确定性环境下的递归反向 Q 学习

通过逆向预测加速强化学习训练过程，在Gridworld和汉诺塔游戏中验证了效果。

提出递归马尔可夫决策过程和概率下推系统的等价表示方法，结合Recursive Q-learning算法解决相关问题。

使用量子循环神经网络和深度Q-learning算法解决部分可观察环境中的量子强化学习问题，结果比经典DRQN更稳定。

提出基于乐观法和后验采样的算法，扩展贝叶斯深度Q网络在深度强化学习中的应用，平衡探索与执行。

结合深度学习与强化学习，通过长短时记忆网络在部分可观测任务中表现出色。

提出多步骤过程，通过逆向世界模型和模仿学习训练神经网络策略，在确定性迷宫环境中成功达到多个目标。

采用深度强化学习和传统Q-learning解决仓库机器人导航、避障和产品摆放问题，在二维仿真环境中测试成功。

评估强化学习代理在不同空间维度中的学习轨迹，揭示其在复杂多维空间中的有效性。

提出约束强化学习算法以防止学习不稳定性，寻找在马尔可夫决策过程中最大化奖励的确定性策略。