持续强化学习综述
机器学习
2026-04-08 v2 人工智能
摘要
强化学习 (RL) 是解决序列决策问题的重要机器学习范例。近年来，由于深度神经网络的快速发展，RL 领域取得了显著进展。然而，当前 RL 的成功依赖于大量训练数据和计算资源。此外，RL 在跨任务上的有限泛化能力限制了其在动态和真实世界环境中的应用。随着持续学习 (CL) 的兴起，持续强化学习 (CRL) 成为一种有前景的研究方向，通过使智能体能够持续学习、适应新任务并保留先前获取的知识来克服这些限制。在本综述中，我们全面审查了 CRL，重点关注其核心概念、挑战和方法。首先，我们详细回顾了现有工作，组织和分析了其指标、任务、基准和情景设置。其次，我们提出了 CRL 方法的新分类体系，从知识存储和/或迁移的角度将其分为四类。最后，我们的分析突出了 CRL 的独特挑战，并为未来方向提供了实用见解。
引用
@article{arxiv.2506.21872,
title = {A Survey of Continual Reinforcement Learning},
author = {Chaofan Pan and Xin Yang and Yanhua Li and Wei Wei and Tianrui Li and Bo An and Jiye Liang},
journal= {arXiv preprint arXiv:2506.21872},
year = {2026}
}