nlmpcmoveCodeGeneration

使用代码生成支持计算非线性MPC控制移动万博1manbetx

折叠所有页面

句法

[mv，newonlinedata] = nlmpcmovecodegeneration（coredata，x，lastmv，onlinedata）

[___,信息]= nlmpcmoveCodeGeneration (___）

描述

[mv那newOnlineData) = nlmpcmoveCodeGeneration (coreData那X那lastMV那onlinedata.）计算最优的非线性MPC控制移动，并支持代码生成以部署到实时目标。万博1manbetx控制移动使用当前预测模型状态(X)，则控制从上一个控制间隔(lastMV)，以及输入数据结构(coreData和nlOnlineData)生成的使用getCodeGenerationData．

nlmpcmoveCodeGeneration不检查输入参数以获得正确的尺寸和数据类型。

[___那信息) = nlmpcmoveCodeGeneration (___）返回有关优化结果的其他信息，包括迭代次数和目标函数成本。

例子

全部折叠

使用代码生成数据结构计算非线性MPC控制动作

这个示例使用:

打开生活的脚本

创建一个具有四个状态，两个输出和一个输入的非线性MPC控制器。

nlobj = nlmpc (4 2 1);

在标准代价函数中，默认情况下对一个或多个OVs应用零权，因为mv比OVs少。

指定控制器的采样时间和视野。

t = 0.1;nlobj。Ts= Ts; nlobj.PredictionHorizon = 10; nlobj.ControlHorizon = 5;

在文件中指定控制器的状态函数pendulumDT0.m．该离散时间模型集成了定义的连续时间模型pendulumCT0.m使用多步前推欧拉法。

nlobj.Model.StateFcn =“pendulumDT0”；nlobj.model.iscontinuoustime = false;

预测模型使用一个可选参数，Ts，表示样本时间。指定参数数量并创建参数向量。

nlobj.Model.NumberOfParameters = 1;params = {Ts};

指定模型的输出函数，将样本时间参数作为输入参数传递。

nlobj.Model.OutputFcn =“pendulumoutputfcn”；

为控制器定义标准约束。

nlobj.Weights.OutputVariables = [3 3];nlobj.Weights.ManipulatedVariablesRate = 0.1;nlobj.OV(1)。最小值= -10;nlobj.OV(1)。Max = 10;nlobj.MV.Min = -100;nlobj.MV.Max = 100;

验证预测模型函数。

x0 = [0.1; 0.2; -pi / 2; 0.3];U0 = 0.4;validatefcns（nlobj，x0，u0，[]，params）;

model.statefcn是好的。model.outputfcn是好的。分析用户提供的模型，成本和约束函数完成。

只有两个植物状态是可衡量的。因此，创建一个扩展的卡尔曼滤波器，用于估计四个工厂状态。它的状态转换功能是定义的pendulumStateFcn.m其测量功能定义为pendulumMeasurementFcn.m．

EKF = extendedKalmanFilter (@pendulumStateFcn @pendulumMeasurementFcn);

定义仿真的初始条件，初始化扩展卡尔曼滤波状态，并指定初始操纵变量值为零。

x0 =[0, 0, -π;0];x0 y0 = (x0 (1); (3)];卡尔曼滤波器。状态= x0;mv0 = 0;

为控制器创建代码生成数据结构，指定初始条件和参数。

[coreData, onlineData] = getCodeGenerationData (nlobj, x0、mv0 params);

在在线数据结构中指定输出参考值。

onlineData。裁判= [0 0];

为了验证控制器的运行，运行一个模拟10秒。在每个控制间隔期间:

使用当前的测量值修正先前的预测。
计算最优控制移动使用nlmpcmoveCodeGeneration．这个函数返回计算得到的最佳序列onlinedata.．将更新后的数据结构传递给nlmpcmoveCodeGeneration在下一个控制区间中提供最优序列的初始猜测。
预测模型状态。
将第一个计算的最佳控制移动到工厂，更新植物状态。
产生带有白噪声的传感器数据。
拯救植物状态。

mv = mv0;y = y0;x = x0;时间= 10;xHistory = x0;为CT = 1 :(持续时间/ TS）正确的先前预测xk =正确(卡尔曼滤波器,y);%计算最优控制移动[mv, onlineData] = nlmpcmoveCodeGeneration (coreData xk, mv, onlineData);% Predict下一次迭代的预测模型状态预测(卡尔曼滤波器,[mv;Ts]);％实施第一最佳控制移动x = pendulumDT0 (x, mv, Ts);％生成传感器数据Y = X（[1 3]）+ RANDN（2,1）* 0.01;%保存植物状态xHistory = [xHistory x];结束

