原书出处
深入浅出强化学习:原理入门
02 第2章 马尔科夫决策过程
法描述,但其期望是个确定值,可以作为状态值函数的定义。 (1)状态值函数。 当智能体采用策略π时,累积回报服从一个分布,
累积回报在状态s处的期望值定义为状态-值函数: 注意:状态值函数是与策略π相对应的,这是因为策略π决定了累积回报G的状态分布。
图2.4是与图2.3相对应的状态值函数图。图中空心圆圈中的数值为该状态下的值函数。即:υπ (s1 )=-2.3,υπ
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深入浅出强化学习:原理入门/_epub-src/OEBPS/text00010.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57