MFAC无模型自适应控制：CFDL、PFDL与MIMO仿真实现详解

MFAC（无模型自适应控制）这几年在工业过程和学术仿真里出现的频率越来越高。原因也简单：很多被控对象压根拿不到准确的数学模型，要么是非线性太强，要么是机理太复杂，传统PID和基于模型的控制方法有时候确实不太好下手。我这次做的一套仿真工程，把MFAC里最核心的几个分支——CFDL（紧凑格式动态线性化）、PFDL（偏格式动态线性化）、MIMO（多输入多输出）场景全做了一遍，配套了伪偏导数（PPD）估计的完整实现和一套可以跑通的程序。这篇博客就把整个设计思路、算法细节、仿真踩坑记录完整梳理一遍，给正在学习或准备做MFAC仿真的朋友一份可以直接参考的资料。

1. MFAC核心思想与方案选型逻辑

1.1 为什么选MFAC而不是PID或模型控制

做控制的都知道，传统PID三个参数调好了确实能打天下，但遇到强非线性、时变参数、大范围工况变化时，固定增益的PID往往要反复重新整定。基于模型的控制方法（比如MPC、滑模、自适应控制）精度高，可前提是你要有一个足够可信的对象模型。工程现场最难搞的就是这一点：机理建模成本高，辨识实验又受工况限制。

MFAC的思路跟它们都不一样。它不要模型，也不需要先验的对象结构参数，而是通过被控对象的输入输出数据（I/O数据），在线估计一个虚拟的“伪偏导数（PPD）”，然后用这个PPD去近似描述系统动态，直接设计控制器。这是一种典型的“数据驱动控制”路径。说得直白点：我不需要知道你是电阻炉还是液压系统，我只要看着你动态的变化趋势，就能算出下一步该怎么控制。

这套做法有几个非常实在的优势：

• 不需要解耦、不需要模型降阶，省掉了一大堆前期工作量；
• 对时变参数和非线性有天然的适应性，因为PPD是实时更新的；
• 控制器结构简单，参数比PID多不了几个，工程落地成本低。

1.2 CFDL、PFDL、MIMO的选型逻辑

MFAC有几种不同“格式”的动态线性化方案，我一开始把它们理解成同一套算法的不同档位，后来做多了发现其实各有各的适用场景。

CFDL（紧凑格式动态线性化）是最基础的一种。它用当前时刻的输入变化量Δu(k)和伪偏导数φ(k)，把系统在k+1时刻的输出变化Δy(k+1)描述成Δy(k+1) = φ(k)·Δu(k)。这个格式最紧凑，适合大多数常规SISO（单输入单输出）非线性系统。它的好处是参数少、实现快，但缺点也明显：它对时滞系统或输入输出阶次较高的系统表达力不够，因为它在形式上只考虑了一步输入变化的影响。

PFDL（偏格式动态线性化）在这个基础上多引入了一个长度参数L。它不只考虑当前时刻的Δu(k)，而是把过去L步的输入变化量都纳入线性化框架：Δy(k+1) = Φ(k)ᵀ·ΔU_L(k)。其中 ΔU_L(k) = [Δu(k), Δu(k-1), ..., Δu(k-L+1)]ᵀ。这种带记忆的扩展，让PFDL对纯滞后系统、高阶非最小相位系统的适应能力明显更强。代价是伪偏导数的维度从1变成了L，计算量和参数整定难度有所上升。

MIMO版本则是从单变量推广到多变量。多输入多输出的核心难点在于通道之间的耦合：一个输入的变化会同时影响多个输出。MFAC解决这个问题的方式不是显式解耦，而是把输入向量与输出向量的差值全部塞进动态线性化公式里，用一个伪雅可比矩阵（PJM）来描述交叉耦合关系。这种做法的好处是很强的通用性，而且不需要知道耦合的机理，因为耦合信息会被PPD矩阵实时“吸收”掉。

我做这套仿真时的选型逻辑很简单：

1.3 整套仿真工程的组成结构

这套工程包含六个仿真案例，实际对应三类算法格式的两两组合：单入单出CFDL与PFDL、时滞系统的CFDL与PFDL、双入双出MIMO-CFDL与MIMO-PFDL。每一个案例都包含完整的仿真脚本、参数配置、曲线输出以及注释版的代码说明。在程序结构上我做了三个层次的分离：控制算法核心（PPD估计+控制器更新）、被控对象模型（自定义非线性函数）、仿真主循环（数据采集与记录）。这样拆分的好处是后续换对象、换算法时，不需要改动核心框架，只替换中间层即可。