用MATLAB®Coder™生成一个MEX函数，指定coreData是一个常数。

func =“nlmpcmoveCodeGeneration”；funcOutput =“nlmpcmoveMEX”；Cfg = coder.config ('mex'）;cfg.dynamicmemoryallocation =.“关闭”；codegen (“配置”，cfg，func，“o”funcOutput,'-args'那．．．{coder.Constant (coreData), xk, mv, onlineData});

代码生成成功。

输入参数

全部折叠

`coreData`-非线性MPC配置参数
结构

在运行时恒定的非线性MPC配置参数，指定为使用的结构getCodeGenerationData．

笔记

当使用codegen(MATLAB编码器)那coreData必须定义为编码器。常数(MATLAB编码器)．

`X`-当前预测模型状态
列向量

当前预测模型状态，指定为长度向量N_X,在那里N_X为预测模型的状态数。中定义了预测模型状态函数nlobj.Model.StateFcn．

由于非线性MPC控制器不执行状态估计，因此必须在每个控制间隔处测量或估计当前预测模型状态。有关非线性MPC预测模型的更多信息，请参阅为非线性MPC指定预测模型．

`lastMV`-在以前的控制间隔内，设备中使用的控制信号
列向量

在以前的控制间隔内，设备中使用的控制信号，指定为长度的列向量N_mv,在那里N_mv为被操纵变量的个数。

笔记

指定lastMV随着操纵变量信号在先前的控制间隔中施加到工厂。通常，这些信号是由控制器生成的值（mv）.然而，情况并非总是如此。例如，如果您的控制器离线并运行在跟踪模式;即控制器输出不驱动被控对象，然后将实际控制信号馈电给被控对象last_mv当控制器在线切换后，可以帮助实现无闷吸的转移。

`onlinedata.`-在线控制器数据
结构

必须在运行时更新的在线控制器数据，指定为具有以下字段的结构。使用。生成初始结构getCodeGenerationData．有些结构字段不是必需的，这取决于控制器的配置以及在运行时变化的权重或约束。

`裁判`-输出参考值
行向量|数组

植物输出参考值，指定为长度的行向量N_y或一个阵列N_y列,N_y为输出变量的个数。

要在整个预测范围内使用相同的参考值，请指定行向量。

从时间从预测地平线上变化参考值K.+ 1,K.+P.，指定最多的数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测水平步骤的参考值。如果指定小于P.行，最后一行中的值用于预测视界的其余步骤。

如果控制器的成本函数不使用裁判,离开裁判默认值。

`mvTarget`-操纵变量目标
行向量|数组

被操纵的变量目标，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。

要在整个预测范围内使用相同的操纵变量目标，请指定行向量。

随着时间的推移，在预测视界(预览)范围内改变目标K.时间K.+P.-1，指定一个数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测水平步骤的目标。如果指定小于P.行，最终目标用于预测视界的其余步骤。

如果控制器的成本函数不使用mvTarget,离开mvTarget默认值。

`X0`-最优状态解的初始猜测万博尤文图斯
矢量|数组

最佳状态解决方案的初始猜测，指定为长度的行矢量万博尤文图斯N_X或一个阵列N_X列,N_X是状态数。

要在预测地平线上使用相同的初始猜测，请指定行向量。

在不同时间的预测范围内改变最初的猜测K.+ 1,K.+P.，指定最多的数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测水平步骤的初始猜测。如果指定小于P.行，最终猜测用于预测地平线的其余步骤。

通常，在闭环模拟期间，您不需要指定X0你自己。相反,当调用nlmpcmoveCodeGeneration,返回newOnlineData参数，其中包含已更新的X0估计。你就可以通过了newOnlineData在onlinedata.输入参数nlmpcmoveCodeGeneration为下一个控制间隔。

`MV0`-最优操纵变量解的初始猜测万博尤文图斯
矢量|数组

最优操纵变量解的初始猜测，指定为长度的行向量万博尤文图斯N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。

要在预测地平线上使用相同的初始猜测，请指定行向量。

在不同时间的预测范围内改变最初的猜测K.时间K.+P.-1，指定一个数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测水平步骤的初始猜测。如果指定小于P.行，最终猜测用于预测地平线的其余步骤。

通常，在闭环模拟期间，您不需要指定MV0你自己。相反,当调用nlmpcmoveCodeGeneration,返回newOnlineData参数，其中包含已更新的MV0估计。你就可以通过了newOnlineData在onlinedata.输入参数nlmpcmoveCodeGeneration为下一个控制间隔。

