本文提出了一种通过设定轨迹总回报上限来优化条件风险价值（CVaR）的方法，旨在解决现有策略梯度方法中因大量丢弃轨迹而导致的样本效率低下问题。实验结果表明，该方法在多个环境中显著提升了性能。

本研究提出了一种结合分布动态规划与库存增强的方法，成功解决了传统动态规划的优化局限，将多个研究问题转化为库存增强的回报分布优化，展示了其在最大化条件风险价值等实际应用中的潜力。

本研究提出了一种基于条件风险价值的变分量子特征求解器框架，优化了无线网络中的资源分配问题，提升车辆网络用户关联性能23.5%。

本研究提出MMD-OPT，一种高效的样本碰撞风险最小化方法，旨在解决动态障碍物预测分布下的风险评估不足。通过结合再生产核希尔伯特空间和最大均值差异，MMD-OPT在低采样情况下显著提升轨迹安全性，优于主流的条件风险价值方法。