本研究提出了一种基于优势的优化方法ABQ，旨在解决高维大动作空间中的收敛困难和不稳定性问题。实验结果表明，ABQ在多个环境中显著提高了累积奖励，展现出卓越的优化能力。

本文研究了马尔可夫决策过程（MDP）中累积奖励的集中性特性，提出了一种统一的方法，适用于无限期和有限期设置，揭示了不同策略间的奖励差异及其对学习策略后悔率的影响。

本研究设计了一个鲁棒的系统，解决了区块链上的多代理多臂赌博问题，保证诚实参与者获取累积奖励。通过遗憾分析，证明了算法在区块链中的优化上的理论保证。与其他问题保持一致。

本文提出了一种通用的黑盒认证方法，能够在各种 $l_p$ 范数边界扰动下直接认证平滑策略的累积奖励，并扩展了在动作空间上认证扰动的方法。实验结果表明，该方法提高了平均累积奖励的认证下界，且比最先进的技术更高效。