提供了一種用于通過(guò)強(qiáng)化學(xué)習(xí)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)系統(tǒng)的方法,該神經(jīng)網(wǎng)絡(luò)系統(tǒng)被配置為接收表征由智能體交互的環(huán)境的狀態(tài)的輸入觀測(cè)并且根據(jù)旨在滿足多個(gè)目標(biāo)的策略來(lái)選擇和輸出動(dòng)作。該方法包括獲得一個(gè)或多個(gè)軌跡的集合。每個(gè)軌跡包括環(huán)境的狀態(tài)、響應(yīng)于狀態(tài)根據(jù)先前策略由智能體應(yīng)用于環(huán)境的動(dòng)作、以及用于該動(dòng)作的獎(jiǎng)勵(lì)集合,每個(gè)獎(jiǎng)勵(lì)與多個(gè)目標(biāo)中的對(duì)應(yīng)目標(biāo)相關(guān)。該方法還包括基于一個(gè)或多個(gè)軌跡的所述集合來(lái)確定用于多個(gè)目標(biāo)中的每個(gè)目標(biāo)的動(dòng)作值函數(shù)。每個(gè)動(dòng)作值函數(shù)確定表示根據(jù)對(duì)應(yīng)目標(biāo)的估計(jì)回報(bào)的動(dòng)作值,該估計(jì)回報(bào)將由智能體根據(jù)先前策略響應(yīng)于給定狀態(tài)執(zhí)行給定動(dòng)作而產(chǎn)生。該方法還包括基于用于多個(gè)目標(biāo)的動(dòng)作值函數(shù)的組合來(lái)確定更新的策略。
聲明:
“使用目標(biāo)特定動(dòng)作值函數(shù)的多目標(biāo)強(qiáng)化學(xué)習(xí)” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學(xué)習(xí)研究,如用于商業(yè)用途,請(qǐng)聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)