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
5给出。图3.19中,我们给出策略评估算法的伪代码及Pyhon实现。 图3.19 策略评估算法伪代码及Python实现
需要注意的一点是策略评估包括两个循环,第一个循环为 1000 次,保证值函数收敛到该策略所对应的真实值函数。第二个循环为整个状态空间的扫描,这样保证状态空间每一点的值函数都得到估计。
在第二个循环中,用到了系统的模型,即,由于模型已知,因此我们确切地知道采用相应的策略后下一个状态是什么。这个性质使得智能
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