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
=2时,状态1处的值函数计算过程。 图3.7 值函数迭代中间图 由公式(3.5)得到: 保留两位有效数字便是-1.7。
计算值函数的目的是利用值函数找到最优策略。第二个要解决的问题是:如何利用值函数进行策略改善,从而得到最优策略?
一个很自然的方法是当已知当前策略的值函数时,在每个状态采用贪婪策略对当前策略进行改善,即 如图3.8给出了贪婪策略示意
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