4.2 节所推导的必要多样性定律从组合与信息论高度，规定了调节器所必须拥有的理论容量下界。然而，该定律建立在调节器能够直接且无时滞地测量外部扰动 \(D\) 的前馈假设之上。在现实工程与生物系统的广阔场景中，环境扰动源往往深藏于高维物理介质之中，无法被传感器直接捕获。此时，系统唯一可利用的测量信息，是受控本质变量偏离其预定设定点所产生的实时误差。本节聚焦于这种以偏差为驱动力的误差控制调节器(error-controlled regulator)，解析其闭环动力学特征、物理限制，以及当常规负反馈失效时系统如何借助第二级反馈实现超稳定性自适应重组。
4.3.1 以误差驱动
在因果信息流的时序拓扑上，调节器获取信息的方式可分为两种截然不同的架构（Ashby, 1956，S.12/3–12/4），如图 4.3-1 所示：
- 前馈调节（扰动预测式）：调节器 \(R\) 的传感输入端直接连接扰动源 \(D\)。调节器在扰动波及受控对象 \(T\) 之前，预先计算出所需的补偿控制量 \(r(d)\)，并与扰动同步（甚至提前）作用于 \(T\)。这种方式的物理优势在于能够抢出宝贵的时间提前量，实现扰动的“先发制人”式抵消；然而其致命缺陷在于调节器必须对扰动类型具有完全先验知识，且无法感知模型失配与未建模扰动；
- 反馈调节（误差控制式）：调节器 \(R\) 并不直接观测外部扰动 \(D\)，而是测量本质变量 \(E\) 与期望参考设定点 \(\eta\) 之间的实际代数偏差（误差 \(e\)）。信息流经由 \(D \to T \to E\) 后发生折返，通过反馈信道 \(E \to R\) 输送给调节器，再由调节器施加纠偏作用 \(R \to T\)。
在图 4.3-1(b) 的闭环反馈构型中，信息发生了物理绕行。罗森布鲁斯、维纳与毕格罗（Rosenblueth, Wiener & Bigelow, 1943）以及维纳（Wiener, 1948）指出，这一结构使得目的性行为（purposeful behavior）摆脱了唯心主义目的论的神秘色彩，获得了严格机械论的解释：系统不是被“未来的目标”所吸引，而是被“当下的偏差”所物理驱动。这一拓扑正是现代控制工程中一切负反馈伺服机构与生物自主稳态调节的共同基础。
4.3.2 误差反馈的限制与适用条件
阿什比在《控制论导论》（S.12/5）中提出了一个深刻的理论悖论：若一调节器是纯粹无记忆的静态函数（即控制输出 \(r(t) = f(e(t))\) 仅仅取决于当前瞬间的误差值），那么它能否在不同扰动下实现绝对零误差调节？
答案是否定的。设系统在受到扰动 \(d_1\) 时若要保持零误差（\(e = 0\)），需要控制输入输出为 \(r_1\)；在受到扰动 \(d_2\) 时保持零误差需要控制输出为 \(r_2 \neq r_1\)。然而，因为无记忆调节器的输入仅为误差 \(e\)，当系统处于零误差状态（\(e = 0\)）时，调节器只能给出唯一的固定输出 \(f(0)\)，无法根据未知的外界扰动同时输出两个相异的控制量 \(r_1\) 与 \(r_2\)。因此，无记忆静态比例反馈必须以容忍微小的“静态残余误差”（残差）为代价方能维持控制输出。
动态内部状态控制器与零稳态误差的实现：
上述无记忆静态调节器的限制，绝不能推论出“闭环负反馈永远无法实现零稳态误差”。现代线性控制理论中的内模原理（Internal Model Principle）与 PID 控制中的积分环节（Integral Action）完美化解了该限制：
设一阶受控对象动力学方程为 \(\dot{y} = -y + u + d\)，其中 \(y\) 为系统输出，\(u\) 为控制量，\(d\) 为常值阶跃外部扰动。若设计带有一阶动态记忆的积分控制器：
