A modell prediktív irányítás (MPC) egy a gyakorlatban széleskörben elterjedt módszer szekvenciális döntéshozási problémák megoldására. Az MPC minden lépésben egy (tipikusan konvex) optimalizálási feladatot old meg, majd annak első lépését alkalmazza az irányított rendszerre. A rendszer új állapotát felhasználva egy új optimalizálási feladatot oldunk meg, és így tovább (gördülő horizont). Sztochasztikus modell prediktív irányítás (SMPC) esetén a rendszer viselkedése nem ismert pontosan, csak egy sztochasztikus (dinamikus) modellünk van, és így minden lépésben egy ezzel felírt (tipikusan valószínűségi korlátos) optimalizálási feladatot kell megoldani. A „szkenárió” módszer ilyen bizonytalan konvex optimalizálási feladatok sztochasztikusan garantált megoldását nyújtja véletlen mintavételezett korlátokat használva. A feladat többlépéses optimalizálási problémák - mint például a portfólió optimalizálás - SMPC feladatként való formalizálása és sztochasztikusan garantált megoldása, például a „szkenárió” módszer segítségével.
Hivatkozások
- Campi, M. C., & Garatti, S. (2018): Introduction to the Scenario Approach. Society for Industrial and Applied Mathematics.
- Mesbah, A. (2016): Stochastic Model Predictive Control: An Overview and Perspectives for Future Research. IEEE Control Systems, 36(6), 30–44.
- Boyd, S., Busseti, E., Diamond, S., Kahn, R. N., Koh, K., Nystrup, P., & Speth, J. (2017): Multi-Period Trading via Convex Optimization. Foundations and Trends in Optimization.
- Schildbach, G., Fagiano, L., Frei, C., and Morari, M. (2014): The Scenario Approach for Stochastic Model Predictive Control with Bounds on Closed-Loop Constraint Violations. Automatica, Vol. 50, No. 12, pp. 3009–3018.