资料部分我整理了MFAC原始的期刊文献、代表性综述论文、几个经典对象的仿真对比数据，还有一份伪偏导数估计的推导笔记。这些资料的价值在于，它能帮你从“跑通程序”走向“理解为什么这样设计”，对写论文、做毕设、算法调优都有直接帮助。

2. 伪偏导数估计的核心细节与参数整定

2.1 PPD估计的数学原理与实现

伪偏导数估计是MFAC的灵魂。它的目标是通过实时I/O数据，把系统在当前工作点附近的局部动态“拟合”成一个可用的增益参数。对SISO系统来说，PPD是一个标量，直观上可以把它理解为“当前输入变化一个单位，输出大约会变化多少”。而MIMO系统里的PPD就升级成了一个矩阵，除了对角线元素代表各通道自身增益，非对角线元素还包含了通道间的耦合影响。

最基本的PPD估计算法用的是改进投影算法：

φ̂(k) = φ̂(k-1) + η·Δu(k-1)·[Δy(k) - φ̂(k-1)·Δu(k-1)] / (μ + |Δu(k-1)|²)

这里有几个关键的工程实现点：

• η是步长因子，控制估计的收敛速度，取值范围一般在(0,2]，我实测在0.5～1.5之间效果比较好。
• μ是权重因子，用来防止分母太小导致估计值爆炸。它不能取0，工程上通常取0.1到10之间的值。
• 公式的分子中[Δy(k) - φ̂(k-1)·Δu(k-1)]是估计误差项，可以理解为用上一时刻的PPD去“预测”当前时刻的输出变化，再用真实输出变化来修正PPD。

我写这个模块时的代码结构如下：

python复制def ppd_estimate(phi_prev, du_prev, dy_current, mu, eta):
    # 常规PPD估计
    numerator = eta * du_prev * (dy_current - phi_prev * du_prev)
    denominator = mu + du_prev ** 2
    phi_new = phi_prev + numerator / denominator
    # 重置机制：防止估计值过小或方向不合理
    if abs(phi_new) <= 1e-5 or abs(dy_current) <= 1e-5:
        phi_new = phi_prev
    return phi_new

这段代码里有几个细节值得展开说明。第一，何时引入重置机制。理论推导时PPD是有上下界的，但在实际数值仿真中，如果系统输出在某段时间内不变（比如稳态），Δy(k)会趋于0，这时候公式中的误差项会变得异常小，PPD存在被拉向0的风险。一旦PPD接近0，控制器中的增益就会异常大，造成输出剧烈震荡。所以我加了“估计值过小就保持原值”的保护逻辑，这也是很多论文里讲的“PPD重置机制”的简化版。

第二，关于μ的选择。μ太小会让估计值波动剧烈，μ太大则会让PPD收敛变慢。我试过一批非线性对象，μ的取值在0.1~1之间时，PPD估计的平稳性最好。还有一个经验：如果被控对象噪声较强，可以适当加大μ，相当于给估计器增加一点“惯性”，牺牲响应速度换稳定性。

2.2 控制器的更新律与参数λ、ρ、η的整定逻辑

有了PPD估计值，控制器的更新就相对直接了。以CFDL为例，控制律为：

u(k) = u(k-1) + ρ·φ̂(k)·[y*(k+1) - y(k)] / (λ + |φ̂(k)|²)

这个式子的分母中λ是惩罚因子，主要用来限制PPD在控制器中的放大效应，防止输入变化过大。λ的物理含义可以类比为“防抖阻尼”：λ越大，控制量变化越平缓，但跟踪速度也会变慢。

结合我的调试经验，参数整定的一般顺序是：

• 先固定η=1, μ=1，给λ一个较小的初值，比如0.01，跑一遍看曲线形态。
• 如果输出明显发散或抖振，优先加大λ（每次增加一个数量级），直到系统稳定。
• 稳定后如果跟踪速度太慢，再逐步减小λ，但不要少于0.0001，否则控制量噪声会被放大。
• ρ的作用是一个前向增益，默认取1就行，如果发现收敛太慢可以在(0,1]范围内适当减小，但减小ρ的同时需要增大λ来配合，否则容易超调。

