该论文探讨了强化学习在交通信号控制中的应用，提出了FRAP和LIT等多种方法，强调自适应控制和系统性思维的重要性。研究表明，基于马尔科夫决策过程和纳什均衡的算法在多个交叉口表现优越，数据驱动方法在真实环境中也取得了良好效果。

本研究探讨了马尔科夫决策过程中的主动探索问题，提出了生成对抗性探索（GAEX）和基于模型的强化学习算法等新方法。这些算法在不同环境中显著提升了探索性能和学习效率。

本文研究了含对手的强化学习中的马尔科夫决策过程，提出了乐观策略优化算法POWERS，能够近似最小化最优遗憾。研究还探讨了多批次更新机制、偏差受限最优策略的计算方法及在线学习的应用，提出新算法以提高对抗环境下的决策效率，具有重要的理论和实践意义。

该研究探讨了模型不确定性对马尔科夫决策过程的影响，提出了多种无模型强化学习算法，以提高平均回报的估计和置信区间构建。研究包括针对无限时间持续的MDP问题的两种新算法，以及在满足成本约束下最大化累积奖励的策略优化方法，展示了在多种环境中的优越性能。

本文探讨了利用交互式定理证明器Isabelle/HOL对马尔科夫决策过程（MDPs）及其动态规划算法进行正式验证的方法。研究表明，该系统在部分可观察的马尔可夫决策过程（POMDP）和深度强化学习中的概率策略验证方面表现优异，并提出了基于模拟的动态规划方法和合作多智能体的策略迭代算法，展示了其在实际应用中的有效性。

本文探讨了利用强化学习和马尔科夫决策过程协调电动汽车充电点的方法，提出了名为Master的框架，显著提高了充电需求协调性能，并优化了充电/放电计划、充电控制策略及电动车路由模型，以降低成本和提高效率。

本研究介绍了一种名为VAPOR的深度强化学习方法，通过马尔科夫决策过程的图形模型，以概率推理的方式对状态-行为对的访问概率进行研究。该方法采用贝叶斯方法处理状态-行为优化的后验概率，并通过变分贝叶斯近似方法得到一个可行的凸优化问题。实验结果显示，VAPOR在性能上具有优势。

本研究探讨了基于生成模型的平均回报马尔科夫决策过程（MDP）中学习 ε- 最优策略的样本复杂度。结果表明，在参数 S、A、H 和 ε 上是极小极大最优的，并进一步改进了现有工作。该研究将平均回报 MDP 简化为折扣 MDP，并对 γ 折扣 MDP 进行了改进的界限。分析结果显示，在 γ≥1-1/H 的情况下，采样 Ω(SA (H/((1-γ)^2ε^2))) 足以在弱通信 MDP 中学习 ε- 最优策略。该研究还对某些实例相关方差参数进行了上界估计，具有广泛的应用。