本發(fā)明公開了一種基于并行架構(gòu)的內(nèi)在獎勵強化學習方法，包含如下步驟：執(zhí)行模塊與模擬環(huán)境交互，獲取一整幕經(jīng)驗數(shù)據(jù)并存入緩存組件；同步學習模塊的最近更新的策略；取出定量的經(jīng)驗數(shù)據(jù)進行評估，獲得獎勵值；對經(jīng)驗數(shù)據(jù)的狀態(tài)價值函數(shù)進行估計，獲得內(nèi)部狀態(tài)價值函數(shù)與外部狀態(tài)價值函數(shù)；處理內(nèi)部狀態(tài)價值函數(shù)與外部狀態(tài)價值函數(shù)，獲得總狀態(tài)價值函數(shù)并改寫成近似狀態(tài)價值函數(shù)；外部的智能體對預測網(wǎng)絡(luò)的參數(shù)進行優(yōu)化，并更新策略網(wǎng)絡(luò)的當前策略，獲得新策略；執(zhí)行模塊更新新策略。本發(fā)明解決了現(xiàn)有技術(shù)中價值函數(shù)估計不準、收斂到局部最優(yōu)策略的缺陷，避免了優(yōu)化結(jié)果出現(xiàn)偏差的問題，具有更高的單位時隙吞吐率、更好的性能和更快的學習速度。