本文探讨了深度强化学习（DRL）在优化问题中的应用，包括核燃料加载模式、热控制和多目标问题。研究提出了改进算法和奖励函数，展示了DRL与知识蒸馏结合的潜力，以提高模型效率和决策速度。实验结果表明，DRL在复杂优化和控制任务中表现优异，推动了该领域的发展。

本研究探讨了深度强化学习和多智能体强化学习在瑞利-贝纳德对流传热控制中的应用，显示出良好的控制效果，具有工业优化潜力。同时，提出了多种算法以提高交通信号控制和热控制的效率，验证了强化学习在这些领域的有效性。

通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。