此时控制器的输出 \(u(t)\) 不仅取决于瞬时误差 \(y(t)\)，而是对历史累积误差进行连续积分。当系统达到动力学平衡态时，必有导数归零：\(\dot{u} = 0 \implies y^* = 0\)，且同时由 \(\dot{y} = 0\) 导出控制量自动稳定在 \(u^* = -d\)。闭环系统特征方程为 \(\lambda^2 + \lambda + k = 0\)，当 \(k > 0\) 时两根实部均严格为负，系统渐近稳定。因此，引入了内部动态记忆状态的调节器完全能够在暂态过程后彻底消除稳态误差。
更为危险的物理限制来自于反馈信道的时间延迟（Time Delay）与相位滞后。在任何实际物理系统（特别是生物神经反射网络）中，传感器测量、信号神经传导与执行器动作必然存在非零的时滞 \(\tau > 0\)。受控对象通常具备高阶惯性动态。设闭环系统开环传递函数为 \(L(s) = K \frac{e^{-s\tau}}{1 + sT_0}\)。时滞在频域中引入了与频率成正比的负相位滞后：\(\phi(\omega) = -\omega \tau\)。当回路增益 \(K\) 设定过高时，在穿越频率处系统总相角将越过 \(-180^\circ\) 临界边界，负反馈在动态上发生极性反转转化为正反馈，引发系统自发的高幅发散或等幅振荡（极限环）。这就是维纳在《控制论》（1948）第 4 章中重点分析的运动失调症（意向性震颤，Intention Tremor）与工业调速器飞车振荡的动力学成因。
4.3.3 马尔可夫机器
在前两章的推导中，机器通常表现为单值确定性变换。然而在微观生物调节、受噪声干扰的通信信道或生态博弈中，物理演化往往具有不可忽视的随机随机性。为了将调节理论推广至非确定性动力学环境，阿什比正式引入了马尔可夫机器(Markovian machine)（Ashby, 1956，S.12/8）。
马尔可夫机器(Markovian machine)：一种离散状态动力学系统，其相空间状态在离散时间步上的演化由状态转移概率矩阵(matrix of transition probabilities, \(P\))所支配。
在时齐（time-homogeneous）马尔可夫机器中，系统从当前状态 \(s_j\) 转移至下一状态 \(s_i\) 的条件转移概率满足马尔可夫性质（无后效性）：
转移矩阵的每一列之和恒等于 1（即列随机矩阵）：\(\sum_{i} P_{ij} = 1\)。若系统中某一状态 \(s_k\) 满足自转移概率 \(P_{kk} = 1\) 且转移至其余状态的概率为 0，则称状态 \(s_k\) 为系统的吸收态(absorbing state)。确定性机器在代数上完全是马尔可夫机器当所有元素退化为 0 或 1 时的极端特例。
图 4.3-2 展示了一台三状态马尔可夫机器的转移矩阵与其对应的有向运动学图。
在马尔可夫机器中，稳态调节的目标不再是维持一个固定不变的代数单点，而是维持一个关于本质变量的平稳目标概率分布（Stationary Distribution）\(\pi\)。若链满足不可约性与非周期性（遍历性条件），平稳分布由矩阵特征方程唯一决定：
调节器的任务，即是通过改变控制参数矩阵，使得平稳分布 \(\pi\) 在容许集合 \(\eta\) 内部的累积测度达到极大值：\(\sum_{s_i \in \eta} \pi_i \to 1\)。
当系统包含吸收态时，状态从瞬态（transient state）进入吸收态的转移时间不再是确定常数，而是一个离散随机变量——首达时间（First Passage Time, \(\tau\)）。图 4.3-3 展示了一个典型的二状态马尔可夫系统：状态 \(a\) 为吸收态，瞬态 \(b\) 以概率 \(p = 1/2\) 跃入 \(a\)，以 \(1-p = 1/2\) 滞留于 \(b\)。
通过全期望单步条件分解（First-step Analysis），平均首达时间满足特征差分方程：系统必须首先消耗 1 个物理步长；此后以概率 \(p\) 到达吸收态（剩余时间为 0），以概率 \(1-p\) 重新处于原点 \(b\)（剩余期望仍为 \(\bar{\tau}_b\)）：
习题 4.3-1
