強化学習にも色々あって、TD法の一種にActor-Critic手法というのがあります。 これは、通常のTD法（Sarsa）とは違い、方策*1と行動価値関数*2の独立性が高い手法です。 で、Actor-Criticと遺伝的プログラミングを合わせれば、探索ルーチンの学習が出来ないか…

ショボーン (´・ω・`)