近年来随着机器学习的发展，特别是在强化学习领域取得的突破性进展，人工智能在解决复杂现实世界问题方面展现出巨大潜力。强化学习是机器学习的一种范式，旨在让智能体通过与环境的交互来提升性能，在没有明确指示的情况下自主学习行为策略。
然而，传统的强化学习算法在处理多目标场景时面临挑战。许多现实环境中的问题并非只有一个明确目标，而是涉及多个相互关联的目标集合或者需要在不同时间点实现不同的任务。例如，在一个生产工厂中，机器人不仅需要高效地完成装配工作，同时还要考虑能耗、安全性和产品合格率等多个因素。在这种情境下，标准强化学习往往表现不佳。
在最新发表于顶刊的研究中，来自AI领域前沿机构的学者提出了一个名为
