本研究提出了一种名为瓦瑟斯坦策略优化（WPO）的强化学习演员-评论家算法，适用于连续动作空间，结合了确定性和经典策略梯度方法的优点，表现优异。

本文研究了模型预测控制（MPC）与强化学习（RL）的关系，探讨其在马尔可夫决策过程中的应用与优势。提出了一种基于演员-评论家方法的分类框架，并展示了如何利用MPC的在线优化提升政策性能。

本研究提出了一种无模型演员-评论家算法，旨在解决离线强化学习中的分布外动作问题。通过引入梯度多样性惩罚和可调行为克隆项，提升了训练的稳定性和准确性。实验结果表明，该算法在D4RL MuJoCo基准上表现优异。

本研究提出了一种基于强化学习的演员-评论家方法（ACING），有效解决了大型语言模型在黑箱环境下的指令优化问题。实验结果表明，ACING在30个任务中优于基线方法，提升幅度最高达39%。

本研究提出了一种改进的文本到SQL转换方法——演员-评论家（AC）方法，通过设计演员和评论家角色，迭代生成和评估SQL查询，显著提高了转换性能。

本文介绍了一种基于最大熵强化学习的离线演员-评论家算法Soft Actor-Critic，通过改进提升了模型的稳定性和训练速度，在基准任务和现实世界挑战中表现出色。

最新研究发现，使用解耦的物体表示可以提高基于图像的物体中心强化学习任务的策略学习效果。一种新颖的物体中心强化学习算法结合了演员-评论家和基于模型的方法，有效地利用这些表示。该算法在视觉复杂的三维机器人环境和具有组合结构的二维环境中表现出色。