强化学习（RL）已成为解决各种科学和应用问题的高效技术。 尽管取得了成功，但某些复杂的任务仍然难以仅用单一模型和算法来解决。 为此，集成强化学习 (ERL) 这种结合了 RL 和集成学习 (EL) 优点的有前途的方法已经获得了广泛的欢迎。 ERL利用多种模型或训练算法来全面探索问题空间，具有很强的泛化能力。 在这项研究中，我们对 ERL 进行了全面的调查，为读者提供该领域最新进展和挑战的概述。 首先，我们介绍 ERL 的背景和动机。 其次，我们对ERL中已成功实施的模型选择和组合等策略进行了详细分析。 随后，我们探索 ERL 的应用，总结数据集，并分析所使用的算法。 最后，我们概述了几个开放性问题并讨论了 ERL 的未来研究方向。 通过为未来的科学研究和工程应用提供指导，这项调查对 ERL 的进步做出了重大贡献。
pdf: https://arxiv.org/abs/2303.02618
