本研究提出了一种蒙特卡洛模拟算法，用于实时自适应控制器的策略改进。该算法通过统计每个动作的长期期望回报，显著降低了基础玩家的误差率，展现出较大的应用潜力。

本研究提出了一种脉冲通信基础设施，通过脉冲神经网络提高微电网的协调控制可靠性与韧性，解决冯·诺依曼瓶颈，实现自适应控制。

该论文探讨了强化学习在交通信号控制中的应用，提出了FRAP和LIT等多种方法，强调自适应控制和系统性思维的重要性。研究表明，基于马尔科夫决策过程和纳什均衡的算法在多个交叉口表现优越，数据驱动方法在真实环境中也取得了良好效果。

本文提出了一种新的动态城市场景建模方法，称为周期振动高斯（PVG），通过引入周期振动和自适应控制策略，显著提高了动态场景的重建和新视角合成效果。该方法无需手动标注，训练和渲染速度比现有方法快50到6000倍。此外，MoDGS管道利用单目视频生成高质量动态场景新视角图像，表现优于基线方法。

本文探讨了自适应控制方法在自主水下航行器（AUV）中的应用，包括基于学习的控制策略、模型预测控制（MPPI）和分布式鲁棒学习控制策略。研究表明，这些方法能有效提高控制性能，处理不确定性和环境干扰。

本研究探讨了环境噪音干扰下的线性动态系统控制问题，提出了多种在线和离线控制策略的优化方法。研究表明，离线策略的代价会随着时间收敛于在线策略，并提出了自适应控制算法，能够有效处理未知系统，实现次线性遗憾上界。

该文介绍了一种基于学习驱动的自适应控制方法，通过生物启发的经验回放机制、领域随机化技术和物理平台上的评估协议，实现了仿真到真实的迁移策略。实验结果表明，该方法能够从AUV的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高3倍。

本文重新思考了估计量子比特Pauli噪声通道特征值的任务，给出了更好的下界，并证明了具有限定量子内存的算法在估计每个特征值的误差为ε时必须进行Ω(2^n/ε^2)个测量。同时研究了具有k个量子内存的算法以及任意自适应控制和通道串联情况下的查询个数下界。结果揭示了通道串联和O(1)量子内存如何结合以实现量子过程学习的显著加速的新机制。