考查一台具有三个状态 \(\{1, 2, 3\}\) 的马尔可夫机器，其离散转移概率矩阵为：
其中状态 1 为吸收态（\(\eta\) 容许目标）。设系统在初始时刻从瞬态 2 出发。
(i) 判定系统的瞬态集与闭合吸收集；
(ii) 建立从状态 2 与状态 3 出发到达吸收态 1 的平均首达步数 \(\bar{\tau}_2\) 与 \(\bar{\tau}_3\) 所满足的线性代数方程组；
(iii) 精确求解平均步数 \(\bar{\tau}_2\)。
参考解答(i) 状态 1 满足 \(P_{11} = 1, P_{21} = 0, P_{31} = 0\)，因此集合 \(\{1\}\) 是单点闭合吸收集。状态 2 与 3 可以转移至状态 1，且彼此相互连通，因此瞬态集合为 \(\{2, 3\}\)。
(ii) 运用第一步全概率分析法：从瞬态 \(i\) 出发，第一步必须消耗 1 步，随后依据列随机概率跃迁：
对状态 2：
\[ \bar{\tau}_2 = 1 + P_{12} \cdot 0 + P_{22} \bar{\tau}_2 + P_{32} \bar{\tau}_3 = 1 + \frac{1}{3}\bar{\tau}_2 + \frac{1}{3}\bar{\tau}_3 \]
对状态 3：
\[ \bar{\tau}_3 = 1 + P_{13} \cdot 0 + P_{23} \bar{\tau}_2 + P_{33} \bar{\tau}_3 = 1 + \frac{1}{4}\bar{\tau}_2 + \frac{3}{4}\bar{\tau}_3 \]
(iii) 整理上述二元一次方程组：
由状态 3 方程：\(\frac{1}{4}\bar{\tau}_3 = 1 + \frac{1}{4}\bar{\tau}_2 \implies \bar{\tau}_3 = 4 + \bar{\tau}_2\)。
将 \(\bar{\tau}_3\) 代入状态 2 方程：
\[ \frac{2}{3}\bar{\tau}_2 = 1 + \frac{1}{3}(4 + \bar{\tau}_2) = 1 + \frac{4}{3} + \frac{1}{3}\bar{\tau}_2 = \frac{7}{3} + \frac{1}{3}\bar{\tau}_2 \]
两边移项化简：
\[ \frac{1}{3}\bar{\tau}_2 = \frac{7}{3} \implies \bar{\tau}_2 = 7\ \text{步} \]
同时可求得 \(\bar{\tau}_3 = 11\ \text{步}\)。因此系统从状态 2 出发到达目标吸收态的平均时间严格为 7 步。
4.3.4 搜寻—停留调节与否决器
马尔可夫机器走向吸收态的随机过程，揭示了一类普遍存在于低等生物自组织与算法检索中的调控机理——阿什比将其定名为搜寻—停留(hunt and stick)调节（Ashby, 1956，S.12/11–12/12）。传统行为主义心理学常将其通俗地称为“试错”（trial and error），但阿什比指出，“试错”之名在逻辑上是误导性的——系统并不存在所谓“犯错的意图”，演化的真正关键在于对满意状态的选择性停驻与保持。表 4.3-1 比较了确定性伺服调节器与马尔可夫调节器的技术特征。
| 比较维度 | 经典确定性伺服调节器 | 马尔可夫搜寻—停留调节器 |
|---|---|---|
| 相空间轨迹 | 唯一单值确定，由初值方程解析积分 | 随机轨道束，依据条件概率测度动态抽取 |
| 收敛时间 | 若渐近稳定，衰减包络与过渡期完全确定 | 首达时间为随机变量，由期望值与概率分布刻画 |
| 工程工业应用 | 高精度伺服电机、自动驾驶闭环飞控 | 退火算法、强化学习随机探索、粘蝇纸捕虫器 |
| 生物演化应用 | 高等中枢快速单突触前向运动反射 | 细菌趋化性游走（Run-and-Tumble）、白细胞吞噬搜寻 |
| 先验知识依赖 | 高度依赖受控对象精密的数学模型参数 | 极低先验知识，仅依赖存活状态的选择性否决机制 |
