Hierarchical Reinforcement Learning

Hierarchisches Reinforcement Learning (HRL) ist ein Ansatz des Reinforcement Learnings, der mehrstufige Entscheidungsstrukturen erstellt, um komplexe Aufgaben in mehrere Unter-Aufgaben zu zerlegen. Dies verbessert die Lern-effizienz und ermöglicht es, hochdimensionale Zustandsräume zu bewältigen. HRL strebt an, langfristige Belohnungen zu optimieren, was eine effiziente und flexible Aufgabenbearbeitung sowie Anpassung an die Umgebung ermöglicht. Es wird in verschiedenen Bereichen eingesetzt, wie beispielsweise Roboter-Navigation, Spielstrategien und Ressourcenmanagement.