多链MDP平均奖励分层分解RL算法提出

Huizhen Yu 与 Isaiah Heidt 提出一种面向多链 MDP 的平均奖励强化学习算法，用于求解最优策略。该算法基于异步值迭代，除 MDP 的转移图外无需模型知识，并利用 Bather 分解将状态空间分层划分为通信子系统与瞬态状态。 该研究以预印本形式发布于 arXiv cs.LG，作者称算法无需转移图之外的模型信息，但报道未给出实验验证或性能对比结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。