我有离散动作空间，代理可以在其中降低或减少某个值。但是，我不希望代理将值更改为固定量（例如“将值增加 2”），而是希望代理动态选择它想要增加或减少某个值的量。我该如何解决这个问题？
您的代理可以降低/增加价值多少？
例如，如果它可以改变 +5/-5，那么您可以输出分类分布的概率，其中分布的支持是 [-5, 5] 之间的整数（例如通过最后一层上的 softmax），例如代理可以“动态”选择该值。
但是，如果变化的幅度较高（-1000/+1000），我建议让您的代理输出连续值，然后您自己对它们进行舍入。如果变化的幅度很大，那么在舍入时对目标值执行 -1 或 +1 可能并不重要。