我有一个具有连续状态空间和离散操作空间的环境(两个操作类似于0或1(。对于这种情况，最好的RL算法是什么？
好吧，这取决于奖励结构；状态和动作空间本身并不能定义问题的容易程度，也不能说明一个好的算法。我会先试试DQN。如果它不起作用，我会尝试A2C或A3C。如果它们也不起作用，我会尝试PPO。
如果它们都不起作用，则需要提供更多有关环境的信息。也许它需要一种特殊的探索技术。
您可以在Ray文档中找到它们的高级描述。相应论文及其代码的链接可在链接上找到。