就个人而言，我会选择以下两个作为最重要的：

• epsilon：当使用 epsilon-greedy 策略时，epsilon 确定代理应该探索的频率以及应该利用的频率。平衡探索和利用对于学习代理的成功至关重要。太少的探索可能不会教给代理任何东西，太多的探索可能只会浪费你的时间。
• 学习率：学习率决定了你从新的经验状态中学习的速度。当环境具有许多具有高概率负奖励的状态（即许多惩罚）时，过高的学习率可能不好。这可能会使您的代理在同一个地方来回移动以避免受到处罚。此外，过低的学习率可能会使您的代理学习非常缓慢，并且根据您的 epsilon，代理可能会进入一个对最优策略知之甚少的利用阶段。

您应该阅读这项研究https://arxiv.org/abs/2006.05990，它对这个问题进行了一些实证研究，特别是针对政策上的连续行动空间 DRL。

它表明折扣因子和学习率是需要调整的两个最重要的参数，其次是策略/价值函数的宽度。

该研究还报告说，对观察结果进行归一化非常重要，并初始化策略以使初始动作为零均值且方差非常小。