该研究提出了一种基于双向生成对抗网络的探索算法“探险者”，旨在提高深度强化学习的样本效率并避免局部最优。该方法通过估计状态的新颖性，在复杂任务中表现优异，并在多个基准任务上取得了竞争力的结果。

文章介绍了一种顺序决策代理，目标是最大化随时间变化的未知函数。代理在每步接收观测值，并需在高概率下做出安全决策。提出的策略结合贝叶斯优化和变点检测，解决安全顺序优化问题，主要挑战是识别变点时的安全决策，避免局部最优。

局部最优是指在小邻域内的最佳解决方案，全局最优是考虑所有可能的解决方案的最优解。模拟退火是优化搜索算法的技术，微积分可用于找到连续函数的局部最优值。搜索技术从初始配置开始，反复移动到改进的相邻配置。局部最优可以是孤立的或高原的一部分。

Braess悖论表明，增加交通网络中的道路可能导致整体效率下降。例如，修建虫洞吸引更多车辆，反而使每辆车的通行时间增加。这说明局部最优解不等于全局最优解，修路可能加剧交通拥堵，形成恶性循环。