买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海临竞科技有限公司申请的专利基于强化学习的多风格高可控策略学习方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119337966B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411885078.6，技术领域涉及：G06N3/092；该发明授权基于强化学习的多风格高可控策略学习方法及系统是由秦旭伟;孙珵琭;沈硕设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本基于强化学习的多风格高可控策略学习方法及系统在说明书摘要公布了：本发明提供了一种基于强化学习的多风格高可控策略学习方法及系统，获取智能体在环境中的元行为，对每个元行为进行奖励塑造，每个元行为包括一个对应的风格参数，风格参数控制完成这些元行为后的奖励尺度；在智能体与环境交互的过程中，根据元行为的数目，随机生成一组风格参数，风格参数与状态组合送入智能体的模型进行推理得到动作，动作反馈至环境后，产生当前时刻智能体获得的奖励和下一时刻的状态；对智能体与环境交互的过程中的风格参数、状态、动作以及奖励进行强化学习，得到多风格高可控策略模型。本发明能够令单一强化学习模型同时具有多种风格的策略，通过调节多风格参数，可以对模型的策略进行控制，增加了策略的可控性。

本发明授权基于强化学习的多风格高可控策略学习方法及系统在权利要求书中公布了：1.一种基于强化学习的多风格高可控策略学习方法，其特征在于，包括： 元行为获取步骤：获取智能体在环境中的元行为，对每个元行为进行奖励塑造，每个元行为包括一个对应的风格参数，所述风格参数控制完成这些元行为后的奖励尺度； 风格生成步骤：在智能体与环境交互的过程中，根据元行为的数目，随机生成一组风格参数，所述风格参数与状态组合送入智能体的模型进行推理得到动作，动作反馈至环境后，产生当前时刻智能体获得的奖励和下一时刻的状态； 强化学习步骤：对智能体与环境交互的过程中的风格参数、状态、动作以及奖励进行强化学习，得到多风格高可控策略模型； 所述元行为包括智能体的基础动作，智能体完成所述元行为的奖励=完成第n个元行为的基础奖励an×第n个元行为的风格参数wn； 在所述强化学习步骤中，风格参数通过风格编码器进行编码，得到风格特征，并与所述状态的特征进行合并，送入训练网络进行学习，生成动作概率和价值； 当风格参数发生变化时，状态的特征不会改变，策略的变化只由后续的训练网络参数进行拟合； 所述多风格高可控策略模型采用近端策略优化算法，通过限制当前策略和旧策略之间的动作概率比值来限制策略的变化程度，当前策略和旧策略之间的动作概率比值如下： 其中st、ct、at分别表示时间步t下的状态、风格参数和动作；和分别是当前策略和旧策略在状态st和风格参数ct下采取动作at的概率；限制后的比值为，其中ε是超参数，用于控制限制的程度； 策略目标函数定义为： 其中表示某一样本批次的期望，At是通过广义优势估计算法计算得到的时间步t的优势估计； 价值函数目标定义为： 其中，目标回报，为当前策略的价值函数，是旧策略的价值函数； 通过不断优化和，令训练网络在不同的状态和风格参数下都具有最优的策略，不同的风格参数与对应奖励由价值函数进行拟合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海临竞科技有限公司，其通讯地址为：200030 上海市徐汇区乐山路33号5幢4楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。