如何确保一台随机游走的系统能够精确且不可逆地停留在生存容许集 \(\eta\) 之内？阿什比依据第 2 章关于耦合系统平衡态的代数定理，提出了否决器(vetoer)的设计原理（Ashby, 1956，S.12/14）。
在第 2 章中我们证明过：由子系统 \(A\) 与 \(B\) 耦合构成的整机处于动态平衡态，当且仅当 \(A\) 与 \(B\) 同时处于各自的局部平衡态。任何一个子系统只要自身无法平衡，便拥有摧毁整机平衡状态的“否决权”。
基于否决权机制的自适应调节器构造协议：
- 将调节器 \(R\) 设计为一个输入受本质变量驱动的双态（或多态）动力学系统；
- 当本质变量逸出容许集合（\(E \notin \eta\)）时，输入信号激发调节器内部所有的非平衡算子——调节器处于无平衡态的剧烈游走相，强制打乱并驱动受控对象 \(T\) 的相轨迹跳离当前区域；
- 当本质变量由于偶然随机游走首次进入容许集（\(E \in \eta\)）时，调节器内部状态被完全冻结（所有状态均变为平衡态），否决权被收回；
- 耦合定理保证：整机最终能够静止停驻的唯一区域，只能是本质变量满足 \(E \in \eta\) 的相空间子集。其余一切不适状态均被调节器彻底否决。
习题 4.3-2
细菌的趋化性（Chemotaxis）是生物界典型的搜寻—停留调节器：大肠杆菌在均相介质中交替进行直线“游动”（run）与原地“翻滚”（tumble）。当它游向食物浓度更高的有利区域（本质变量处于合意区间）时，受体信号抑制翻滚频率，细菌长时间维持定向直行；当游向不利区域时，受体去抑制触发频繁翻滚，随机重定向新的游动矢量。
(i) 用阿什比否决器原理，解释该生化系统的动力学工作机制；
(ii) 设在不利区域，细菌每隔 \(\Delta t = 0.5\ \text{s}\) 进行一次完全各向同性的随机重定向，且每次重定向命中通往营养源方向的立体角概率为 \(p = 0.1\)。求细菌摆脱不利区域、找到有利方向的平均搜索时间。
参考解答(i) 在该系统中，细菌本体与生化鞭毛马达构成受控对象 \(T\)，体内营养代谢水平为本质变量 \(E\)，跨膜趋化受体与磷酸化级联信号网络（CheA/CheY 蛋白）构成调节器 \(R\)。当机体处于不利浓度梯度时（\(E \notin \eta\)），CheY-P 浓度升高促使马达顺时针旋转触发“翻滚”，系统处于不具备定向平衡态的游走相，行使否决权；当机体偶然朝向高浓度区域时（\(E \in \eta\)），受体甲基化信号去磷酸化 CheY，马达逆时针旋转维持直线游泳（冻结当前方向）。整机仅在有利航向上维持平稳运动，符合否决器构造准则。
(ii) 每次随机重定向服从独立伯努利试验，成功命中合意立体角的期望步数为几何分布均值：
\[ \bar{n} = \frac{1}{p} = \frac{1}{0.1} = 10\ \text{次尝试} \]
由于每次尝试的时间间隔为 \(\Delta t = 0.5\ \text{s}\)，故摆脱不利环境所需的平均物理搜索时间为：
\[ \bar{T} = \bar{n} \cdot \Delta t = 10 \times 0.5\ \text{s} = 5.0\ \text{秒} \]
系统通过有限步的搜寻—停留实现了合意生存状态的定位。
习题 4.3-3
对比两类不同的搜寻算法机制（Ashby, 1956，S.12/17）：从一副洗乱的包含 52 张不同纸牌的牌组中检索出特定的一张目标牌。
(i) 方案 A（确定性系统清点，如电话机步进选择器）：逐张翻看，翻阅过的纸牌不再放回；
(ii) 方案 B（完全马尔可夫随机检索，如受体随机碰撞）：每次随机抽取一张，若非目标牌则放回重新洗匀，再行抽取；
(iii) 分别计算方案 A 与方案 B 找到目标牌的平均抽牌次数，并从控制论先验信息与结构复杂度的角度对比二者的优劣。
