本研究旨在提出一种模型基础的强化学习元学习方法，以在明显减少样本数量的情况下实现机器人在线适应新任务，并证明该方法在模拟和实际机器人中的有效性。

Mar, 2018

本研究探讨了随着气候变化对能源生产和消费管理的需求的增加，如何利用深度增强学习算法管理未来的法国电力网络，促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全，旨在达到2030年法国碳排放净零的目标。

Jul, 2022

本文研究了自然灾害中自主机器人在无需等待人类救援小组的情况下通过重新定位救 助公民的能力，采用基于部分可观察的马尔科夫决策过程的 Double Q-learning 方法进行实现，实验结果显示该方法在易场景下的表现超过了100％，在 difficult 场景下的表现接近50％。

Sep, 2022

本文介绍了一种改进的“混合强化学习”方法，通过将强化学习与历史数据相结合，提高了泵站调度优化的可操作性，增强了智能体的行为解释能力，并最小化错误，从而显著改善了实际水配管网络的可持续性、操作效率和对新出现情况的动态适应能力。

Oct, 2023

政府在实施新的气候适应政策以准备更频繁洪水时，必须寻求对所有社区都有效且支持气候公平的政策。本文使用FEMA国家洪水保险计划社区评级系统和其大约250万的洪水保险索赔数据集阐明了考虑这些差异对洪水适应的重要性。

Dec, 2023

通过应用强化学习方法优化热警报标准，本研究在考虑地区和社会人口异质性以及警报顺序依赖性的同时，通过建立模拟器和优化地点特定政策等关键修正，为环境卫生设置中的连续决策问题提供了解决方案，为公共卫生和气候变化适应的数据驱动政策优化做出了贡献。

Dec, 2023

利用深度强化学习和递归神经网络结合的创新框架，在农业管理中引入智能代理，优化氮肥管理策略，并研究气候变异对农业结果和管理的影响，为适应动态气候情景提供了可行的可调整肥料策略。

Jan, 2024

通过一个关于土地利用变化下径流减少问题的简单案例研究，我们讨论了强化学习在解决社会水文问题中提供了一种有效且高效的框架。强化学习之所以在这类问题中具有功效，是因为它能够以迭代方式更新策略，而这也是社会水文学的基础，我们关注的是人水互动的共同演化。我们还讨论了强化学习在这类问题中的好处，并分享了对未来研究方向的观点。

May, 2024

本研究针对气候科学中的关键参数化挑战，探讨了将强化学习（RL）与理想化气候模型相结合的方法。目前的气候模型依赖复杂的数学参数化，可能引入较大的不确定性。研究结果表明，不同的RL方法在不同气候情境中表现出色，支持将基于RL的参数化方案集成到全球气候模型中，从而提高气候动态捕捉的准确性和效率。

Aug, 2024

本研究解决了基础设施管理中面对的大规模、随机退化和资源限制等挑战。提出的InfraLib框架通过分层随机方法，提供了现实的基础设施系统建模与分析。研究表明，InfraLib能够有效支持基础设施管理的政策优化，具有重要的实际应用潜力。

Sep, 2024