原书出处
智能算法导论
201 2 1 . 1 强 化 学 习 模 型
作At对应的奖励Rt会在t+1时刻得到。 +1 (4)个体的策略π,代表个体选择动作的依据。个体会依据策略π来选择动作。
最常见的策略表达方式是一个条件概率分布π(a|s),即在状态s时采取动作a的概率,即π(a|s)=P(At=a|St=s)。
此时动作概率越大越容易被个体选择。 (5)个体在策略π和状态s时,采取行动后的价值为vπ: (s) (6)采取行动后的价
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/智能算法导论/_epub-src/EPUB/xhtml/chapter21_0002.xhtml
EPUB SHA-256:18e2691ea1badb55bab48f10fe7172f9d6a95bc5207bb2e234686cbbaff3641d