简介： 本发明公开了一种基于并行架构的内在奖励强化学习方法，包含如下步骤：执行模块与模拟环境交互，获取一整幕经验数据并存入缓存组件；同步学习模块的最近更新的策略；取出定量的经验数据进行评估，获得奖励值；对经验数据的状态价值函数进行估计，获得内部状态价值函数与外部状态价值函数；处理内部状态价值函数与外部状态价值函数，获得总状态价值函数并改写成近似状态价值函数；外部的智能体对预测网络的参数进行优化，并更新策略网络的当前策略，获得新策略；执行模块更新新策略。本发明解决了现有技术中价值函数估计不准、收敛到局部最优策略的缺陷，避免了优化结果出现偏差的问题，具有更高的单位时隙吞吐率、更好的性能和更快的学习速度。