周期，难以克服生产过程中突变性扰动，影响了控制品质。而传统的由反馈系统偏差的比例(P)、积分(I)、和微分(D)的线性组合构成的反馈控制律—PID控制，控制算法简单，不基于任何模型，有较小的采样周期，对过程中的突变性扰动有很好的控制效果。如果把广义预测控制和传统的PID控制结合起来，则不但能克服过程中的大滞后、非线性和时变的影响，还能显著的克服控制过程中的突变性扰动。因此，本文在分析PID算法和广义预测控制算法的基础上，推导了PID型广义预测控制算法(PIDGPC)，并在时域内分析了PIDGPC控制器的参数选择对控制性能的影响，通过仿真说明了PIDGPC算法比基本GPC算法具有更好的控制性能。