1.遗传算法优化的多模型预测控制方法，其特征在于该方法包括以下步骤：

1建立被控对象的多模型，具体是：

1.1根据工作区域，按照工作的温度范围进行i等分，i是要进行工作区域划分的个数；

1.2在每个工况区间中采集实际过程对象的实时阶跃响应数据，利用该数据建立被控对象的分数阶传递函数模型Mi，形式如下：

其中，Mi为第i个子模型，α1，i为第i个系统的微分阶次,T1,i为相应的系数，S为拉普拉斯变换算子,Km,i为模型比例增益系数,τm,i为模型的滞后时间常数；

1.3通过Oustaloup近似方法将分数阶模型数值化处理为：

其中，α为分数阶微分阶次，0<α<1，N为选定的近似阶次，Kα＝Whα，Wn'＝WbWu(2n-1-α)/N，Wn＝WbWu(2n-1+α)/N， Wh和Wb分别为拟合频率的上限值和下限值；

1.4根据步骤1.3中Oustaloup近似方法，将步骤1.2中的分数阶模型转化为整数高阶模型，再通过采样时间TS和零阶保持器后离散化得到如下形式：

其中，fj，hj(j＝1,2,…,l)均为离散近似后得到的系数，d＝τ/TS为过程的滞后时间，l为离散模型的长度，y(k)为k时刻的过程模型输出,u(k-d-1)为过程模型在k-d-1时刻的输入值；

2.控制器设计

2.1根据对象的模型和输入控制量对未来过程对象的输出进行预测：为了减少误差通过对模型进行一阶向后差分，得到如下形式：

2.2选取系统的状态变量如下：

△Xm(k)＝[△y(k),△y(k-1),…,△y(k-l),△u(k-1),…,△u(k-l+1-d)]T  (5)结合步骤1.4，得到被控对象的状态空间模型，形式如下：

其中，T为矩阵的转置符号，△Xm(k)的维数为(2l+d-1)×1；

Bm＝[0 … 0 1 0 … 0]TCm＝[1 0 … 0 0 … 0]输出的误差定义为：

e(k)＝y(k)-r(k)   (7)其中r(k)为参考轨迹；

2.3预测函数控制的输入量是由一组相对应的基函数线性组合,表述为：u(k+i)＝…＝u(k)   (8)

2.4由于实际的过程存在误差，实际与模型之间的误差为：

2.5通过滚动优化，求取当前最优的控制量，目标函数选择如下：J＝min[yr(k+p)-y(k+p)]2   (10)得到每个控制器的控制量分别为：

u(k)＝-S-1[y(k)-yr(k)+G△x(k)-L△R]+u(k-1)   (11)其中S＝CAP-1B+CAP-2B+…+CB,△R＝[△yr(k+1),△yr(k+2),…,△yr(k+p)]TL＝[1 1 … 1],G＝CAP+CAP-1+…+CA；

3.利用遗传算法优化多模型的个数和工况点的范围；

3.1通过选取高斯核函数对每个模型的工况点进行评价；

其中y是当前时刻系统的输出量，mi是第i个模型的工作点，σi为其相应模型的核宽度；

3.2通过模型的评价函数求取系统中每个模型加权系数

其中nr为模型的个数，wi(k)为第i个模型的加权系数；

3.3设定种群染色体大小为N，进化的最大迭代次数为N1，随机初始化种群；通过适应度函数优化模型个数和核宽度可得目标函数：

其中ω为权重系数，yi(k+1)是第i个模型下一时刻的输出量，yr(k+1)是对象的参考轨迹未来预测的输出量；

3.4采用十进制编码方式对工作点范围的宽度进行编码，第i个的染色体表示为：

其中i＝1,2,…,N，N是种群的大小，nr是模型中模型的个数，1≤nr≤D，D是模型集的最大个数；染色体Ci′中的元素为：σi＝fmin+r(fmax-fmin),1≤i≤nr  (16)其中r是位于[0,1]之间的随机变量fmax，fmin分别为核宽度的最大值和最小值；

3.5选取染色体的操作算子的具体步骤为：

3.5.1染色体交叉运算；选取交叉算子Pc，使染色体Ci′和下一个染色体Ci+1′以概率Pc进行交叉运算，产生下一代染色体；

3.5.2染色体修剪因子运算；以Pn的概率修改模型的个数nr，进而改变染色体中的元素Ci′，从而完成染色个体变异的操作；

3.6依照步骤2.2到2.3进行循环重复优化搜索，如果达到最大的进化次数N1结束优化搜索计算，得到经过遗传算法优化后的染色体核宽度Ci′，进而可以得到最优的模型个数nr'

3.7在求取最优的模型个数和核宽度的情况下，求取目标函数的最优值从而得到控制量的参数为：

3.8在下一时刻到来时依照步骤2.1到3.7中的方式求解分数阶的多模型预测函数控制器的控制量，再将控制量作用于被控对象，并按照此步骤循环操作下去。