研究者提出DMDP框架用于强化学习状态分布稳定化

2026年10月22日，相关研究提出了基于相异度的马尔可夫决策过程（DMDP）理论框架。该框架通过使策略直接作用于状态分布，并以目标相异度作为优化目标，确立了实现目标分布渐近稳定的充分条件。为应对学习和估计误差，研究中引入了有限维分布表征与理论证书，并在实际算法实现中结合了PPO与SAC。在线性系统以及HalfCheetah速度分布调节的实验中，该方案验证了分布反馈与显式目标匹配的有效性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。