基于交互轨迹的策略优化方法、装置、设备及介质

本发明涉及人工智能技术领域，可应用于机器人策略训练、金融科技及医疗健康等业务场景中，公开了一种基于交互轨迹的策略优化方法、装置、设备及介质，包括：定义环境信息并初始化策略参数，强化学习智能体与环境交互生成动作与状态序列并记录交互轨迹，基于轨迹优化策略生成最优动作策略，进而生成原始经验数据集，通过监督学习优化预训练模型得到目标策略模型。本发明通过强化学习智能体与环境交互生成任务相关的高质量轨迹，并在此基础上提取原始经验数据，结合监督学习机制对预训练策略模型进行优化，有效提升样本利用效率，同时增强模型在多任务条件下的泛化能力与执行鲁棒性。