基于优先经验回放的生成式SAC算法及其应用

摘要

针对传统柔性演员-评论家算法在探索能力和复杂环境中状态表征不足的问题，提出一种改进的柔性演员-评论家算法.首先，该算法通过引入优先经验回放机制，利用时序差分误差对经验样本进行动态优先级评估，从而提高关键经验的利用率，进而提升学习效率；其次，该算法将生成式Transformer架构集成到演员网络中以增强对状态特征的动态捕捉能力，从而显著提升其在复杂优化任务中的性能；最后，在高校后勤人员动态调度优化问题上进行应用实验.实验结果表明，与原始柔性演员-评论家算法及经典深度Q网络算法相比，改进的柔性演员-评论家算法在人力需求动态拟合方面误差更小，从而有效验证了其在实际应用中的优势和实用性.

关键词

深度强化学习 / 柔性演员-评论家算法 / 优先经验回放 / Transformer架构 / 后勤管理

基金资助

国家自然科学基金面上项目(批准号：62272194); 吉林大学信息化专项研究项目