本文提出了一种基于Koopman算符理论的数据驱动方法，用于控制黑盒非线性动态系统的频率和收敛速率。该方法利用策略网络训练Koopman算符的特征值接近目标特征值，策略网络由神经网络和极点配置模块组成，并使用增强学习进行训练。结果表明，该方法比无模型强化学习和基于模型的控制具有更好的性能。