`Slack0`-松弛变量在解处的初始猜测
负的标量

松弛变量在解处的初始猜想，指定为非负标量。

通常，在闭环模拟期间，您不需要指定Slack0你自己。相反,当调用nlmpcmoveCodeGeneration,返回newOnlineData参数，其中包含已更新的Slack0估计。你就可以通过了newOnlineData在onlinedata.输入参数nlmpcmoveCodeGeneration为下一个控制间隔。

`医学博士`-测量的扰动值
行向量|数组

测量的扰动值，指定为长度的行向量N_医学博士或一个阵列N_医学博士列,N_医学博士是测量障碍的数量。如果您的控制器有衡量的干扰，则必须指定医学博士．如果控制器没有可测量的扰动，那么getCodeGenerationData省略了这一领域。

要在整个预测视界使用相同的扰动值，请指定行向量。

从时间从预测地平线上变化干扰值K.时间K.+P.，指定最多的数组P.+ 1行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测视界步长的扰动值。如果指定小于P.行，最后一行中的值用于预测视界的其余步骤。

`参数`——参数值
细胞向量

的预测模型、自定义成本函数和自定义约束使用的参数值，指定为长度等于的单元格向量Model.numberof Parameters.属性。如果控制器没有参数，则getCodeGenerationData省略了这一领域。

参数的顺序必须符合为预测模型、自定义成本函数和自定义约束定义的顺序。

`OutputWeights`—输出可变调优权重
行向量|数组

在运行时替换默认调优权重的输出变量调优权重，指定为长度的行向量N_y或一个阵列N_y列,N_y为输出变量的个数。如果您希望输出变量权重在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测范围内使用相同的权重，请指定行向量。

根据时间改变预测视界上的权重K.+ 1,K.+P.，指定最多的数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测水平步骤的权重。如果指定小于P.行，最终权重用于预测范围的其余步骤。

`MVWeights`-操纵变量调优权重
行向量|数组

操纵可变调谐重量，可在运行时更换默认调谐权重，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果您希望在运行时进行操纵的可变权重，则必须在通话时将此字段添加到在线数据结构getCodeGenerationData．

要在整个预测范围内使用相同的权重，请指定行向量。

`MVRateWeights`-操纵可变率调优权重
行向量|数组

在运行时替换默认调优权重的操纵可变速率调优权重，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果您希望操作的可变速率重量在运行时会有所不同，则必须在致电时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测范围内使用相同的权重，请指定行向量。

`ECRWeight`-松弛可变调优权重
正标量

松弛可变率调优权重，它在运行时替换默认调优权重，指定为正标量。如果希望松弛变量权重在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

`outputmin.`—输出变量下界
行向量|数组

在运行时替换默认下界的输出变量下界，指定为长度的行向量N_y或一个阵列N_y列,N_y为输出变量的个数。如果您希望输出变量下界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

根据时间改变预测范围K.+ 1,K.+P.，指定最多的数组P.行。这里，K.是当前的时间和P.是预测视界。每一行包含一个预测视界步骤的边界。如果指定小于P.行，最后的边界用于预测视界的其余步骤。

`OutputMax`—输出变量上界
行向量|数组

输出变量上界，在运行时替换默认上界，指定为长度的行向量N_y或一个阵列N_y列,N_y为输出变量的个数。如果希望输出变量上界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`StateMin`-状态下界
行向量|数组

状态下界，在运行时替换默认下界，指定为长度的行向量N_X或一个阵列N_X列,N_X是状态数。如果希望状态下界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`StateMax`-状态上界
行向量|数组

状态上界，在运行时替换默认上界，指定为长度的行向量N_X或一个阵列N_X列,N_X是状态数。如果希望状态上界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`MVMin`-操纵变量下界
行向量|数组

操纵可变的可变下限，替换运行时的默认下限，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果希望操纵变量的下界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`MVMax`-操纵变量上界
行向量|数组

操纵可变的上限，替换运行时的默认上限，指定为长度的行矢量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果希望操纵变量的上界在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`MVRateMin`-操纵可变利率下界
行向量|数组

在运行时替换默认下界的操纵变量速率下界，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果您希望操纵的可变速率下限在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

`MVRateMax`-操纵可变利率上限
行向量|数组

在运行时替换默认上限的操纵变量速率上限，指定为长度的行向量N_mv或一个阵列N_mv列,N_mv为被操纵变量的个数。如果希望操纵的可变速率上限在运行时发生变化，则必须在调用时将此字段添加到在线数据结构中getCodeGenerationData．

