随着当今工业流程的不断发展,大规模、复杂化系统的出现促进一种有效解决大系统控制问题的方法,即分布式模型预测控制(DMPC)方法应运而生。DMPC具有计算负担小、容错率强、可扩展性高的优点,而DMPC算法的设计思想主要是在保证系统稳定性的前提下,采用简单的系统通信方式和较少的通信负担达到最优的控制性能。本文主要围绕DMPC系统拆解方式和DMPC算法的改进来进行研究,主要进行如下工作:在进行DMPC系统结构拆解时,由于到各子系统间存在动态耦合,那么传统基于静态耦合的方法无法适用。本文提出一个基于粒子群优化的遗传免疫优化算法(PSO-IGA)。在该方法中,采用粒子群算法中的粒子进化方程引入IGA免疫选择的抗体变异操作中,使抗体同时具有“位置”和“速度”两种属性,使抗体在更新时具有更明确的搜索方向,从而在保证抗体种群多样性的同时,进一步提高了算法的收敛速度。提出了一个基于IGA的DMPC系统结构分解方法。在该方法中,首先将DMPC系统结构分解问题分为输入分组(ICD)和输入输出配对(IOPD)两个阶段,并采用PSO-IGA算法来优化这两个阶段的目标函数,将一个大系统按输入输出耦合影响分解成若干个子系统。将该方法引入到协作式DMPC算法中,提出一个基于IGA系统结构分解的协作式DMPC算法,将分解后的大系统在约束下采用改进的协作式DMPC算法进行分布式控制。从而达到有效解决DMPC中通信负担问题的目的。