我们提出了一种能够跟踪高度侵略性轨迹的新的四轮电路几何控制方案。我们的几何控制器使用所以（3）的对数图来表达Lie代数中的旋转误差，并且我们表明它是全球有吸引力的，而无需复杂的混合切换方案。我们展示了我们的控制器在模拟实验中对高侵袭性轨迹的表现。另外，我们介绍了该控制器的适应，该控制器允许我们在板载飞行控制单元上有效地接口角速率控制器，并显示这种适当的控制方案在四轮硬件平台上跟踪激发轨迹的能力。

合奏学习在机器学习方面取得了成功，比其他学习方法具有重大优势。袋装是一种突出的合奏学习方法，它创建了被称为袋子的数据子组，该数据被单独的机器学习方法（例如决策树）培训。随机森林是学习过程中具有其他功能的袋装的重要例子。 \ textColor {black} {当单个学习者具有较高的偏见时，包装的限制是汇总预测中的高偏置（模型不足）。}进化算法已突出用于优化问题，并且也用于机器学习。进化算法是无梯度的方法，具有多种候选解决方案，可维持创建新解决方案的多样性。在传统的包装合奏学习中，制作了一次袋子，而在培训示例方面，内容是在学习过程中固定的。在我们的论文中，我们提出了进化装袋的合奏学习，我们利用进化算法来发展袋子的内容，以通过迭代袋中提供多样性来增强合奏。结果表明，在某些约束下，我们的进化合奏装袋方法优于几个基准数据集的常规合奏方法（包装和随机森林）。进化装袋可以固有地维持一套不同的行李，而无需牺牲任何数据。

我们在客观函数是多模态和/或具有鞍点的情况下，在某些情况下介​​绍了一个新的在线算法，以便在术语G-PFSO。支撑G-PFSO的关键元件是概率分布，该概率分布，其被示出为集中在目标参数值上，因为样品大小增加并且可以通过标准粒子滤波算法有效地估计（B）。该分布取决于学习速率，其中学习速率越快，它将更快地集中在搜索空间的所需元素上，但是G-PFSO的可能性不太可能从目标函数的局部最优值逃逸。为了实现具有慢的学习速率的快速收敛速度，G-PFSO利用平均的加速性，在随机梯度文献中众所周知。考虑到几个具有挑战性的估计问题，数值实验表明，具有高概率，G-PFSO成功地找到了目标函数的最高模式，并以最佳速率收敛到其全球最大化器。虽然这项工作的重点是预期的对数似然最大化，但所提出的方法及其理论更普遍适用于优化通过期望定义的函数。