MIMO的控制器更新同理，只是把标量替换成向量和矩阵。PJM矩阵中，对角线元代表各主通道的增益，非对角线元代表耦合。我在仿真中发现，如果对象耦合很强，PJM的非对角线元素会明显大于对角线元素，这时候如果还按SISO的参数去配λ和ρ，系统往往会出现通道间的“抢控制”现象，表现为两个输出互相拉扯。解决方法是把λ设为一个对角矩阵，每个通道独立配置惩罚强度，并且把ρ统一调小到0.2~0.5之间，牺牲速度换取解耦稳定性。

2.3 为什么必须设置PPD重置机制

PPD重置机制在教科书里经常被一笔带过，但实际仿真时这恰恰是最容易出现数值发散的元凶。当PPD估计值不断被修正时，如果系统处于弱激励状态——比如设定值不变、输出稳定时——Δu和Δy都很小，PPD的更新量会被分母中的μ+Δu²严重拉低，但修正方向是随机的，长期累积下来PPD可能漂移到不合理区域。

举个例子。我测试过对纯比例对象的恒值控制：无重置时，PPD在前100步还能保持稳定的增益估计，但200步后PPD逐渐漂移到初始值的3倍多，系统开始出现小幅等幅振荡。加完重置机制后，PPD被限制在一个合理的数值区间，系统全程平稳。

工程实现上推荐做两层保护：

第一层是上下界限制。把PPD限制在[PPD_min, PPD_max]区间内，超出就截断。这个区间一般根据对象物理特性来定：比如一个阀门开度变化1%会引起流量变化多少，这个估算值就是PPD的量级参考。

第二层是方向保护。如果系统是单调增的（输入增大输出增大），PPD应当为正。如果估计过程中PPD出现符号跳变且持续反向，多半是估计器已经失控，这时需要强制将PPD恢复到初始值或按上一时刻的符号重置。

代码实现时，这两层保护都非常廉价，几乎不占算力，但带来的稳定性收益非常明显。我在后面的MIMO系统调试中也验证了这一点：PJM矩阵中的每个元素都加上上下界限制后，耦合通道对非参数扰动的抗性明显增强。

3. 六套仿真案例的实操过程

3.1 SISO-CFDL仿真：完整实现与代码拆解

第一个案例是最经典的单入单出非线性系统，我用了一个带死区和非线性的对象模型：

python复制import numpy as np
import matplotlib.pyplot as plt

def plant_siso_nonlinear(u, u_prev, y_prev):
    # 一个简单的非线性+惯性对象
    return 1.2 * y_prev / (1 + y_prev**2) + 0.35 * np.tanh(u_prev) + 0.15 * u

被控对象故意设计得很难受：有强非线性（y_prev/(1+y_prev²)），有死区效应（tanh），再加上增益很小的直接通道，这样仿真才能看出MFAC的价值。

控制参数按经验初版设定：

python复制# MFAC 参数
phi_init = 1.5      # PPD初值
eta = 0.8           # PPD估计步长
mu = 0.5            # PPD估计权重
rho = 0.9           # 控制律增益
lam = 0.01          # 控制律惩罚因子
# 重置下限
phi_min = 0.1

主循环结构：

python复制def run_simulation(plant, setpoint_series, phi_init, eta, mu, rho, lam, steps=1000):
    u = 0.0
    u_prev = 0.0
    y = 0.0
    phi = phi_init
    y_track = []
    u_track = []
    for k in range(steps):
        # 计算跟踪误差
        y_star = setpoint_series[k]
        e = y_star - y
        # 控制律更新
        u = u_prev + rho * phi * e / (lam + phi**2)
        # 对象离散更新
        y_new = plant(u, u_prev, y)
        # 计算输出变化量与输入变化量
        dy = y_new - y
        du = u - u_prev
        # 伪偏导数估计
        phi_new = phi + eta * du * (dy - phi * du) / (mu + du**2)
        # 重置与边界保护
        if abs(phi_new) < 1e-5:
            phi_new = phi
        phi = phi_new
        # 数据记录与变量更新
        y_track.append(y_new)
        u_track.append(u)
        u_prev = u
        y = y_new
    return y_track, u_track

这一段代码写完基本就是一个可以工作的CFDL-MFAC控制器了。我跑完这个仿真后的结论是：在设定值阶跃变化时，系统大约经过40~60步就能稳定跟踪，稳态误差在0.01以内。如果把λ调小，收敛会更快，但前期超调会增大。这个“跟得快”和“稳得住”之间的权衡，就是MFAC参数整定的核心功夫。

