预测控制是一种以受控对象模型为基础的优化控制技术,由于其具有控制性能好及鲁棒性强、并能有效地处理输入输出约束等优点,已经成功的应用到工业控制过程中,并表现出巨大的优越性。但预测控制算法在非线性较强的系统中难以取得良好的控制效果。在处理非线性系统的控制问题时,往往有两个主要难点:　　(1)如何创建一个高精度的非线性预测模型,预测系统未来的输出。　　(2)如何解决控制量在采样周期内的非线性优化问题。　　本文针对一类非线性系统的预测控制问题,给出了一种基于满意聚类的Ⅱ型T-S模糊建模及以混沌粒子群优化为滚动优化策略的预测控制算法:　　基于数据驱动的Ⅱ型T-S模糊建模方法在利用G-K聚类算法辨识参数时,聚类中心个数c为事先给定的,而针对于不同的系统,若缺乏充分的认知则很难给出良好的分类划分数目 c,从而使建模误差较大。本文在此基础上给出了一种基于满意聚类的c确定方法,通过是否达到事先给定的用户认为满意的性能指标的最小值来判断是否得到满意的c值,最终辨识获得满意的Ⅱ型T-S模型。　　本文中,以获得的Ⅱ型T-S模型作为预测模型,混沌粒子群优化算法为滚动优化策略建立预测控制算法来控制被控非线性系统。混沌粒子群优化算法把粒子群优化算法快速寻找最优解的能力和混沌优化算法较强跳出局部极值的能力有效结合起来,不仅保持了种群的多样性,而且避免粒子群优化算法容易陷入局部极值的缺点,提高了算法精度。在滚动优化过程中将混沌粒子群优化算法作为滚动优化策略,通过混沌粒子群优化不断的迭代搜索来实现优化的目的,有效地避免了非线性预测控制优化过程中大量的矩阵求逆问题和相对复杂的梯度计算,并能快速有效的获得最优解。　　针对一数值例子通过MATLAB进行仿真,结果表明了本文所提方法的可行性和有效性。