要在整个预测视界中使用相同的边界，请指定行向量。

输出参数

全部折叠

`mv`-最优操纵变量控制动作
列向量

最优操纵变量控制动作，返回为长度的列向量N_mv,在那里N_mv为被操纵变量的个数。

如果求解器会聚到局部最佳解决方案（信息。ExitFlag.是积极的),然后呢mv包含最优解。

如果求解器达到最大迭代次数，找到可行次最优解(信息。ExitFlag = 0):

coredata.usesuboptimalsolution是真正的，然后mv包含次优解
coredata.usesuboptimalsolution是假，然后mv包含lastMV

如果求解器无法找到可行的解决方案（信息。ExitFlag.是负的),然后呢mv包含lastMV．

`newOnlineData`- 更新了在线控制器数据
结构

更新在线控制器数据，作为结构返回。这个结构和onlinedata.，除了决策变量初始猜测（X0那MV0,Slack0)更新。

对于随后的控制间隔，温暖的开始通过修改在线数据，求解器newOnlineData并将更新的结构传递给nlmpcmoveCodeGeneration作为onlinedata.．这样做允许求解器使用判定变量初始猜测作为其解决方案的起点。

`信息`- 解决方案细节
结构

解决方案详细信息，作为具有以下字段的结构返回。

`mvopt.`-最优操纵变量序列
数组

最佳操纵变量序列，返回为a（P.+ 1)——-N_mv数组,P.预测的范围是和吗N_mv为被操纵变量的个数。

MVopt(我,:)包含每次计算的最优操纵变量值k +张，为了我= 1,…,p,在那里K.为当前时间。mvopt（1，:)包含与输出参数相同的操纵变量值mv．由于控制器不计算最优控制移动时刻k + p那: MVopt (p + 1)等于MVopt (p,:)．

`Xopt`-最优预测模型状态序列
数组

最优预测模型状态序列，返回为(P.+ 1)——-N_X数组,P.预测的范围是和吗N_X为预测模型中的状态数。

Xopt(我,:)包含时刻的计算状态值k +张，为了我= 2,…,p + 1,在那里K.为当前时间。: Xopt (1)是否与当前状态相同X．

`Yopt`-最优输出可变序列
数组

最优输出变量序列，返回为P.+ 1)——-N_y数组,P.预测的范围是和吗N_y为输出数。

Yopt(我,:)在时间包含计算的输出值k +张，为了我= 2,…,p + 1,在那里K.为当前时间。Yopt（1，:)是基于当前状态计算的X测量到的电流会干扰医学博士,如果任何。

`Topt`-预测水平时间序列
列向量

预测水平时间序列，返回为长度的列向量P.+ 1,P.是预测视界。Topt包含时间序列K.时间K.+P.,在那里K.为当前时间。

Topt (1)= 0表示当前时间。随后的时间步长Topt(我)是Ts *(张),在那里Ts为控制器采样时间。

使用Topt当策划mvopt.那Xopt,或Yopt序列。

`松弛`- 在最佳状态下松弛变量
负的标量

最优松弛变量ε用于约束软化，返回为非负标量值。

ε = 0 -在整个预测视界内，所有软约束均得到满足。
ε > 0 -至少违反了一个软约束。当违反多个约束时，ε表示最坏情况的软约束违反(根据每个约束的ECR值进行缩放)。

`ExitFlag.`-优化退出代码
整数

优化退出代码，返回如下内容之一:

正整数-找到最优解
0.-最大迭代次数后找到的可行次最优解
负整数 - 找不到可行的解决方案

`迭代`-迭代次数
正整数

求解器使用的迭代次数，返回为正整数。

`成本`- 目标函数成本
负的标量

目标函数代价，作为非负标量值返回。成本量化了控制人员实现其目标的程度。

成本值只有在ExitFlag.是非负面的。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

nlmpcmoveCodeGeneration万博1manbetx支持仅为使用默认值的非线性MPC控制器生成代码fmincon具有SQP算法的求解器。但是，您可以使用其他模拟控制器fmincon算法。
当用于代码生成时，非线性MPC控制器不支持预测模型，定制成本函数或自定义约束函数的匿名函数。万博1manbetx然而，nlmpcmoveCodeGeneration仍然可以模拟使用匿名函数的控制器。
您的自定义函数必须在MATLAB上^®路径与Matlab Coder™．有关检查兼容性的更多信息，请参见使用代码生成准备工具检查代码(MATLAB编码器)．
非线性MPC控制器的代码生成只支持双精度数据。万博1manbetx
为了生成用于计算非线性MPC控制器的最佳控制的代码：
1. 从非线性MPC控制器生成数据结构使用getCodeGenerationData．
2. 为了验证你的控制器产生了预期的闭环结果，使用nlmpcmoveCodeGeneration代替nlmpcmove.．
3. 生成的代码nlmpcmoveCodeGeneration使用codegen(MATLAB编码器)．这一步要求MATLAB编码器软件

也可以看看

getCodeGenerationData|nlmpcmove.

