在互联网中,企业或组织会通过收费或限制免费的方式在网站中开放自己的技术和应用供网上的潜在客户使用,但出于成本考虑和稳定性以及个性化产品迭代等需求,需要创造属于自己的服务,于是模型逼近和模拟的需求便应运而生,模型逼近和模拟即使用智能算法来逼近网络中的黑盒模型,最终复现该模型的功能。深度强化学习近年来是研究的热点,大量学者将其运用在游戏、视频等机器视觉领域中,并在各人类的策略竞技中取得了不菲的成绩,可见深度强化学习在机器视觉领域有良好的表现。论文以百度AI平台开放的图片分类器为例,提出了基于莫兰指数的代理互联网协议地址(IP)调用策略,加速了基于深度Q网络(DQN)的智能体交互学习过程,最终完成了该分类器的逼近和模拟。首先,整理从互联网各免费代理发布网站中搜集到的代理IP作为IP池,使用更通用的国外IP作为代理,以代理爬虫的方式访问AI平台开放的接口,解决了国内代理在部分网站内容的访问受限问题和AI平台对IP限速访问的问题。其次,提出了一种基于莫兰指数的就近调用策略,该方法对代理IP的地理位置和延迟进行空间统计,中国的局部莫兰指数和检验数为0.98和2.21,证明代理IP的响应速度在中国周边地区存在正的空间自相关性。经过30次交互实验,就近策略耗比随机策略少57秒,且该方法不需要服务器的不断测试,解决了传统IP调用策略中的延迟过高问题和服务器负荷过高问题,同时也加速了智能体交互的速度,缓解了智能体训练周期过长问题。最后,使用基于代理IP的DQN智能体与AI平台交互,对比传统的深度学习,DQN的强化学习机制有更加通用稳定、更接近人类思维方式,不需要人工标注的离线训练数据等优点。经过13288次交互,在测试集上达到了 85.5%的相似度效果,得到了 AI平台分类器的模拟模型,证明了论文中模型逼近和模拟方法的有效性。