本發(fā)明公開了一種基于生成對(duì)抗機(jī)制的強(qiáng)化學(xué)習(xí)探索方法及裝置，其中，該方法包括：構(gòu)建第一動(dòng)作價(jià)值網(wǎng)絡(luò)、第二動(dòng)作價(jià)值網(wǎng)絡(luò)、狀態(tài)價(jià)值網(wǎng)絡(luò)、目標(biāo)狀態(tài)價(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)、密度模型網(wǎng)絡(luò)和鑒別網(wǎng)絡(luò)；基于生成對(duì)抗機(jī)制和離線強(qiáng)化學(xué)習(xí)算法的學(xué)習(xí)過(guò)程，對(duì)第一動(dòng)作價(jià)值網(wǎng)絡(luò)、第二動(dòng)作價(jià)值網(wǎng)絡(luò)、狀態(tài)價(jià)值網(wǎng)絡(luò)、目標(biāo)狀態(tài)價(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)、密度模型網(wǎng)絡(luò)和鑒別網(wǎng)絡(luò)進(jìn)行更新；根據(jù)更新的多個(gè)網(wǎng)絡(luò)生成更新后的策略模型，對(duì)策略模型進(jìn)行測(cè)試。該方法設(shè)計(jì)出一種利用探索過(guò)程中的正確決策加速和穩(wěn)定強(qiáng)化學(xué)習(xí)訓(xùn)練過(guò)程的探索算法。