强化学习 (RL) 中的代理是负责在环境中采取行动以实现特定目标的实体。代理的目标是通过反复试验来学习最佳行动方案,从而最大化累积奖励。它根据其当前状态做出决策,并选择有望带来最高长期回报的行动。
代理通过观察其状态,选择动作并以奖励或惩罚的形式接收反馈来与环境交互。当代理与环境交互时,它使用此反馈来更新其策略,旨在随着时间的推移提高其性能。在某些情况下,随着经验的积累,代理的行为可能会从随机动作演变为更复杂的策略。
RL中的代理的示例包括学习导航的机器人、玩游戏的软件程序或做出驾驶决策的自主车辆。代理的行为由平衡探索 (尝试新动作) 与利用 (选择最知名的动作) 的算法指导。