在处理大规模系统的控制问题中,分布式控制平衡了集中式控制优良的控制性能和分散式控制的安全性,是一种较为理想的控制方式。模型预测控制(Model Predictive Control)凭借其对约束的处理能力和系统未来行为的预测能力,广泛应用到分布式控制中,形成了分布式模型预测控制(Distributed Model Predictive Control)。协作式分布式模型预测控制算法凭借全局的优化范围,可以实现帕累托(Pareto)最优解,但该优异控制性能的实现依赖于较高的通信负担,尤其当子系统的个数较多时,通信负担会十分沉重,阻碍协作式分布式模型预测控制在实际应用中的发展。针对协作式分布式模型预测控制算法,本文在减少其高通信负担方面开展了研究,主要研究内容包括:(1)提出了一种基于层次分解的分布式模型预测控制算法,根据系统的通信结构,采用解释模型法和回路分解算法,将子系统划分到若干个连通集内,并定义各连通集的层次顺序,最后,按照连通集顺序依次运算求解各子系统的最优输入。由于子系统只需要与连通集内的其他子系统通信,不需要和连通集外的子系统进行通信,此协同策略降低了通信负担;(2)提出了 一种基于事件触发器的分布式模型预测控制算法。引入0-1变量来表示两个子系统间是否需要耦合,构造动态耦合模型,并根据该模型提出综合控制性能和通信代价的多目标优化命题,耦合结构的优化会改变原命题中耦合部分的结构,通过忽略一些子系统间的耦合作用,这些子系统之间不再需要进行通信,降低了通信负担。为了降低计算负担,该算法从系统的稳定性出发构建了一个事件触发器,当触发器触发时,求解一个包含耦合结构决策和控制性能的优化命题,更新一次耦合结构,否则,保持上此优化后的耦合结构不变,只求解控制性能的优化命题,计算最优的控制作用。相比于基于动态耦合模型的分布式模型预测控制算法,该算法降低了计算复杂度。