基于帕累托优化的多目标强化学习方法和装置

摘要

本发明涉及强化学习领域，公开了一种基于帕累托优化的多目标强化学习方法和装置，本发明通过采用概括的方式处理多目标强化学习问题，为每个策略计算每个子目标的Q值；使用帕累托支配理论对所述子目标Q值进行非支配排序以获得帕累托前沿集；从所述帕累托前沿集中随机选择动作与环境进行交互；生成基于帕累托前沿集的多目标DQN算法，并利用所述DQN算法对目标网络进行训练以生成策略网络；根据所述策略网络对所述帕累托前沿的子目标Q值的期望进行更新，通过将深度Q网络直接推广到多目标来逼近所有帕累托最优确定性策略的集合，表现出更好的性能、快速收敛、相对较好的稳定性，并提供了更多样化的解决方案。