Excursion Policies

新的“excursion policies”增强了 off-policy 强化学习

研究人员引入了“excursion policies”作为一种新的 off-policy 强化学习方法。该方法涉及智能体遵循目标策略执行一定数量的步骤，然后返回到行为策略。该研究通过动态规划结果为这些策略提供了理论基础，并开发了相应的时序差分算法。Excursion policies 在效率和稳定性之间取得了平衡，在连续控制基准测试中表现与混合策略相当。