我想使用强化学习来优化热力学模拟给出的削峰问题的能量分布。但是，我不确定如何进行，因为从这个意义上说，动作空间是唯一真正重要的事情：

• 动作空间是$288 \times 66$之间的实数 矩阵$0$和$1$. 模拟的输出以及我的奖励完全取决于这个矩阵的分布。

• 因此，状态空间不存在，因为唯一重要的是我完全控制的矩阵。在模拟的这个阶段，没有考虑其他变量。

我不确定这个问题是属于表格 RL 还是需要近似值。在这种情况下，我正在考虑使用策略梯度算法来找出最佳分布$288 \times 66$矩阵。但是，我不知道如何处理状态空间的“缺席”。而不是一个元组$\langle s,a,r,s' \rangle$, 我会$\langle a, r \rangle$，这甚至是 RL 可解决的问题吗？如果不是，我如何重塑它以使其可以用 RL 技术解决？