原书出处
智能算法导论
202 2 1 . 1 . 2 基 于 马 尔 可 夫 决 策 过 程 的 强 化 学 习
]。通过使用动态规划、随机采样等方法,MDP可以求解使回报最大化的智能体策略,并在自动控制、推荐系统等主题中得到应用。
与21.1.1节中给出的强化学习构成要素类似,马尔科夫决策过程也可以用一个元组(S,A,P,R,γ)来表示。S是决策过程中的状态集合;A是决策过程中的动作集合;P是状态之间的转移概率;R是采取某一动作到达下一状态后的回报(也可看作奖励值);γ是折扣因子。
转移概率公式如下: 马尔可夫决策过程中,策略用π(a|s)=P(At=a|St=s)表示,由动作a确定,状态-动作函数q
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_0003.xhtml
EPUB SHA-256:18e2691ea1badb55bab48f10fe7172f9d6a95bc5207bb2e234686cbbaff3641d