3.2 时滞系统的PFDL仿真：L值选取与效果对比

第二个仿真我加入了纯滞后环节，对象模型改成：

python复制def plant_siso_delay(u, u_history, y_prev, tau_steps=5):
    # 用历史输入序列模拟纯滞后
    return 0.8 * y_prev + 0.25 * u_history[-tau_steps]

这里引入了5步的纯时间滞后。如果用CFDL做控制，动态线性化格式只考虑当前输入变化Δu(k)，与5步前的输入历史无关，因此控制效果会非常差——系统几乎无法稳定，输出呈发散振荡。

PFDL方案把ΔU_L(k)扩展到包含最近L步的输入变化：

python复制def pfdl_update(Phi_vec, du_history, dy, mu, eta, L):
    # du_history 是最近L步的输入变化量列表
    du_vec = np.array(du_history[-L:])
    dy_hat = Phi_vec @ du_vec  # 预测输出变化
    Phi_new = Phi_vec + eta * du_vec * (dy - dy_hat) / (mu + du_vec @ du_vec)
    return Phi_new

这里PFDL的关键是用一个向量Φ(k)替代了CFDL中的标量φ(k)。我做了L=3、L=5、L=8三组仿真对比：

L=5（恰好等于滞后步数）时效果最好，这符合理论预期：PFDL中L应该尽量覆盖系统的主要动态滞后步数。L取得太小，覆盖不了滞后；L取得太大，估计器需要处理的输入变化量太多，干扰噪声反而被放大，收敛变慢。所以L的取值建议“以系统主要滞后步数为基准，向上浮动1~2步”。

3.3 MIMO系统仿真：耦合效应与PJM矩阵估计实现

MIMO的仿真我选了一个典型的两入两出系统：第一个输入影响两个输出，第二个输入主要影响第二个输出，但也轻微耦合到第一个输出。具体对象定义为：

python复制def plant_mimo(u1, u2, y1_prev, y2_prev):
    y1_new = 1.1 * y1_prev / (1 + 0.2 * y1_prev**2) + 0.25 * u1 + 0.08 * u2 + 0.02 * u1 * u2
    y2_new = 0.9 * y2_prev / (1 + 0.15 * y2_prev**2) + 0.4 * u2 + 0.1 * u1
    return y1_new, y2_new

MIMO-CFDL的动态线性化形式为：

ΔY(k+1) = Φ(k)·ΔU(k)

其中ΔY和ΔU都是2×1向量，Φ是2×2矩阵。PJM估计的更新式可以写成矩阵形式：

Φ̂(k) = Φ̂(k-1) + η·[ΔY(k) - Φ̂(k-1)·ΔU(k-1)]·ΔU(k-1)ᵀ / (μ + ΔU(k-1)ᵀΔU(k-1))

实际写成代码时要注意矩阵乘法的维度匹配：

python复制def pjm_estimate(Phi_prev, du_vec, dy_vec, mu, eta):
    # du_vec, dy_vec 均为 (2,) 向量
    du = du_vec.reshape(-1, 1)   # (2,1)
    dy = dy_vec.reshape(-1, 1)   # (2,1)
    dy_hat = Phi_prev @ du       # (2,1)
    e = dy - dy_hat              # (2,1)
    denom = mu + (du.T @ du).item()
    Phi_new = Phi_prev + eta * e @ du.T / denom   # (2,2)
    return Phi_new

控制律更新：

python复制def mimo_control(Phi_hat, y_star_vec, y_vec, u_prev_vec, lam, rho):
    e = (y_star_vec - y_vec).reshape(-1, 1)  # (2,1)
    Phi_T = Phi_hat.T
    # u = u_prev + rho * Phi^T * e / (lam + |Phi|^2)
    denom = lam + np.linalg.norm(Phi_hat, 'fro')**2
    u_new = u_prev_vec.reshape(-1, 1) + rho * Phi_T @ e / denom
    return u_new.flatten()

MIMO仿真中我遇到的最大问题在初始阶段。PJM的初始值如果设置不当，两个通道会互相干扰，最直观的现象是：通道1的设定值阶跃时，通道2的输出跟着大起大落。这其实就是耦合通道的PJM元素没被正常激发导致的。

