训练优化器生成 PPO 欺骗环境：RLBO 提升奖励黑客捕捉效率

作者训练优化器 RLBO 生成网格世界关卡，使 PPO 作弊率达 79%，优于 CMA-ES 的 70%。 RLBO 在 6 次 PPO 运行中即可找到强关卡，而 CMA-ES 需 17 次，GP 贝叶斯优化需 46 次。 这是课程项目，仅在一个人造环境测试，方法间差异可能源于噪声，结果仅供参考。