通过神经控制提升即插即用网络的分布式性能

基于摘要分析。本文研究已由基线控制器稳定的网络化系统，在增删子系统等即插即用（PnP）操作下，如何引入神经策略改善性能，同时保留稳定性保证。核心贡献是为分布式神经算子互连构造自由参数化，将无约束可训练变量显式映射为满足指定网络增益上界的算子。 方法建立在基于 Internal Model Control（IMC）的 Performance Boosting 控制框架上，将闭环稳定性归结为辅助算子满足有限 ℓ₂ 增益条件。在分布式场景中，辅助算子由仅与相邻子系统交换信息的局部神经算子互连构成。该参数化对任意参数取值均保留指定增益界，因此允许使用无约束梯度优化，无须在训练中额外施加稳定性约束或执行投影。这里的保证针对给定控制框架与增益条件，不应扩展理解为任意模型误差或扰动下的稳定性保证。 作者提出两种互补方案：基于邻居的组合式参数化使用局部耦合界，PnP 事件后仅需由界发生变化的子系统更新其增益参数；网络范数参数化使用整体耦合矩阵的界，可降低保守性，但需要全网信息。两者提供了局部可维护性与全局约束紧致性之间的具体比较路径。 作者报告，在 PnP DC 微电网案例中，神经控制层在拓扑变化和负载变化下改善了电压瞬态响应，同时保持标称闭环稳定性。摘要未提供改善幅度；具体网络结构、训练目标、系统规模、对照设置、消融及统计信息尚未验证，稳定性定理的适用假设与复现条件也需核对全文。 本文的直接研究对象是分布式物理系统控制，而非 EEG 解码或 BCI。现有材料未建立其与具体 BCI 瓶颈的对应关系，因此不据此提出 EEG 性能结论或迁移实验建议。