确定执行设备的动作选择方针

摘要

本文公开了用于生成动作选择方针以在环境中完成任务的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。所述方法包括：识别一个状态下的多个可能动作，其中，该状态对应于信息集向量；识别该状态下的当前动作选择方针向量，其中，当前动作选择方针向量中的每个当前动作选择方针对应于信息集向量中的一个信息集；基于该状态下的当前动作选择方针向量计算采样方针；根据采样方针中指定的该状态下的多个可能动作中的一个动作的采样概率，对该动作进行采样；基于该动作更新执行设备在该状态下的每个当前动作选择方针。