本研究提出了一种去中心化分布式近端策略优化（DD-PPO）算法，旨在解决高性能计算环境中的资源分配与作业调度问题。该算法在多用户系统中显著提高了调度效率和灵活性，优于传统调度方法和现有强化学习调度技术。

本研究采用深度强化学习和近端策略优化算法，成功训练出能够通过视觉输入实现专业圈速的赛车驾驶代理，有效解决了紧急情况下的轮胎抓地力控制问题。

本研究提出了解耦价值策略优化（DVPO）框架，解决了传统近端策略优化（PPO）在大语言模型训练中的计算复杂性和不稳定性问题，显著降低了GPU内存和训练时间，并在多个基准测试中优于其他强化学习方法。

本研究提出了一种基于领导-追随多智能体近端策略优化的层次化框架，以提升多无人机空战的协同作战性能。该框架通过三层结构设计和角色优化，有效应对高维动作空间的挑战，并在模拟实验中验证了其效果。

加拿大阿尔伯塔省的研究发现，将西门子公司的热力学软件纳入环境模型，并模拟不确定性，发现深度 Q 网络（DQN）是处理经济型燃气轮机调度问题最有效的算法，近端策略优化（PPO）是最高效的方法。研究还提出了一种动态分配燃气轮机运行和维护成本的方法，更好地近似了现代燃气轮机调度的真实成本。

强化学习面临应用挑战，而近端策略优化可以提高学习效率。

本研究提出了一种新的增强学习方法，称为近端策略优化（PPO），通过与环境交互采样数据并使用随机梯度上升优化“替代”目标函数。实验结果表明，PPO在模拟机器人运动和Atari视频游戏等任务上表现优于其他在线策略梯度方法，同时在样本复杂度、实现简单性和时间效率方面取得了平衡。

本文使用强化学习技术调整四旋翼控制器的控制增益，采用近端策略优化训练一个根据实际情况调整控制增益的策略。结果显示，自适应增益方案实现了超过40%的跟踪误差降低。

该研究使用西门子公司提供的热力学软件，通过模拟不确定性，实施了三种深度强化学习算法来处理燃气轮机调度问题。其中，深度 Q 网络（DQN）获得了最高奖励，近端策略优化（PPO）是最高效的方法。还提出了一种动态分配燃气轮机运行和维护成本的方法，更好地近似了现代燃气轮机调度的真实成本。