Este documento presenta una nueva red neuronal de anulación de retroalimentación adaptativa basada en errores (EAF-ZNN) para resolver el problema de programación cuadrática variable en el tiempo (TVQP). Comparado con las ZNN de ganancia variable existentes, el EAF-ZNN ajusta dinámicamente el parámetro para acelerar de forma adaptativa sin aumentar a valores muy grandes con el tiempo. A diferencia de las ZNN difusas adaptativas, que solo consideran el error de convergencia actual, el EAF-ZNN garantiza la regulación al introducir un mecanismo de regulación de retroalimentación entre el error de convergencia actual, el error de convergencia acumulado histórico, la tasa de cambio del error de convergencia y el parámetro de ganancia del modelo. Este mecanismo de regulación promueve una evolución dinámica neural efectiva, lo que resulta en una alta tasa de convergencia y precisión. Este documento proporciona un análisis detallado de la convergencia del modelo, utilizando cuatro funciones de activación distintas. Además, se explora el efecto de los cambios en los factores proporcional, integral y derivativo en el modelo EAF-ZNN en la tasa de convergencia. Para evaluar la superioridad del EAF-ZNN en la resolución de problemas TVQP, se realiza una evaluación comparativa con tres modelos ZNN existentes. Los experimentos de simulación demuestran que el modelo EAF-ZNN exhibe una tasa de convergencia superior. Finalmente, el modelo EAF-ZNN se compara con los otros tres modelos a través del ejemplo de brazos robóticos redundantes, lo que logra un error de posición más pequeño.