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。