凸正则化下截断障碍策略梯度的失败风险价格

提出截断障碍策略梯度方法，将失败风险价格设为 m，训练值精确分解为效用、边际成本与风险价格乘积，风险超过对比策略不超过 1/m 阶。 理论证明在任何凸参数正则化器下，群体训练流呈指数收敛，将策略梯度收敛性从相对熵扩展到权重衰减，适用于有限网络连续时间训练。 在维护基准、燃料控制器等实验测量界松弛度，明确何时其他方法更优，未声称该方法性能超越现有技术。