参考解答(i) 方案 A 为无放回抽样。目标牌等概率处在第 1 至第 52 个位置。平均抽牌步数为离散均匀分布均值： \[ \bar{\tau}_A = \frac{1 + 52}{2} = 26.5\ \text{次} \] (ii) 方案 B 为有放回抽样。每次抽中目标牌的概率恒定为 \(p = 1/52\)。由几何分布均值公式 (4.3-1)： \[ \bar{\tau}_B = \frac{1}{p} = \frac{1}{1/52} = 52\ \text{次} \] (iii) 机制对比：方案 B 的平均时间开销约为方案 A 的两倍（52 次对 26.5 次）。然而，方案 A 必须依赖一套完备的内部记忆与顺序机械结构（必须记住哪些牌已被翻检、维持严格的线性次序）；一旦机械系统受到物理冲击发生乱序，系统清点将陷入死锁。方案 B 完全不需要任何关于历史的记忆元件，对系统内部物理损坏具有极强的鲁棒性与容错能力。这解释了为何生物底层代谢调节广泛采用随机扩散式搜索，而人类工程机械偏爱顺序确定性逻辑。
4.3.5 稳态机与超稳定性
在深入理解了负反馈与否决器之后，阿什比提出了其学术生涯中最震撼人心的概念——超稳定性(ultrastability)。在经典的单级反馈系统中，控制器始终假定系统内部参数（如增益、极点配置）是正确的，其任务仅是消除动态误差。然而，设想一个遭遇严重损伤或环境剧变的机体（例如猫的一侧前庭神经被切断，或机器人的一个轮子电机极性发生反接）：此时，原有的负反馈回路在物理上反转为破坏性的正反馈回路。常规的反馈机制越是敏捷纠偏，系统越是迅速崩溃。为了在根本性结构变故下存活，系统必须具备一种更高维度的自适应能力——改换系统自身的物理连接参数。
阿什比亲手研制了举世闻名的桌面演示机器——稳态机(Homeostat)（Ashby, 1952, 1956），其双层反馈拓扑如图 4.3-4 所示。
稳态机的物理实体由两个耦合子系统构成：
- 子系统 A（被调对象与第一级连续反馈）：面板上的四根活动磁铁指针，悬挂在充有导电液体的水槽中。各单元线圈通过电位器相互交联，构成四阶常微分方程动力系统。四根指针的物理偏角即为系统的本质变量 \(E\)，其安全容许集 \(\eta\) 为表盘中央区域；
- 子系统 B（参数选择机构与第二级不连续反馈）：由高灵敏电磁继电器和四个 25 档步进选择器（uniselectors）组成。步进选择器的每一个触点接入不同阻值与正负极性的精密电阻。选择器的当前档位直接决定子系统 A 中各线圈之间的电磁耦合系数矩阵。
稳态机的超稳定性机理表现为一种优雅的阶跃机制(step-function)：
- 当指针在正常容许集 \(\eta\) 内部振动时，继电器线圈处于断电状态。步进开关完全静止不动，子系统 A 作为确定性连续线性系统运行，利用常规阻尼维持局部稳定性；
- 一旦外部施加了毁灭性的极端扰动（例如实验人员强行反转了某两组线圈的极性导致正反馈发散），指针剧烈偏转逸出容许集 \(\eta\)。此时电极触水导通，继电器通电吸合；
- 在继电器吸合期间，四个步进选择器以极高的频率进行随机离散步进跳跃，子系统 A 的连接权重矩阵被剧烈打乱并重构。根据阿什比统计，参数机构所能展现的独立离散参数状态空间高达：
在高速的参数空间随机搜索过程中，只要某一时刻偶然触及了一组能够使子系统 A 恢复渐近稳定的参数配置，指针将在几百毫秒内被强力拉回表盘中央 \(\eta\) 区域；伴随指针复位，继电器断电释放，步进开关在这一瞬间被物理冻结在当前档位。整机由此完成了一次深刻的自适应稳态“学习”。
阿什比在《大脑设计》（1952）中论证，哺乳动物脑神经系统在经历创伤、视界倒置棱镜佩戴实验等极端异质性环境扰动时所展现的学习自愈能力，本质上正是超稳定性在巨型多自由度神经网络中的自然体现。
习题 4.3-4
分析稳态机参数机构 \(B\) 的搜索动力学（式 4.3-2）。假定在全部 \(N_B = 781\,250\) 种参数配置中，能够使四指针系统维持在中央容许集 \(\eta\) 内的稳定参数组合所占的测度比例为 \(\rho = 0.02\)（即 \(2\%\) 的配置为稳定矩阵）。继电器通电驱动步进器跳变时，每一步相当于在参数空间中进行一次独立等概率抽样。
