反馈控制 Feedback

反馈用输出的测量信息修正控制输入，把「精确预测未来」替换为「持续纠正偏差」——以环路增益换取对扰动与模型误差的鲁棒性。它是不确定世界中唯一通用的控制架构，也是整个控制理论体系的起点。

反馈的本质

控制即影响系统使其满足目标，实现路线只有两条：

前馈（开环）： $u = f (r)$ ，凭模型由目标直接反演输入，不看结果
反馈（闭环）： $u = f (r - y)$ ，测输出、算误差 $e = r - y$ 、按误差修正

闭环三要素：传感器（测 $y$ ）、比较器（算 $e$ ）、控制器（由 $e$ 生 $u$ ）——工程上最常用的误差驱动控制器就是 PID 控制。工程语境的反馈默认负反馈：误差越大修正越强；正反馈放大偏差（振荡器、麦克风啸叫），是控制要避免的失稳形态。

维度	开环	闭环
决策依据	模型反演	误差实测
模型误差	直接映射到输出	压低 $∣ 1 + L ∣$ 倍
未知扰动	无抵御	频段内抑制
不稳定对象	无法镇定	可重新配置闭环极点
代价	只需算一次	传感成本、噪声注入、失稳风险

反馈买到了什么

用传递函数 Transfer Function 的语言定量。记环路增益 $L (s) = C (s) P (s)$ ，闭环给出两个核心函数：

$S (s) = \frac{1}{1 + L ( s )}, T (s) = \frac{L ( s )}{1 + L ( s )}$

$S$ 是灵敏度函数（扰动到输出）， $T$ 是补灵敏度函数（参考到输出）。三大收益全部由它们刻画：

扰动抑制：输出端注入的扰动经 $S$ 衰减——设计频段内 $∣ L ∣ ≫ 1$ ，扰动几乎不可见
参数灵敏度：闭环传递函数对对象参数的相对灵敏度 $\frac{d T / T}{d P / P} = \frac{1}{1 + L}$ ——对象增益漂移 30%，闭环性能只漂移其 $∣ 1 + L ∣$ 分之一。反馈让系统行为由控制器而非对象决定
镇定与重塑动态：倒立摆、磁悬浮、自行车本身不稳定，只有反馈能镇定；反馈移动闭环极点，等于重新设计系统动态——这是根轨迹与极点配置的全部舞台

数值验证——控制器只知名义模型，对真实失配一无所知：

def simulate(a_true, d_true, K, T=30.0, dt=0.01):
    """一阶对象 dy/dt = a*(u+d) - y；名义模型假设 a=1、d=0。"""
    y_open = y_closed = 0.0
    for _ in range(int(T / dt)):
        u_open = 1.0                     # 开环：按名义模型反演 u=r，永远不看输出
        u_closed = K * (1.0 - y_closed)  # 闭环：纯误差驱动
        y_open += dt * (a_true * (u_open + d_true) - y_open)
        y_closed += dt * (a_true * (u_closed + d_true) - y_closed)
    return 1.0 - y_open, 1.0 - y_closed  # 稳态误差
 
for name, a, d in [("增益失配30%", 0.7, 0.0), ("输入扰动+0.3", 1.0, 0.3)]:
    print(name, tuple(round(e, 3) for e in simulate(a, d, K=20)))
# 增益失配30%: (0.300, 0.067)   误差压缩 1/(1+L) 倍
# 输入扰动+0.3: (-0.300, 0.014)  扰动抑制 21 倍

反馈的代价

反馈不是免费午餐，它同时是不稳定的主要来源：

相位滞后沿回路累积，某频段达到 180° 且增益大于 1，回路自激振荡——开环稳定的系统闭环后可能失稳，增益越大风险越高。这是系统稳定性 Stability 占据理论半壁江山的原因
测量噪声 $n$ 经回路注入： $∣ L ∣$ 大的频段噪声反而被放大。抑制扰动与抑制噪声共用一个 $S$ ，只能在频域上分工——低频跟踪抗扰、高频滤噪，这正是频域分析 Frequency Response 的整形问题
Bode 灵敏度积分：稳定最小相位对象必有 $\int_{0}^{\infty} ln ∣ S (jω)∣ d ω = 0$ ——一个频段压低灵敏度，另一频段必然抬高（水床效应）。反馈能力存在硬上界，增益与带宽不能无限兑换鲁棒性
测量必有噪声，状态未必全可测——用卡尔曼滤波 Kalman Filter 从噪声观测中重构状态，是反馈的前置工程

一句话：反馈的收益以「不破坏稳定」为前提，增益、带宽、裕度之间的权衡就是控制设计的全部内容。

为什么反馈统治工程系统

模型永远不准、扰动永远存在、目标永远在变——依赖精确预测的开环方案在真实环境中不堪一击。反馈只要求两件事：误差可测，修正方向正确。这两条在物理上远比「模型精确」容易满足。

历史反复验证这一逻辑：公元前 3 世纪 Ktesibios 水钟用浮子闭环调节水流；1788 年瓦特离心调速器让蒸汽机安全运转，其失稳问题直接催生 Maxwell 1868 年《论调速器》——控制理论诞生于反馈装置；1927 年 Harold Black 的负反馈放大器牺牲环路增益同时买下线性度与抗漂移，成为现代电子学的地基。从恒温器、血糖调节到 TCP，凡在不确定环境中维持目标的系统，最终都收敛到同一架构：闭环。

反馈的 AI/ML 投影

反馈不专属工程，它是「误差驱动迭代」的一般范式，AI 系统里处处是它的变体：

优化器：梯度下降 $w_{t + 1} = w_{t} - η \nabla L$ 是参数空间的负反馈——损失梯度把参数持续拉回最优点。学习率即环路增益（过大发散，正是闭环失稳），动量项是积分作用，Adam 的自适应步长是变增益控制
强化学习：agent–environment 闭环中，reward 把误差信号 $r - y$ 泛化为标量评价，policy 即控制器；RLHF 进一步把人类偏好接成反馈回路。Bellman 方程与 HJB 同源，见控制理论与强化学习 Control and Reinforcement Learning
分布式系统：TCP 拥塞控制的 AIMD（丢包减半、正常加一）是教科书级反馈回路；限流、自动扩缩容、背压、重试退避，全部是误差驱动闭环

体系定位

本篇为控制理论定调：后续所有内容都在回答闭环的三个问题——

问题	性质	对应篇目
回路表现如何	分析语言	传递函数 Transfer Function、时域响应、频域分析
会不会失稳	前提条件	稳定性判据、Lyapunov
怎么设计控制器	设计方法	PID、根轨迹、极点配置、最优控制

完整地图见控制理论 MOC。

知识花园

探索