自适应双自驱动深度确定性策略梯度强化学习方法

摘要

本发明涉及一种用于训练智能体的自适应双自驱动深度确定性策略梯度强化学习方法，使用多头自驱动架构提高评判家评估性能的同时，提高执行者对环境探索的效率，并且能够一定程度上优化深度确定性策略梯度(DDPG)算法，缓解上述环境复杂性和随机性等不利影响，加速了DDPG算法的收敛，在训练稳定的基础上提高了性能。实验证明，本发明能够在实验数据集(模拟环境)达到训练速度的最快、性能最佳、以及稳定性最好的三个优点，在具体数值上超过了已知解决方案。