(i) 步进器首次命中稳定参数组合的步数服从何种概率分布？求其平均搜索步数；
(ii) 若步进器的机械跳变频率为 \(f = 20\ \text{Hz}\)（即每秒跳变 20 次），计算系统恢复稳态所需的平均物理搜索时间；
(iii) 要确保系统在某次扰动后成功自适应重组的置信概率达到 \(99\%\)，步进器至多需要跳变多少步？
参考解答(i) 每次参数跳变是成功概率为 \(p = \rho = 0.02\) 的独立伯努利试验。首次命中所消耗的步数 \(N\) 严格服从几何分布：\(\Pr(N = k) = (1 - p)^{k-1} p\)。平均搜索步数为：
\[ \bar{N} = \frac{1}{p} = \frac{1}{0.02} = 50\ \text{步} \]
(ii) 跳变频率为 \(f = 20\ \text{Hz}\)，单步时间 \(\Delta t = 1/20 = 0.05\ \text{s}\)。因此平均物理恢复时间为：
\[ \bar{T} = \bar{N} \cdot \Delta t = 50 \times 0.05\ \text{s} = 2.5\ \text{秒} \]
稳态机平均仅需 2.5 秒即可在近 80 万种可能的大空间中找到自适应稳定态。
(iii) 设跳变 \(k\) 步后仍未命中的概率为 \((1 - p)^k\)。要求成功概率至少达到 \(99\%\)，即不成功概率不高于 \(1\%\)：
\[ (1 - 0.02)^k \le 0.01 \implies 0.98^k \le 0.01 \]
两边取自然对数：
\[ k \ln(0.98) \le \ln(0.01) \implies k \ge \frac{\ln(0.01)}{\ln(0.98)} \approx \frac{-4.60517}{-0.02020} \approx 227.95 \]
向上取整得 \(k \ge 228\ \text{步}\)。对应物理耗时约 \(228 \times 0.05 = 11.4\ \text{秒}\)。
4.3.6 功率放大器
在结束本节关于误差控制调节器的探讨之前，必须处理一个在物理学上极易引起混淆的问题：在许多自动化装置与生物效应器中，微弱的误差信号（几毫伏的电位或轻微的位移）何以能够驱动数百吨的液压起重机或阻挡凶猛的外界机械冲击？阿什比在《控制论导论》（S.12/21）中专门解析了功率放大器(power amplifier)的反馈本质，如图 4.3-5 所示。
阿什比以气动随动起重机为例：操作者在手柄端 \(L\) 仅需施加 1 磅的力移动 1 英寸，输出端 \(H\) 却能稳健地将 1000 磅的巨型载荷提升 1 英寸。功的绝对放大倍数高达：
这是否违背了热力学能量守恒定律？显然没有。起重机本质上是由两个各自严格服从能量守恒的子系统级联耦合而成的：阶段一，操作者的微弱能量全部耗散于克服阀门枢轴的微小摩擦阻力；阶段二，真正做功提升千磅重物的能量完全来自于外部压缩机燃烧煤炭或电力所储备的高压气体膨胀功。操作者的输入信息仅仅充当了储库大功率能量释放阀门的控制器。负反馈机构（支点 \(K\) 随重物联动）的作用，在于使重物的运动终态严格锁死在由手柄位置所决定的单一动态平衡态上。
由此，控制论将误差驱动调节器从单级被动响应，升华至包含能量放大与两级超稳定性重组的完备动力学体系。然而，当受控系统所面对的环境扰动源不再是静态的被动物理热浴，而是具有自身特定目标、甚至会主动学习的对抗性对手时，系统的结局便不再取决于单步静态平衡，而取决于交替展开的时序对抗博弈。这正是 4.4 节将深入展开的博弈论与连续系统稳定性分析。
关键术语
- 误差控制调节器 (error-controlled regulator)
- 以受控本质变量偏离预定参考目标的实际代数误差作为输入信号，经由负反馈信道施加校正干预的闭环控制系统。
