本研究提出KIPPO方法，利用库普曼近似辅助网络提升复杂非线性动态环境中的控制策略学习效果。实验结果表明，KIPPO在连续控制任务中性能提升6-60%，方差减少91%。

本研究提出了一种高效的稀疏识别非线性动态的浅层递归解码网络(SINDy-SHRED)方法，旨在解决高维、噪声和数据收集成本高的问题，表现优于现有技术。

本研究提出了PINN4PF，一种深度学习架构，旨在捕捉大型电力系统的非线性动态。通过创新的神经网络架构和自适应激活函数，显著提升了潮流分析能力，优于传统模型。

本研究提出了一种基于模型的强化学习框架，解决了偏微分方程控制系统的非线性动态和高维性问题。通过结合稀疏非线性动态识别与控制算法和自编码器，显著提高了流体流动问题的控制效率与可解释性。

本文介绍了一种新型非随机控制算法，结合正则化技术和未来成本预测，以适应环境变化。研究提出了基于再生核希尔伯特空间的顺序控制算法，针对未知非线性动态系统，实验结果表明其在多个控制任务中表现优异。此外，广义隐式FTRL算法扩展了在线学习的应用，改善了遗憾的上界，确保了动态系统中的有效控制。