原书出处
深入浅出强化学习:原理入门
03 第3章 基于模型的动态规划方法
态s采用动作a的状态值函数等于回报加上后续状态值函数。 将方程(3.3)代入方程(3.2)便得到状态值函数的计算公式:
状态s 处的值函数υπ (s),可以利用后继状态的值函数υπ (s′)来表示。可是有人会说,后继状态的值函数υπ (s′)也是未知的,那么怎么计算当前状态的值函数,这不是自己抬自己吗?如图3.4所示。没错,这正是bootstrapping算法(自举算法)!
图3.4 自举示意图 如何求解(3.4)的方程?首先,我们从数学的角度去解释方程(3.4)。对于模型已知的强化学习算法
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/text00011.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57