PID是不用过程动态模型的，拉上来就直接参数整定。模型预估控制自然要首先建立过程动态数学模型，方法不外是前述辨识方法，然后根据
动态模型可以直接计算控制律，理论上不需要参数整定，就可以直接投用使用。如前所述，实用中总是先打上个安全系数。
另外，多变量控制的模型结构有讲究。在理论上，多变量模型当然是多输入、多输出的，只要在现实中存在影响关系，所有输入-输出对的动态行为都要在模型中反映出来。但多变量的一个有用的特例是多回路，也就是说，所有模型都在对角线上，非对角线上的元素为零，输入-输出对之间没有交叉影响。这实际上是单变量的简单堆积，并不是多变量。真正的多变量自然在非对角位置上也有模型，这也是经典做法。在辩识的时候，对角线、非对角线统统辩识出来，只有在非对角模型几乎可以忽略不计的时候才置为零。
这样“真正”多变量模型的好处是可以充分利用多变量交互作用的“借力”，在主要控制作用用尽的时候，通过次要控制作用发生影响，继续保持控制。但这样做的坏处也正是来自次要控制作用的影响较难直观预测在主要控制作用用尽或者受到限制的时候，不经过严格的数学计算，很难预测究竞哪个次要控制作用会自告奋勇。这对调试和运作中的现场观测和理解控制器的行为是一个不小的困扰，很容易被控制响应搞糊涂。更大的问题在于，次要控制通道通常增益较小（否则就是主要的了），需要的控制动作较大，模型误差的影响太大，容易帮倒忙。
为了限制这样难以预测的次要控制作用，并简化参数调试，有时候特意把动态模型对角化，也就是说，人为把非对角模型设置为零，有意忽略交互影响。当然，如果到此为止的话，那也就不是什么多变量控制了。
重新引入多变量交互作用的途径是前馈。或者说，把非对角变量作为前馈变量加回来。这其实是伪前馈，真正的前馈是不受控的干扰变量对输出的影响，但这里的输出变量受的是控制变量的影响，只是上一步甚至更早以前（因此也是已知）的控制变量的影响。
这既在意料之外，又在情理之中。过程模型的Zui终输出是过程模型本身和前馈模型两者相加。换句话说，任一输出受到所有输入的影响Zui终都是反映出来的。从这一点来说，不考虑时间差的话，把多变量交互作用放在过程模型本身还是放在前馈模型里没有太大的差别。但把非对角影响按照前馈处理的话，控制变量的解算极大简化，而且消除次要控制作用的不可预测因素，关系比较清楚，不大会出意外。
这样做的坏处是只适用于变化相对缓慢的过程，因为伪前馈的驱动变量是上一步的次要控制作用变量，只有在过程变化缓慢的时候，这一步之差才无关紧要。但这样做的好处是把多变量问题简化成多个单变量问题，也避免了受约束情况下控制律“乱点鸳鸯谱”。
对角化的另外一个好处是可以不受过渡响应（TransientResponse）的干扰。过渡响应是多变量特有的。对角线上的输入-输出对的动态响应与一般单变量动态过程没有什么差别，但非对角的次要输入的作用有时候可以呈现“过渡响应”。也就是说，在初始响应之后，会随时间消失归零。这常常是多个相邻的次要输入在动态各显身手但在稳态互相抵消的结果。具体来说，大家有幅度相似但正负相反的增益，但时间常数各有不同。因此，在稳态时互相抵消，但在动态中，可以有某一次要输入暂时主导而呈现出动态响应。对于这样的过度响应，zuihao的办法是以不变应万变，不要闻鸡起舞，让它自然消失。模型有助于正确预估过渡响应，对角化则避免了闻鸡起舞。
对角化伎俩对维数较低（输入-输出对的数量较少）但过程特性高度复杂的问题比较有效，先解决主要问题，再解决次要问题，一步一步来，而不是一锅煮。但要等得起，而且问题不能太多，否则越是有先后，积累的问题越多，Zui终就顾不过来了。对于过程特性不复杂但高度交联而且输入输出对数量很大的情况，还是直接用多变量比较好，对角化反而容易聪明反被聪明误。
模型预估控制的另一个伎俩是利用轨迹。无论是什么控制技术，通常都是针对具体的给定设定值或者可测干扰的。即使预先知道设定值在接下来的2h里会稳步上升（比如预知生产计划要求的产量调整），或者可测干扰会周期性变化（如尽夜温度对冷却塔的影响），也无法利用这样的信息，因为设定值或者可测干扰是作为一个数值输入的。
但模型预估控制可以把相关变量作为一个从现在为未来特定时刻的轨迹输入。这样做的好处是可以在控制计算中把未来因素通盘考虑，而不需要临时抱佛脚，尤其是知道佛在走，要抱佛脚还要跟上佛的脚步才行。
这对串级使用的模型预估控制也很有用。模型预估控制和PID一样，也可以串级。模型预估控制的串级也可以利用轨迹的概念。主回路不仅计算副回路的设定值，还可以计算一条设定值的轨迹，一并输入副回路，尽管实施的时候只实施第一步。实践经验表明，相比于只看当前值的传统方法，轨迹方法对提高回路性能有很大的帮助。前面说到PID在当今过程控制中占比至少85%，那MPC就要占14.5%了。
