本文针对强化学习中环境建模的不足，提出了一种利用稀疏非线性动力学识别算法（SINDy）开发代理环境的新方法。通过在OpenAI Gym下的多项实验证明，该方法在捕捉环境动态的同时，计算成本降低了20-35%，为模型基础的强化学习提供了高效且可解释的环境生成方案。

记号回归是一个广泛研究的领域，旨在从数据中推断出符号表达式。本研究引入了一种增强方法，称为Nested SINDy，通过引入嵌套结构来增加SINDy方法的表达能力。Nested SINDy可以通过在核心SINDy层之前和之后引入额外的层来表示更广泛的系统。研究突出了Nested SINDy在符号回归中的潜力，超越了传统的SINDy方法在表达能力上。然而，研究中也指出了优化过程中的挑战，并提出了未来的研究方向，包括设计更强大的优化方法。本研究证明了Nested SINDy可以有效地从数据中发现动态系统的符号表示，为通过数据驱动方法理解复杂系统提供了新的机会。

符号回归是一个广泛研究的领域，旨在从数据中推断出符号表达式。本研究介绍了一种名为Nested SINDy的增强方法，通过引入嵌套结构来增加SINDy方法的表达能力。结果突出了Nested SINDy在符号回归中的潜力，超越了传统的SINDy方法。然而，优化过程中存在挑战，并提出了未来的研究方向。该研究证明了Nested SINDy有效地发现了动态系统的符号表示，为通过数据驱动方法理解复杂系统提供了新的机会。