A Survey of Reinforcement Learning For Economics
创建于 更新于
摘要
本综述系统梳理了将强化学习（RL）用于经济学建模的理论与实证进展，阐明了RL与经典动态规划的数学联系、主要算法家族（值方法、策略梯度、Actor-Critic、深度RL）及其收敛/不稳定性根源（如“致命三角”），并通过多组仿真与真实生产案例（网约车调度、数据中心制冷、酒店定价、订单执行等）展示RL在高维、连续动作与战略交互问题上的适用边界与样本复杂度折中，强调在经济学结构下引入因果识别、揭示偏好与参数化假设能显著降低学习成本与偏差 [page::0][page::4][page::21][page::35][page::36][page::11].