解决办法有两个：

第一个是把PJM的初始值设为单位矩阵乘以一个系数。这相当于默认“主通道为主，耦合为零”，然后靠在线估计逐步修正耦合项。实践证明，这样设置初始化，系统的初始动作会比较“保守”，但很快会学到真实的耦合关系。

第二个方法是给两个通道设置不同的λ值。耦合强的通道用更大的λ，限制它的输入变化率，给耦合弱的通道留出更多响应空间。我从Bristol-Shinskey相对增益的角度理解这个问题后，就明白MIMO系统不能只靠一套全局增益参数，必须按通道分开调。

跑完MIMO仿真后，系统大约在150步内收敛，通道间的最大耦合波动控制在5%以内。如果你需要更强的解耦效果，可以把λ矩阵的对角元素设置得更独立，或者直接用MIMO-PFDL版本，它能利用更多历史输入信息来补偿耦合动态。

3.4 六套仿真统一的结果对比分析

我在同一框架下完成了六个案例，把参数统一保存为配置文件：

python复制configs = {
    "SISO_CFDL": {"L": None, "MIMO": False, "delay": 0, "phi_init": 1.5},
    "SISO_PFDL": {"L": 3, "MIMO": False, "delay": 3, "phi_init": [1.0, 0.5, 0.2]},
    "SISO_PFDL_Delay5": {"L": 5, "MIMO": False, "delay": 5, "phi_init": [0.8, 0.4, 0.3, 0.2, 0.1]},
    "MIMO_CFDL": {"L": None, "MIMO": True, "delay": 0, "phi_init": np.eye(2)},
    "MIMO_PFDL": {"L": 3, "MIMO": True, "delay": 2, "phi_init": [np.eye(2), 0.5*np.eye(2), 0.2*np.eye(2)]},
}

仿真结果的横向对比可以从三个维度看：

在跟踪精度方面，六个案例的稳态误差都能控制在5%以内，其中无时滞的CFDL版本最好，稳态误差接近0.3%；时滞系统的PFDL版本因为引入了历史输入，稳态误差也控制在1.5%左右，这比CFDL硬抗时滞后超过10%的误差好太多。

在鲁棒性方面，我每个案例都做了加入高斯白噪声的扰动测试。MFAC在高信噪比下的表现不错，但噪声较大时PPD估计会抖动。我的处理方式是给Δy和Δu加了一个移动平均滤波后再送进PPD估计器。这个技巧很管用，滤波器窗口设为3~5个采样周期，既保留了动态响应信息，又显著抑制了数值抖动。

在资源消耗方面，六个案例在主频2.5GHz的笔记本上跑完1000步仿真，耗时都在0.1秒以内。这说明MFAC的计算量确实非常低，完全具备实时控制的潜质，这也是它相比MPC、神经网络控制器的一大优势。

4. 常见问题与排查技巧实录

4.1 PPD估计发散和失控怎么处理

这是我在做MFAC仿真时遇到最多的问题，突出表现为：输出曲线发散、控制量剧烈振荡、PPD值持续增大到几个数量级以上。

排查步骤我这里给出一个可复用的流程：

第一步，先检查Δu是否可能为0。如果系统进入稳态后Δu长期为0，PPD估计的修正项就是0/μ，更新不了，但PPD值可能停留在之前的不合理数值上。解决方案是重置保护：在Δu太小（比如|Δu| < 1e-6）时强制保持PPD不变，并且限制PPD最大最小值。

第二步，检查μ的取值。如果μ太小（小于0.01），分母在Δu较小时会非常小，导致PPD单步更新量极大。我看到过PPD一步之内从1.8跳到180的情况，就是μ设成了0.001造成的。解决办法是把μ加大到0.5以上，或者给分母加一个ε保护项。

第三步，检查控制律分母中的λ。如果λ小于|φ̂(k)|²几个数量级，控制量会被PPD直接放大，极易造成发散。经验法则：λ的取值至少要与φ̂²的典型量级相当或大一个量级。我一般先用λ=0.1跑一遍，再根据振荡情况往小调。

第四步，如果以上都没问题，就检查代码里PPD更新公式的符号有没有写反。矩阵运算时注意转置和维度。这个问题看起来低级，但我当年确实因为在矩阵乘法里漏掉转置，导致PJM更新方向完全反了，系统输出直接爆表。

