首次对设备端 VLM 推理进行了系统性的能耗分析，揭示了 autoregressive decoding（而非 visual token 处理）主导了能耗（86–97%），颠覆了将 visual token 缩减作为主要效率优化策略的传统假设。
提出了一个统一的随机框架，结合基于 HSMM 的功耗建模和约束 MDP 优化，以实现 small language models (SLMs) 在边缘设备上的可持续部署。
设计了一个隐私感知的路由框架，为 LLM 推理在云端和边缘之间动态选择执行路径，结合自适应 LDP 和语义草图协作
开发了一种混合控制框架，将强化学习和滑模观测器集成到 MPC 中，实现扰动感知的 UAV 轨迹跟踪。
评估了 LLM 在策略性社会博弈中与人类行为的一致性，并提出 PRIME-Router 以增强角色一致性和适应性。
开发了优化与控制策略，以降低可再生能源驱动的 IoT 网络中的服务延迟
提出了一种新颖的基于 MILP 和 Digital Twin 的控制策略，用于优化近似 IoT 任务执行中的能耗。