- 前馈补偿 (feedforward compensation)
- 直接测量外部扰动并提前在被控对象输入端施加等价抵消作用的开环控制拓扑，具备无时滞优势但高度依赖精确模型。
- 时延振荡 (delay-induced oscillation)
- 由于信号传输或惯性动态引入纯时间延迟与频域相位滞后，导致闭环负反馈极性反转引发的自激发散或极限环振荡现象。
- 马尔可夫机器 (Markovian machine)
- 相空间状态演化由时齐转移概率矩阵支配的离散随机动力系统；确定性机器为其矩阵元素退化为 0 或 1 时的极端特例。
- 平稳目标分布 (stationary target distribution)
- 满足特征代数方程 \(\pi P = \pi\) 的不变概率测度；马尔可夫调节器的目标是使该分布在容许集合 \(\eta\) 内的测度积分极大化。
- 吸收态 (absorbing state)
- 马尔可夫链中一旦进入便永不离开的稳定状态节点（\(P_{ii} = 1\)），代表调节过程最终收敛的静态平衡态。
- 搜寻—停留 (hunt and stick)
- 阿什比对盲目“试错”概念的形式化替换：系统在瞬态相空间中随机游走搜寻，一旦触及吸收平衡态便选择性永久停驻。
- 否决器 (vetoer)
- 依据耦合平衡定理构造的控制机构：在不合意状态下剥夺系统的一切平衡态以强制游走，在合意状态下赋予全局平衡以实现状态捕获。
- 稳态机 (Homeostat)
- 阿什比研制的包含四联电磁指针单元与四组 25 档步进选择器的双层自适应物理装置，具 781250 种参数空间状态。
- 超稳定性 (ultrastability)
- 双层反馈自适应机制：当第一级动态反馈无法使本质变量复位时，第二级阶跃机制被触发并随机重构内部参数矩阵以恢复稳定。
- 功率放大器 (power amplifier)
- 小能量控制流借由反馈机制操纵外部大功率储库定向释放的物理系统，在不违背能量守恒前提下实现控制力矩的倍增。
参考文献与延伸阅读
- Ashby WR. 1956. An Introduction to Cybernetics. Chapman & Hall / John Wiley & Sons. [Chapter 12: The Error-controlled Regulator]
- Ashby WR. 1952. Design for a Brain: The Origin of Adaptive Behavior. Chapman & Hall.
- Wiener N. 1948. Cybernetics, or Control and Communication in the Animal and the Machine. The Technology Press / John Wiley & Sons.
- Rosenblueth A, Wiener N, Bigelow J. 1943. Behavior, purpose and teleology. Philosophy of Science 10(1):18–24.
- Cannon WB. 1932. The Wisdom of the Body. W. W. Norton & Company.
- Tustin A. 1953. The Mechanism of Economic Systems. William Heinemann.
- Francis BA, Wonham WM. 1976. The internal model principle of control theory. Automatica 12(5):457–465.
- Fisher RA, Yates F. 1948. Statistical Tables for Biological, Agricultural and Medical Research. 3rd ed. Oliver & Boyd.