主题

生成代码和部署控制器到实时目标

介绍了R2020a

nlmpcmoveCodeGeneration

句法

描述

例子

使用代码生成数据结构计算非线性MPC控制动作

输入参数

coreData-非线性MPC配置参数结构

X-当前预测模型状态列向量

lastMV-在以前的控制间隔内，设备中使用的控制信号列向量

onlinedata.-在线控制器数据结构

裁判-输出参考值行向量|数组

mvTarget-操纵变量目标行向量|数组

X0-最优状态解的初始猜测万博 尤文图斯矢量|数组

MV0-最优操纵变量解的初始猜测万博 尤文图斯矢量|数组

Slack0-松弛变量在解处的初始猜测负的标量

医学博士-测量的扰动值行向量|数组

参数——参数值细胞向量

OutputWeights—输出可变调优权重行向量|数组

MVWeights-操纵变量调优权重行向量|数组

MVRateWeights-操纵可变率调优权重行向量|数组

ECRWeight-松弛可变调优权重正标量

outputmin.—输出变量下界行向量|数组

OutputMax—输出变量上界行向量|数组

StateMin-状态下界行向量|数组

StateMax-状态上界行向量|数组

MVMin-操纵变量下界行向量|数组

MVMax-操纵变量上界行向量|数组

MVRateMin-操纵可变利率下界行向量|数组

MVRateMax-操纵可变利率上限行向量|数组

输出参数

mv-最优操纵变量控制动作列向量

newOnlineData- 更新了在线控制器数据结构

信息- 解决方案细节结构

mvopt.-最优操纵变量序列数组

Xopt-最优预测模型状态序列数组

Yopt-最优输出可变序列数组

Topt-预测水平时间序列列向量

松弛- 在最佳状态下松弛变量负的标量

ExitFlag.-优化退出代码整数

迭代-迭代次数正整数

成本- 目标函数成本负的标量

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

也可以看看

主题

模型预测控制工具箱文档

万博1manbetx

用Simulink实现自适应巡航控制器万博1manbetx

`coreData`-非线性MPC配置参数
结构

`X`-当前预测模型状态
列向量

`lastMV`-在以前的控制间隔内，设备中使用的控制信号
列向量

`onlinedata.`-在线控制器数据
结构

`裁判`-输出参考值
行向量|数组

`mvTarget`-操纵变量目标
行向量|数组

`X0`-最优状态解的初始猜测万博尤文图斯
矢量|数组

`MV0`-最优操纵变量解的初始猜测万博尤文图斯
矢量|数组

`Slack0`-松弛变量在解处的初始猜测
负的标量

`医学博士`-测量的扰动值
行向量|数组

`参数`——参数值
细胞向量

`OutputWeights`—输出可变调优权重
行向量|数组

`MVWeights`-操纵变量调优权重
行向量|数组

`MVRateWeights`-操纵可变率调优权重
行向量|数组

`ECRWeight`-松弛可变调优权重
正标量

`outputmin.`—输出变量下界
行向量|数组

`OutputMax`—输出变量上界
行向量|数组

`StateMin`-状态下界
行向量|数组

`StateMax`-状态上界
行向量|数组

`MVMin`-操纵变量下界
行向量|数组

`MVMax`-操纵变量上界
行向量|数组

`MVRateMin`-操纵可变利率下界
行向量|数组

`MVRateMax`-操纵可变利率上限
行向量|数组

`mv`-最优操纵变量控制动作
列向量

`newOnlineData`- 更新了在线控制器数据
结构

`信息`- 解决方案细节
结构

`mvopt.`-最优操纵变量序列
数组

`Xopt`-最优预测模型状态序列
数组

`Yopt`-最优输出可变序列
数组

`Topt`-预测水平时间序列
列向量

`松弛`- 在最佳状态下松弛变量
负的标量

`ExitFlag.`-优化退出代码
整数

`迭代`-迭代次数
正整数

`成本`- 目标函数成本
负的标量

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。