本研究探讨了同质个体群体中的集体行为，发现个体性能过高会导致集体适应度下降，表明个体进化路径对群体行为的有效性有重要影响。

本文提出了一个统一的质量多样性优化算法框架，探讨了多种变体及其新选择机制，解决了无结构集合的侵蚀问题。研究中介绍的MEGA算法基于梯度信息，显著优于现有的QD算法。此外，提出了ARIA算法以提高在噪声环境下的可重现性，并介绍了DQS算法，能够在多个仿真环境中高效学习多样化解决方案。

本研究提出了一种高效的深度神经网络训练方法——高效锐度感知最小化（Efficient Sharpness Aware Minimizer），通过随机权重扰动和数据选择策略提高训练效率。实验表明，该方法可节省60%计算资源，同时保持或提升测试准确性，显著改善模型的泛化能力。

研究广义线性情境赌博问题，提出两种算法解决有限适应性模型，建立遗憾上界，消除关键参数依赖，实现较低的遗憾。

应用LON分析揭示了机器人演化运动任务中三种不同编码的适应度景观结构，为未来定制ME景观的新算法或操作符设计提供了帮助。