预测控制是以计算机为实现手段的，因此其算法一般应为采样控制算法而不是连续控制算法。顾名思义，预测控制应包含预测的原理。在传统的采样控制中，有些算法也用到了预测的原理。

模型预测控制(Model Predictive Control，MPC)是20世纪70年代提出的一种计算机控制算法，最早应用于工业过程控制领域。预测控制的优点是对数学模型要求不高，能直接处理具有纯滞后的过程，具有良好的跟踪性能和较强的抗干扰能力，对模型误差具有较强的鲁棒性。因此，预测控制已在多个行业得以应用，如炼油、石化、造纸、冶金、汽车制造、航空和食品加工等，尤其是在复杂工业过程中得到了广泛的应用。在分类上，模型预测控制(MPC)属于先进过程控制，其基本出发点与传统PID控制不同。传统PID控制，是根据过程当前的和过去的输出测量值与设定值之间的偏差来确定当前的控制输入，以达到所要求的性能指标。而预测控制不但利用当前时刻的和过去时刻的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于PID控制。

预测控制是一种闭环控制算法。在通过优化确定了一系列未来的控制作用后。为了，防止模型失配或环境干扰引起控制对理想状态的偏离，预测控制通常不是把这些控制作用逐一全部实施，而只是实现本时刻的控制作用。到下一采样时刻，则首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后再进行新的优化。

反馈校正的形式是多样的，可以在保持预测模型不变的基础上，对未来的误差做出预测并加以补偿，也可以根据在线辨识的原理直接修改预测模型。不论取何种校正形式。预测控制都把优化建立在系统实际的基础上，并力图在优化时对系统未来的动态行为做出较准确的预测。因此，预测控制中的优化不仅基于模型，而且利用了反馈信息，因而构成了闭环优化。综上所述，预测控制作为一种新型计算机控制算法，是有其鲜明特征的，它是一种基于模型、滚动实施并结合反馈校正的优化控制算法。

预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模型的功能是根据对象的历史信息和未来输入预测其未来输出。这里只强调模型的功能而不强调其结构形式。因此，状态方程、传递函数这类传统的模型都可以作为预测模型。对于线性稳定对象，甚至阶跃响应、脉冲响应这类非参数模型，也可直接作为预测模型使用。此外，非线性系统、分布参数系统的模型，只要具备上述功能，也可在对这类系统进行预测控制时作为预测模型使用。

预测模型具有展示系统未来动态行为的功能，可以任意地给出未来的控制策略，为观察对象在不同控制策略下的输出变化策略的优劣提供了基础。

首先，对于复杂的工业对象。由于辨识其最小化模型要花费很大的代价，往往给基于传递函数或状态方程的控制算法带来困难。而预测控制所需要的模型只强调其预测功能，不苛求其结构形式，从而为系统建模带来了方便。在许多场合下，只需测定对象的阶跃或脉冲响应，便可直接得到预测模型，而不必进一步导出其传递函数或状态方程，这对其工业应用无疑是有吸引力的。

更重要的是，预测控制汲取了优化控制的思想，但利用滚动的有限时段优化取代一成不变的全局优化。这虽然在理想情况下不能导致全局最优，但由于实际上不可避免地存在着模型误差和环境十扰，这种建立在实际反馈信息基础上的反复优化，能不断顾及不确定性的影响并及时加以校正，反而要比只依靠模型的一次优化更能适应实际过程，有更强的鲁棒性。所以，预测控制是针对传统最优控制在工业过程中的不适用性而进行修正的一种新型优化控制算法。