本文提出了一种集合建筑热力学模型，通过分层强化学习提高HVAC控制效率。该方法利用基础模型为特定建筑服务，动态选择和加权模型，实验结果表明其能提高预测准确性并减少开发工作量。

本研究提出了一种基于分层强化学习的双向任务-动作规划方法，旨在解决群体机器人在动态环境中的决策问题。实验结果显示，该方法在对抗中的胜率超过80%，决策时间低于0.01秒，展现出良好的应用潜力。

本文探讨了在多领域对话管理中应用分层强化学习和选项框架的方法，提升学习速度和结果。研究表明，强化学习在对话系统中的优化潜力，尤其是大型语言模型与人类反馈强化学习的结合，推动了对话生成和交互能力的提升。新方法有效解决了多轮对话中的规划问题，显著提高了学习效率和性能。

本文探讨了在战争推演中利用人工智能和机器学习提升决策质量的重要性，重点开发分层强化学习框架，以创建在复杂战斗模拟中表现出超人类能力的智能代理。研究领域包括HRL训练框架、代理决策的多模型框架及状态空间观察抽象化，以应对计算增长带来的挑战。

本文综述多任务与分层强化学习进展，涵盖：利用策略草图共享子策略以提升性能并构建可解释行为库；结合子目标发现与内在动机应对稀疏奖励；采用课程式框架提高采样效率；提出计数奖励自动机以支持无限制语法任务；构建可验证组合框架；通过子任务图元学习实现快速适应；以弱监督区分有效子空间；从少量演示推断知觉奖励；使机器人通过少量交互学习技能；并以子任务生成选项模型，统一价值、策略、选项与模型学习。

该文综述分层强化学习中的子目标发现方法，涵盖：通过发展机制学习可解释、可迁移的状态表示并对相似角色状态分组；Feudal HRL同时学习目标表示与分层策略；Skipper利用时空抽象实现零样本泛化；STI-HRL建模时空因素预测用户下次访问；图解耦方法提升数据效率；规范化与主动探索改善稀疏奖励学习；空间推理方法在3D环境中优于扁平与分层架构；子目标类别用于Atari稀疏奖励游戏；Hierarchical-DQN结合内在动机实现高效探索。

该文介绍了决策Transformer算法在强化学习中的应用，通过分层强化学习实现顺序决策，并发展了新的离线强化学习算法。实证结果表明该算法优于DT，可推动转换器架构在强化学习领域的整合。

该文介绍了使用分层强化学习（HRL）预测时间序列的任务。作者结合深度学习和分层强化学习的方法，开发了一个股票智能体和一个车辆智能体，结果表明这种HRL方法在训练速度、稳定性和预测准确性方面都有显著的改进。