| 应用领域 | 分类方式 | 参考文献 | 研究意义 | | 视频游戏 | Atari 2600 | [5,14-17,24] | 将DRL应用在多种游戏环境中，提升DRL算法的通用性 | | ViZDoom、StarCraftII等 | [25-34] | 将DRL应用到复杂的游戏场景中，提升智能体的决策能力 | | 导航 | 迷宫导航 | [35-40] | 根据应用场景设计迷宫环境，采用DRL处理特定的导航问题 | | 室内导航 | [41-45] | 采用 DRL 算法训练智能体在室内环境进行导航，并尝试将虚拟环境中训练好的智能体应用到现实环境中 | | 街景导航 | [46-49] | 采用DRL处理城市与城市之间的长距离导航，并提升DRL算法的泛化能力 | | 多智能体协作 | 独立学习者协作 | [50-53,54,55,56,57-59] | 协作智能体在训练时使用独立DRL的方式，方便进行数量上的扩展 | | 集中式评价器协作 | [60-64] | 协作智能体在训练时通过集中式的评价器获取其他智能体的信息，解决环境非静态问题 | | 通信协作 | [65-69] | 利用 DRL 处理多智能体之间可以通信的情况，并采用通信促进智能体之间的协作 | | 推荐系统 | 推荐算法 | [70-73] | 利用 DRL 进行推荐可以实时地对推荐策略进行调整，从而满足用户的动态偏好，并且推荐算法能够得到长期的回报 |
|