强化学习工程师：用于控制和优化的智能体

我为控制、优化和决策任务开发强化学习解决方案，并将项目从模糊的想法推进到一个稳定改善您流程的智能体。工作几乎总是从最困难和最被低估的阶段开始——正确的问题表述。我们共同定义状态、动作，尤其是奖励，因为设计不当的奖励函数会产生一个利用指标而不是解决任务的智能体。我设计的环境和模拟器与您的真实动态足够接近，以便在其中进行训练并验证在模拟中学习到的行为是否真正转移到生产中。

我从您的任务出发，而不是从时尚出发来选择算法。对于连续控制，我通常选择 PPO 或 SAC，对于离散和组合解决方案——DQN 和现代变体，在上下文设置中，经过仔细调整的强盗算法比过于复杂的架构更诚实。我完成整个训练周期：向量化环境、奖励塑造、课程、超参数搜索和与强基线的诚实评估，以便您看到真实的收益，而不是手工挑选的漂亮曲线。

我单独处理部署，因为大多数强化学习项目在这里悄然死去。我以轻量格式导出策略以供推理，添加安全约束和异常状态的后备场景，设置监控和再训练以应对数据漂移。您将获得一个可工作的智能体、干净的代码、文档和项目移交给您的团队。

— 环境设计和奖励函数，模拟器
— PPO, SAC, DQN, 上下文强盗, 离线强化学习
— 训练、调优、与基线比较
— 部署、安全约束、监控