machine-learning - 强化学习-如何处理数量近似的各种动作

我是强化学习的新手，但我正在尝试在此任务中使用RL：

以书面形式给出函数定义，例如在C中具有1到10s的输入参数（仅数字参数-整数，浮点数等）和函数主体（表示为具有数据依赖性的抽象语法树/抽象决策树-内部变量值如何变化）想要近似这些输入参数的值，例如执行某个决策块。为此，我想到了带有LSTM细胞的递归网络。

现在，要实现这一点，我将遍历树中通往该块的一条路径，并注意该路径中的任何数据更改和决策块。这些步骤会影响我的参数输入预测-如果我希望执行某个决策块，应在输入参数中插入/更改哪些值。

操作：更改功能的一个选定输入参数的值，或者单独更改所有输入参数的值（在数学上有所不同的操作）。执行动作后，移至树中的下一个节点。

奖励：我距离使用给定的输入参数值执行给定的决策块（因此满足条件）有多近。

目标：在代码中满足一个条件并由此执行一个决策块（例如，是否满足if条件）。

状态：具有数据相关性的AST / ADT中的当前位置。

假设我已经有了一种评估方法，那么在给定当前参数输入值的情况下，距离执行所需的决策块还有多远，我遇到了两个问题：

我如何处理RL中不同数量的功能输入参数？如果要更改其值以使其更接近所需的决策块的执行，则给定动作的数量会随为给定函数定义的参数数量而变化。

如果我确实选择了一个参数，那么使用RL进行数字近似的最佳方法是什么？在函数体中可能发生许多非常复杂的数学运算，因此应该定义对数，求幂，除法，乘法等操作，还是有可能只是对当前值进行加/减的更好方法？

如果您在我对“行为”，“奖励”，“目标”或“状态”的定义中发现任何错误，请纠正我，因为我仍然是该领域的重要学习者。

谢谢您的回答。