本研究引入了平均场最优控制的概念，该概念是将建模多代理交互的 ODE 约束下的有限维最优控制问题与约束为 Vlasov 类型的 PDE 的无限维最优控制问题的严格极限过程。通过考虑损失函数中 $L^1$ -norm 项，惩罚广泛的控制组，同时促进其稀疏性，我们考虑关注政策制定者受到最佳策略的制约，以实现其与个体群体之间最简洁的相互作用。

Jun, 2013

分析了用于网络动力系统的分布式控制协议，提出了一类非线性共识控制器；并通过使用积分李雅普诺夫函数证明了所提出的控制协议的稳定性，同时明确表述了均衡集；之后又提出了分布式比例积分控制器，用于网络动力系统的稳定；通过在自主卫星，电源系统和建筑温度控制的实际模拟中突出了所提出的控制器的一些可能的应用。

Oct, 2013

本文介绍了一种新的框架用于多智能体系统中分布式约束非凸优化算法的收敛分析，该算法由局部随机梯度下降和 GOSSIP 步骤组成，不需要 GOSSIP 矩阵双随机性，证明了算法收敛于 Karush-Kuhn-Tucker 点集，并适用于在自然广播场景中节省网络能量。

Jul, 2011

本文提出一种基于随机鞍点算法的分布式算法，以解决多智能体环境下的随机优化问题，该算法包括在线共识优化作为特例，并应用于传感器网络中的相关随机场顺序估计问题和在线源定位问题。

Jun, 2016

本文研究了弱耦合随机子系统的团队最优控制问题，使用动态规划分解方法识别并利用信息状态获得全局最优策略，控制器观察本地状态和所有子系统平均场状态，信息状态的大小是时间不变的，并且可以推广到无穷时间段的控制设置。该方法针对不同控制器数量且可观测到有噪声的情形有扩展，并以智能电网为例进行了说明。

Dec, 2020

该研究提出了一种针对未知线性动态系统进行控制的方法，能够对抗敌意干扰和对抗凸损失功能，通过衡量后效性的最佳线性策略，实现更高效的算法，并在此设定下保证次线性的遗憾边界 T^{2/3}。

Nov, 2019

文章利用 KL 最小化问题来表述非线性随机最优控制问题，通过将最优控制计算转化为推理计算，应用了近似推理方法以高效计算近似优化控制。通过实例，作者展示了近似推理方法的成功应用，在讨论 KL 控制方法与其他控制推理方法之间的联系。

Jan, 2009

我们提出了一种用于控制中最优性能的 Koopman 代理模型端到端学习的方法。与以往使用标准强化学习算法的方法不同，我们使用一种训练算法，该算法利用了基于机械模拟模型的环境的潜在可区分性。通过将我们的方法与其他控制器类型和训练算法组合在文献已知的 eNMPC 案例研究中进行比较，我们评估了我们方法的性能。我们的方法在这个问题上表现出卓越的性能，从而为采用动态代理模型的更可靠的控制器开辟了一个有希望的途径。

Mar, 2024

考虑线性时变动态系统中的控制问题，使用后悔最小化的方法设计在线控制器，通过一个新的降阶到 H∞控制的方法导出了后悔最优控制器的状态空间结构，并给出了能量干扰下的紧密数据相关的后悔上界。

Oct, 2020

该论文提出了一种针对非线性机器人系统中存在的概率不确定性和干扰的闭环控制问题的解决方案，并将控制器设计问题作为概率分布的统计量的优化问题来处理，以此来降低跟踪偏差，并通过与现有的概率控制方法的比较来证明其性能。

Mar, 2023