动态环境中的量子强化学习

将量子计算技术（如幅度扩张）与经典强化学习相结合，产生了所谓的“量子可访问强化学习混合智能体”，在某些学习问题中实现样本复杂度的平方级加速。迄今为止，该混合智能体仅应用于平稳学习问题，即马尔可夫决策过程 (MDP) 组件中不存在时间依赖性的学习问题。本 work 研究混合智能体应用于动态 RL 环境的可行性。为此，我们通过引入耗散机制来增强混合智能体，并利用所得学习智能体，在具有时间依赖奖励函数的 RL 环境中进行经验比较。我们的发现表明，修改后的混合智能体能够快速适应环境的变化，相较于其经典对手实现更高的平均成功概率。