เปรียบเทียบวิธี

	ตัวควบคุมกำลังสองเชิงเส้น (Linear Quadratic Regulator)	การควบคุมเชิงพยากรณ์แบบจำลอง
สาขาวิชา	ทฤษฎีการควบคุม	ทฤษฎีการควบคุม
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1960	1978
ผู้ริเริ่ม	Rudolf Kalman	Jacques Richalet
ประเภท	algorithm	algorithm
แหล่งต้นตำรับ	Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.	Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.
ชื่อเรียกอื่น	LQR, Linear Quadratic Optimal Control	MPC, Receding Horizon Control
ที่เกี่ยวข้อง	4	5
สรุป	The Linear Quadratic Regulator (LQR) is a classical optimal control algorithm that computes a linear feedback law to minimize a quadratic cost function for a linear dynamical system. Introduced by Kalman in 1960, LQR provides a provably optimal, closed-form solution for linear systems and remains fundamental in control theory, robotics, and aerospace applications because of its theoretical elegance and computational efficiency.	Model Predictive Control (MPC) is an advanced control strategy that uses an explicit process model to predict future system behavior over a finite horizon and solves an optimization problem at each control step. First formalized by Richalet et al. in 1978, MPC has become the dominant approach in process control industries, from chemical plants to autonomous vehicles, because it naturally handles constraints and can optimize multiple objectives simultaneously.