模型预测控制(Model Predictive Control,MPC)因其具备对模型要求低、鲁棒性好、可以较方便地处理约束等能力,近几十年来在工业领域得到广泛应用。MPC采用滚动优化方式,在每个控制周期内都需求解一个约束优化问题。为了在实际应用中取得较好的控制效果,通常需要采用较短的采样间隔和较长的控制时域,在线计算量的剧增和采样间隔的减小大大限制了MPC算法在快速系统中的应用。因此,提升MPC控制器在短时间内完成优化问题求解的能力,成为本文工作的出发点。在算法改进的层面,本文提出了针对高频采样系统的双速率预测控制算法,在硬件提速的层面,本文提出了多点辐射的并行分支定界算法,并将其在GPU中实现。具体工作内容如下:1)提出了针对高频采样系统的双速率预测控制算法,详细说明了算法的核心思想及将实时控制量求取分解到两个时间尺度的具体方案,给出详尽的算法推导过程及最后的算法流程,并分析了算法的名义稳定性和实时性。此外,还讨论了在盒子约束下进一步改进算法的策略。对倒立摆系统和电枢直流电动机系统进行建模,将文中所提出的针对高频采样系统的双速率预测控制算法分别应用于两个系统,在MATLAB环境下进行了仿真,分别给出了使用本文算法、传统MPC算法、PID算法所得到的不同控制结果,进行了详细的比较和分析,通过实际算例说明了本文算法的有效性和快速性。2)将离散时间简单对偶神经网络充分并行化,给出了将其大规模并行化实现的策略,将其作为QP求解的工具。将并行化后的算法基于GPU中的线程逻辑进行拆分,然后编程在GPU上实现了QP求解器。为了提升求解器的计算效率,本文对内存配置及底层算法进行了改进,包括对共享内存、归约方法的应用等。3)结合MIQP优化问题本身的特性,提出了可以大规模并行实现的基于多点辐射的并行分支定界算法,文中详细说明了该算法的原理、实现方式及算法流程。将所提出的并行求解MIQP问题的算法基于GPU中的线程逻辑进行拆分,然后编程在GPU上实现了MIQP求解器。4)对电能调度中的机组组合问题(Unit Commitment,UC)进行建模,对其进行线性化后,将其转变为标准的MIQP问题。结合MPC中滚动优化思想,设计了滚动求解UC问题的策略,并使用本文所设计的MIQP求解器对UC问题进行求解,这对于在智能电网中进行灵活的电能调度有参考意义。