本研究提出了一种基于随机最小二乘法值迭代的并行学习框架，旨在高效探索强化学习中的复杂环境。该框架在有限和无限视野环境中展现出多项式最坏情况遗憾界限，突显了并行学习的优势，显著提升了空间复杂性，可能推动多代理学习系统的发展。

计算机科学评估计算复杂性主要考虑时间和空间复杂性。NL ⊆ P ⊆ NP ⊆ PSPACE ⊆ EXPTIME ⊆ EXPSPACE。NL是非确定性对数空间，P是多项式时间，NP是非确定性多项式时间，PSPACE是多项式空间，EXPTIME是指数时间，EXPSPACE是指数空间。P问题易于找到解决方案，NP问题易于验证但难以找到解决方案。NP问题在优化问题、密码学、计划和调度问题、生物信息学和化学、网络设计、游戏理论和经济学等领域有广泛应用。

本文介绍了一种新的指标——Quasi Manhattan Wasserstein Distance (QMWD)，用于衡量矩阵之间的差异。相比曼哈顿 Wasserstein 距离 (MWD)，QMWD 在保持准确性的同时提供了更好的时间和空间复杂性，特别适用于大型数据集或计算资源有限的情况。