智能时代正在到来,智能技术对生活的方方面面正在产生翻天覆地的影响,为了更好好的应对未来战争形态的改变,必须重视使用学习的方法。强化学习是当前解决与环境交互问题的基本手段,但是其效果强烈的依赖回报函数。逆强化学习能够通过专家样本的优秀示范,推测出系统可能的回报函数。但是当前的逆强化学习的学习样本局限在专家的优秀示范中,对于一般效果样本和不理想效果样本直接放弃。本文致力于研究基于样本评价的逆强化学习算法,充分的利用各类样本的价值,从正面样例中吸取经验,从负面样例中学习教训。本文主要进行了以下两方面的工作:1)修改最大熵逆强化学习框架,使其能够同时处理正负两类评价样本。经典的逆强化学习方法只能处理专家给出的优秀的样本示范,但是对于那些不太理想的样本缺乏利用。本文修改逆强化学习算法框架,期望得到的目标回报函数应当能够指导产生更加接近专家给出的正类样本,远离专家负类样本的行为。在一系列能够较好的实现该功能的回报函数中,挑选熵最大的那个作为回报函数。2)对前一项工作进行扩展,将示范质量水平的评价区分从两类,扩展到了多类。在多种评价的综合指标指导下,将不同水平的示范样本进行两两比对,生成一组基础的回报函数。再将每个单独的回报函数作为基础的分类器,对示范的样本进行分类。通过提升的方式,将回报函数结合起来,直到所有的样本能够按照其原始评价成功分类。本文的主要贡献在于,扩展了逆强化学习算法的学习样本范围。评估样本是否最优通常比较困难,评判样本间的相对好坏更加容易实现。本文提出的算法,放松了逆强化学习算法对于样本质量的要求。能够扩大样本的使用范围,是将算法从理论推向更广泛的实际应用中的关键一步。