4.2 稳态误差和超调之间的“跷跷板”怎么平衡

MFAC参数整定的核心矛盾和其他控制算法类似：参数偏激进，响应快但超调大；参数偏保守，不超调但回应太肉。几次实操下来，我形成了一套“粗调-细调-微调”三步法。

粗调阶段：把λ从大到小地扫描，每次十倍递减。找到系统从“不振荡”变成“弱振荡”的临界λ，然后往回调一个数量级作为工作点。这个步骤的目的是把系统锁定在一个稳定区域内。

细调阶段：针对跟踪速度，上下微调ρ和η。ρ的典型范围是0.5~1.5，η是0.8~1.8。每次只动一个参数，观察输出曲线的变化趋势。

微调阶段：如果还存在小幅稳态误差，可以对控制律做一个局部改进——引入积分项。虽然MFAC本身是带无差跟踪能力的，但对象存在常值扰动时，PD增益形式的控制器会残留一定的稳态偏差。我给控制律加了一个“误差积分修正”项：（公式说明）u(k) = u(k-1) + ρ·φ̂(k)·e(k)/(λ+φ̂²) + α·Σe_i。这个α我一般取0.01~0.05，只做辅助补偿，不能喧宾夺主，否则会引发低频振荡。

4.3 仿真中容易踩的代码细节坑

第一个坑是变量更新顺序。MFAC的核心是“用旧值算新值”，顺序一旦颠倒就会导致公式串位。我建议在主循环里严格保持顺序：先记录y和u的旧值，再计算新输出y_new，然后用dy=y_new-y和du=u-u_prev更新PPD，最后更新u。这个顺序我在代码注释里写得非常醒目，因为它直接影响PPD估计的因果关系。

第二个坑是Python数组和标量的混用。在写MIMO版本时，一个不小心就会把numpy的1维数组当标量用，导致维度错误。我的建议是：SISO版本全部用float类型，MIMO版本所有控制量、输出、PJM矩阵统一用numpy的2D矩阵形式，尽量不要用1D数组，避免后续矩阵运算时隐式广播引发难以察觉的错误。

第三个坑是数据记录的内存占用。跑长周期仿真时，如果每个步都把PPD矩阵的副本存进列表，内存占用会成倍增长。建议预分配固定长度的numpy数组，或者只记录关键的PPD标量（对SISO）和PJM范数（对MIMO），这样既方便绘图，又不会拖慢仿真速度。

4.4 常见问题速查表

我把仿真过程中的典型问题整理成一张速查表，方便大家对照排查：

这张表我每次调试新对象时都会参考，相当于一个经验知识库。刚接触MFAC的朋友可以直接照着表里的逻辑来排查，能省很多试错时间。

5. 实操心得与后续扩展方向

代码全部跑完后，我自己又做了两轮扩展验证。第一轮是把CFDL和PFDL用到同一个被控对象上，分别测试带时滞和不带时滞的情况，确认了PFDL在时滞场景下的优势是结构性的，而不是参数调出来的巧合。第二轮是做了一个简单的模型失配仿真：先用名义模型校调好MFAC参数，然后给对象增益乘以一个0.8~1.2之间随机变化的时变系数，MFAC仍然能维持稳定的输出跟踪。这种“模型失配鲁棒性”恰恰是MFAC最有说服力的特性。

还有个很实用的扩展方向是MFAC参数自整定。目前我用的还是离线手工整定，但如果要做嵌入式部署，可以考虑加一个在线参数优化器，用梯度下降法实时调整λ和ρ。注意这步要谨慎：在线优化和PPD估计存在耦合，如果两者的时间尺度太接近，系统可能会出奇奇怪怪的振荡。我的经验是让参数自整定的时间尺度比PPD估计慢10倍以上，保证内外环解耦。

后续我计划给这套工程加上一个基于强化学习的参数自适应层。之所以考虑强化学习，是因为参数整定实际上就是一个序贯决策问题，而MFAC结构的参数数量少，非常适合用轻量级策略网络来驱动。不过这个扩展涉及计算量的现实约束，还需要进一步实验。

最后分享一个我做仿真时的小习惯：每次跑完一组实验，我会把控制器的PPD轨迹、控制量轨迹、输出轨迹一起画在同一张图里。这不仅能直观展示MFAC的“数据驱动”特性——你能亲眼看到PPD如何从初值逐步逼近对象增益的真值，还能在发表论文或汇报成果时，为“算法如何自适应”提供最有说服力的证据链。这套代码和资料我已经整理好了，无论你是刚接触MFAC，还是已经在做相关课题，从跑通案例到调整参数，都可以直接拿这套框架做底子。