原书出处
智能算法导论
201 2 1 . 1 强 化 学 习 模 型
(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)采取行动后的价值中的γ即第6个构成要奖励衰减因子,它在[0,1]之间取值。γ=0为贪心算法,即价值只由当前延时奖励决定。
γ=1,则所有的后续状态奖励和当前奖励同时决定。一般情况下取当前延时奖励的权重比后续奖励的权重大。 (7)环境的状态转化
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