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。

本文提出了一个质量多样性优化算法统一框架，包括变体和集合管理机制。新的选择机制在实验中表现出更好的性能。

Sharpness-Aware Minimization (SAM)是一种有希望的训练方法，用于改善大型神经网络在存在标签噪声的情况下的泛化性能。本文填补了对非线性神经网络和分类任务中SAM工作原理的理解空白。研究表明，在某个数据模型和两层卷积ReLU网络中，SAM优于随机梯度下降（SGD）。结果解释了SAM的好处，特别是其能够防止早期噪声学习并促进更有效的特征学习。通过对合成和真实数据的实验证实了该理论。

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。