几天前我开始学习强化学习。我想用它来解决资源分配问题，比如给定一个常数，找到将它分成几个实数的最佳方法，每个实数都是非负数。

例如，要将数字 1 分成 3 个实数，分配可以是：

[0.2, 0.7, 0.1]

[0.95, 0.05, 0] ...

我不知道如何表示动作空间，因为每个分配都是 3 维的，每个维度都是实值的，并且彼此相关。

在 actor-critic 架构中，是否有可能在 actor 的网络中由 softmax 激活 3 个输出，每个输出代表分配中的一个维度？

附加：

有一个视频播放列表。用户可以随时切换到下一个视频。如果用户切换到下一个视频，更多的缓冲区会带来更好的观看体验，但会损失更多的带宽。我想以最小的带宽损失优化播放的流畅度。在每个时间步，代理决定下载当前视频和接下来的 2 个视频的带宽分配。所以我猜状态将是带宽，用户的行为和玩家的情况。