本研究探讨强化学习模型中行动价值的表示，指出政策梯度方法仍依赖于价值概念，建议批判性地评估基础建模假设，重新审视价值概念，这对实验研究至关重要。

本研究提出了一种新型多目标地图精英算法，通过偏好条件政策梯度变换和拥挤机制，增强了高维搜索空间的探索能力。实验结果表明，该算法在六个机器人运动任务中优于现有方法，且计算存储成本更低。