面向OODA智能建模的领域专用语言与计算图优化方法

针对在线强化学习计算开销大的问题，提出 OODA-QPPO 分布式强化学习加速框架，设计面向 rollout 片段的队列感知双层流水线，在迭代内重叠样本生成、优势估计和训练批次构建，并通过片段跨迭代复用、自适应片段长度和有限超额采样缓解慢worker节点与流水线气泡问题，同时控制策略滞后以保持 PPO 的训练稳定性。在 JSBSim 空战和 MetaDrive 高密度交通环境上的实验表明，OODA-QPPO 相较最强竞争基线可提升训练吞吐量 12.6%–19.4%，将达到目标性能所需的壁钟时间降低 26.2%–29.4%，同时保持相当的最终任务性能。

主要研究领域为并行分布计算、高性能仿真等，发表学术论文20余篇，CCF推荐A类期刊/会议论文10余篇。主持湖南省优秀青年基金项目，173领域基金项目等，中国计算机学会分布式计算与系统专委会青年委员