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
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),动态规划的方法是利用模型计算该期望。在没有模型时,我们可以采用蒙特卡罗的方法计算该期望,即利用随机样本估计期望。
在计算值函数时,蒙特卡罗方法是利用经验平均代替随机变量的期望。此处,我们要理解两个词:经验和平均。 首先来看下什么是“经
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