模型预测控制通常设计一个集中控制中心,由传感器测量系统的状态,控制器基于测量结果优化全局控制输入,再将其送到执行器端对对象产生作用。随着现代科技和通信技术的不断提高,模型预测控制研究面临的对象越来越复杂,一方面,由于需要实时在线优化全局控制输入,在处理快采样周期的复杂系统时存在优化不及时的问题;另一方面,传统的集中式预测控制的信号依赖于单一的控制器,若集中式控制器与系统连接发生故障或失效,整个控制系统就会失效,其控制结构的鲁棒性和灵活性都较差。上述问题极大地限制了模型预测控制向更广泛的领域拓展,复杂系统的控制逐渐从集中式转向网络化分布式协调方式,分布式协调模型预测控制已成为复杂系统控制的有效方法和手段。与集中式模型预测控制相比,分布式模型预测控制的安全性、可靠性和灵活性都得到很大提高,当系统一部分传感器或执行机构出现故障或部分单元被关闭时,整个系统仍可保持一定的性能运行,具有较高的故障容错能力。研究分布式控制可以为模型预测控制算法向更广泛的领域发展奠定关键理论基础。近年来,学者们针对某些特定的对象提出了分布式模型预测控制算法,相关的基础理论研究取得了一定的进展。随着经济和科技的不断发展,当前分布式模型预测控制仍有待进一步研究,如在如何降低控制器设计的保守性、如何保证其适用于更广泛的复杂过程、如何在减少实时计算量的同时减少性能损失等诸多方面亟待探索。本文主要研究了分布式模型预测控制面临的执行器饱和、不确定时滞系统及信息协调机制等问题,提出了网络信息模式下分布式协调模型预测控制设计方法。具体研究内容包括:1)针对执行器饱和受限的多胞型线性参数时变(linear parameter-varying,LPV)系统,提出了分布式协调模型预测控制算法。将执行器饱和受限的全局系统分成多个子系统描述,针对较小规模的子系统分别设计独立的分布式模型预测控制器,给出了多胞不确定系统的不变集条件,通过求解一组线性矩阵不等式(Linear Matrix Inequalities,LMIs)得到各子系统的控制器,引入迭代算法实现各个子控制器的协调,通过仿真算例对所提出的分布式控制算法进行验证。2)考虑了带多重状态时滞和输入时滞的不确定控制系统,提出了分布式模型预测控制设计方法。对于多重状态时滞系统的模型预测控制问题,通过对不同子系统设计独立的控制器以减少在线计算量,通过求解一组LMIs优化问题得到各子系统的状态反馈控制律及闭环系统鲁棒控制性能指标的上界,给出了系统的稳定性分析及鲁棒分布式模型预测控制器的设计方法。进而,考虑同时含状态和输入时滞系统的控制问题,将相关结果扩展到同时具有多重状态时滞和输入时滞情形,引入多步状态反馈控制律降低分布式模型预测控制设计的保守性。数值仿真验证了相关算法的有效性。3)考虑分布式模型预测控制器设计过程中的量化信息协调及丢包问题,提出了基于丢包补偿的分布式模型预测控制设计方法。在分布式控制器的协调过程中,考虑各个子系统的反馈控制律量化传输的情形,将丢包情形建模为伯努利过程,分析了丢包情况下的分布式模型预测控制性能损失。引入丢包补偿策略,提高了量化信息协调及丢包情形下的分布式模型预测控制性能。仿真算例对提出的分布式预测控制算法进行了验证。4)分别针对标称描述系统和线性参数时变系统,设计了基于次序更新协调的分布式模型预测控制算法。与传统模型预测控制需要更新所有子系统的输入不同,次序更新分布式模型预测控制在各采样时刻仅更新若干子系统的输入,非当前更新的子系统输入采用最近优化的结果代替,经过若干采样周期后可完成所有子系统的输入更新,其控制器设计时间得到减少。相关结果在TBM主驱动系统上进行了仿真测试。