← 返回卡片

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

核验版本的摘录快照 · 导入于 2026-10-23T08:14:02.897Z

并不是一个确定的值,因此要采用期望来计算累计回报,即状态值函数vπ(s) 其中,状态值函数vπ(s)由策略π唯一确定。

对比vπ(s)和状态-动作函数qπ(s,a)可以发现如下关系: 其中的关系为贝尔曼方程,可以得到状态-行为函数的贝尔曼方程: 状态值函数vπ(s)可以改写为: 再将qπ(s,a)改写成: 定义最优的状态值函数。

同理,最优的状态-动作函数。根据以上介绍,可以得到:

此预览只包含定位所需的摘录和上下文。

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