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
态值函数的目的是为了构建学习算法从数据中得到最优策略。每个策略对应着一个状态值函数,最优策略自然对应着最优状态值函数。
定义:最优状态值函数υ* (s) 为在所有策略中值最大的值函数,即 ,最优状态-行为值函数q* (s,a)为在所有策略中最大的状态-行为值函数,即 我们由(2.9)式和(2.11)式分别得到最优状态值函数和最优状态-行动值函数的贝尔曼最优方程:
若已知最优状态-动作值函数,最优策略可通过直接最大化q* (s,a)来决定。 如图2.7所示为最优状态值函数示意图,图
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