一种擅长多目标多任务的强化学习方法

本申请提出一种擅长多目标多任务的强化学习方法，包括构建包含策略网络与评价网络的深度强化学习框架，其中策略网络基于输入状态生成多组参数化的概率分布，在动作采样阶段引入候选集扩展与偏移系数加权机制，在动作空间中形成多样化的候选解；在损失函数中引入余弦相似度正则项，以保持不同动作候选之间的差异性；评价网络采用双Q网络，在一条Q分支上施加随机扰动，以缓解过估计问题，提升价值评估稳健性。智能体与环境的交互经验支持多种经验并存，包括策略网络通过正态分布采样的主经验、通过柯西分布采样的从经验和随机采样的随机经验。相较于传统最大熵方法，在复杂高维任务环境下展现出更优的探索效率、策略泛化性能及任务迁移能力。