传统强化学习 (RL)

传统强化学习（Traditional Reinforcement Learning）是指在智能体与动态环境交互过程中，通过试错机制学习最优策略以最大化累积奖励的机器学习方法。该范式不依赖环境内部模型，直接利用状态 - 动作 - 奖励三元组进行价值函数估计或策略更新。作为深度强化学习（DRL）兴起前的主流范式，其核心在于平衡探索与利用，并通过蒙特卡洛、时序差分等算法解决非平稳目标函数优化问题，为现代智能体在复杂未知环境中自主决策提供了理论框架。

在现代计算架构中，传统强化学习扮演着从理论验证到工程落地的关键桥梁角色。尽管深度神经网络已大幅提升了样本效率，但传统强化学习中的核心算法思想（如Q-learning、Policy Gradient）仍是理解智能体决策机制的基石。其生态地位体现在：它是评估新算法（如PPO、SAC）的基准测试平台，也是资源受限场景下（如嵌入式系统、实时控制）的首选方案。当前研究正致力于将其与模型预测、多智能体协作等前沿方向融合，以突破其在高维连续控制中的瓶颈。