本文研究了两人轮流博弈中的均衡计算问题，提出了一种多项式时间算法来计算Stackelberg广泛形式相关均衡（SEFCE），并实现了随机博弈的承诺计算。同时，提供了一种高效算法来近似计算最优广泛形式相关均衡（EFCE），突破了现有算法的局限性。

该研究探讨了无遗憾学习算法在零和游戏中的有效性，提出了降低计算成本和优化决策的新算法。同时，研究扩展了随机博弈中的子游戏分解，分析了信息不对称对策略选择的影响，并提出了保护序列决策中偏好的隐私的新方法。

本文综述熵正则化强化学习进展，包括提出Tsallis MDPs与TAL方法以提升非闭合Tsallis熵鲁棒性，构建平均回报与稀疏熵正则化框架并发展稀疏PCL、对偶下降及量化逼近技术，利用Tsallis熵实现更优损失保证并用于随机博弈纳什均衡求解。