预测控制是一种能够有效处理约束的控制算法,它能够达到优良的跟踪性能,但若模型存在误差、算法的参数或控制律设置不合理,则会影响控制的精度与速度。学习控制主要针对具有周期特性的工程对象,从学习的角度来构造控制律,利用对象过去的运行信息来不断进行学习修正当前周期的控制信号,从而在整个运行时间内使系统可以精确地跟踪系统设定的期望轨迹。在处理具有周期特性的对象时,若能将预测控制与学习控制相结合,则能发挥两者的优势,提高系统的鲁棒性,实现高精度的快速跟踪。基于以上思想,本文针对基于学习的预测控制算法中出现的问题进行分析与研究,主要工作由以下几个部分组成:1)使用多速率模型的重复预测控制以抑制周期性扰动与纹波。首先,针对重复控制中出现的纹波情况进行分析,提出使用多速率模型来改善这一现象;其次,得到一个使用多速率模型的对象增广模型用于控制器设计;最后,使用基于状态空间的模型预测控制方法进行控制求解并实施滚动优化。仿真实例表明使用多倍率模型进行控制比使用单倍速率模型进行控制更有效,进一步证明了算法的有效性。2)具有马尔科夫周期性跳变扰动系统的重复预测控制。首先,得到一个使用马尔科夫模型的增广模型;其次,针对该增广模型使用基于状态空间的模型预测控制方法进行求解,并实施滚动优化。仿真实例证明了算法在统计意义下的有效性。3)城市排水系统的迭代学习预测控制。对城市排水系统进行简化建模,得到其对应的溢流简化模型;根据对降雨过程的分析,将其分为三个模态,提出使用迭代学习预测控制算法来处理溢流问题;将溢流问题转化成相应的优化问题,使用滚动优化来求解。以具体的城市排水系统为例,对其进行简化建模、仿真分析与讨论。