原书出处
深入浅出强化学习:原理入门
04 第4章 基于蒙特卡罗的强化学习方法
思想也是如此,即:策略评估和策略改善。 在动态规划的方法中,值函数的计算方法如图4.2所示。 图4.2 值函数计算方法
动态规划方法计算状态 处的值函数时利用了模型 ,而在无模型强化学习中,模型 是未知的。无模型的强化学习算法要想利用策略评估和策略改善的框架,必须采用其他的方法评估当前策略(计算值函数)。
我们回到值函数最原始的定义公式(参见第2章): 状态值函数和行为值函数的计算实际上是计算返回值的期望(参见图4.2),
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/text00013.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57