提供了一種用于通過強化學習來訓練神經網絡系統的方法,該神經網絡系統被配置為接收表征由智能體交互的環境的狀態的輸入觀測并且根據旨在滿足多個目標的策略來選擇和輸出動作。該方法包括獲得一個或多個軌跡的集合。每個軌跡包括環境的狀態、響應于狀態根據先前策略由智能體應用于環境的動作、以及用于該動作的獎勵集合,每個獎勵與多個目標中的對應目標相關。該方法還包括基于一個或多個軌跡的所述集合來確定用于多個目標中的每個目標的動作值函數。每個動作值函數確定表示根據對應目標的估計回報的動作值,該估計回報將由智能體根據先前策略響應于給定狀態執行給定動作而產生。該方法還包括基于用于多個目標的動作值函數的組合來確定更新的策略。
聲明:
“使用目標特定動作值函數的多目標強化學習” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)