我希望构建或调整一个最好基于 RL 理论的模型，以解决以下问题。非常感谢任何指导或指示。
我有一个连续的动作空间，可以从 10-100（含）范围内选择动作。每个动作都与一定的强化值相关联，根据价值函数，范围从 0 到 1（也包括在内）。到目前为止，一切都很好。这就是我开始思考的地方：
并发症1：
价值函数V根据给定动作x和目标动作A之间的距离将动作映射到强化。两者之间的距离越小，强化越大（即强化与 abs( A - x ) 成反比。但是，价值函数仅对于接近A的动作非零（abs( A - x ) 较小）比，说，epsilon）和其他地方为零。所以：
**V**与 成正比1 / abs(**A** - **x**)，abs(**A** - **x**) < epsilon并且
**V** = 0为abs(**A** - **x**) > epsilon.
并发症2：
我不知道每一步都采取了什么行动。我大致知道它们是什么，因此我知道它们属于x +/- sigma 范围，但不能将单个动作值与我收到的强化准确关联。
我想解决的确切问题如下：我有一系列嘈杂的动作估计和精确的强化值（例如，在试验 1 中，我可能有大约 15-30 的x和 0 的强化；在试验 2 中，我可能有x ~25-40 和 0 的强化；在试验 3 中，x为 ~80-95 和 0.6 的强化。）我想构建一个模型，该模型表示每个步骤后目标动作A的最可能位置的估计，可能根据一些学习率参数对新信息进行加权（因为确定性会随着样本的增加而增加）。