FM-EAC：基于特征模型的增强型演员-评论家多任务控制算法
机器学习
2025-12-18 v1 人工智能
摘要
模型基强化学习 (MBRL) 和模型自由强化学习 (MFRL) 沿着不同路径发展，但在 Dyna-Q 设计上趋于一致。然而，现代强化学习方法仍在跨任务和情景之间实现有效迁移方面存在挑战。为了克服这一局限，本文提出了一种通用算法——特征模型增强型演员-评论家 (FM-EAC)，其整合了规划、行动与学习，用于动态环境中的多任务控制。FM-EAC 融合了 MBRL 和 MFRL 的优势，并通过采用新型特征基模型和增强型演员-评论家框架提高了可泛化性。在城市和农业应用的仿真实验中，FM-EAC 一致优于许多最先进的 MBRL 和 MFRL 方法。更重要的是，FM-EAC 的不同子网络可根据用户特定要求进行定制。
引用
@article{arxiv.2512.15430,
title = {FM-EAC: Feature Model-based Enhanced Actor-Critic for Multi-Task Control in Dynamic Environments},
author = {Quanxi Zhou and Wencan Mao and Manabu Tsukada and John C. S. Lui and Yusheng Ji},
journal= {arXiv preprint arXiv:2512.15430},
year = {2025}
}