Optimización de un controlador MPC mediante algoritmos metaheurísticos

Abstract

El control por predicción de modelo (MPC) es una de las estrategias de control con mayor proyección de futuro por su utilidad en el mundo industrial. Uno de los problemas del control MPC es el de optimizar una función de coste que puede ser no convexa, lo que limita su aplicación. La metaheurística, una rama de la optimización, es conocida por su habilidad para manejar problemas con gran número de variables y alta complejidad. En este trabajo se explora la posibilidad de mejorar la etapa de optimización del controlador MPC empleando un algoritmo metaheurístico concreto, Particle Swarm Optimization.

Model Predictive Control (MPC) is one of the most promising control strategies given its usefulness in industrial environments. However, it is heavily set back by the necessity of optimizing a non-convex function during its workflow, which can severly limit its capabilities. Metaheuristics is a sub-branch of optimization, widely known to be able to tackle high complexity and large problems. This work explores the posibility of enhancing the optimization stage of an MPC controller by implementing a specific metaheuristic algorithm, Particle Swarm Optimization