模型预测控制(MPC)在流程工业中应用已经比较成熟。MPC的核心为在线求解二次规划(QP)问题,这一过程的运算负荷大、耗时长,对控制器的运算能力要求高,阻碍了MPC向更深更广的应用领域拓展。比如在运动控制领域,采样频率比流程工业高得多,而且大多对控制器的体积有严格的限制,不能够像流程工业那样采用工业PC作为MPC运行平台。为了让MPC这一优秀的控制策略在更广阔的领域发挥作用就必须提升MPC的执行效率,缩小MPC控制器的体积,本文为达到这两个目的从算法本身和硬件平台两个方面入手,提出了MPC算法一种新的实现方案。新的以粒子群优化算法(PSO)为核心的MPC算法很好地解决了带约束的二次规划问题,并且以可编程逻辑门阵列(FPGA)为平台实现了PSO-MPC控制器。这一方案使得MPC可以应用在控制器体积受限,采样频率高的运动控制场合。主要研究成果如下：1、分析了FPGA作为并行计算平台较传统架构处理器的结构性优势,总结了基于FPGA的算法分层次并行化方法。2、提出了新的以PSO为QP求解器的PSO-MPC算法。对标准PSO在MPC中的应用做了若干改进,使PSO-MPC在控制效果上与标准MPC算法相差无几,同时克服了群智能优化算法的随机性带来的求解失败安全隐患,使得群智能算法的使用更安全可靠。PSO-MPC的结构灵活性,是本文能够加速MPC算法的关键因素。3、提出了半自动模块化FPGA编程方法。在充分利用现有RTL自动生成工具的同时,解决了现阶段自动生成工具能力不足的问题,为类似的大规模算法硬件化研究提供了一条更加便捷的途径。4、在FPGA中实现了硬件PSO-MPC控制器,将MPC控制器体积缩小到了芯片级,控制效果达到要求。同时,成功的实现了对MPC的并行加速,结果比国外相关研究成果有较大的提高。