原书出处
深入浅出强化学习:原理入门
05 第5章 基于时间差分的强化学习方法
rapping(利用后继状态的值函数估计当前值函数),它的计算过程如图5.4所示。 图5.4 用时间差分方法计算值函数
用时间差分方法(TD)将值函数的公式更新为 其中 称为 TD 目标,与(5.2)中的 相对应,两者不同之处是TD目标利用了bootstrapping方法估计当前值函数。 称为TD偏差。
下面我们从原始公式出发,了解动态规划(DP)、蒙特卡罗方法(MC)和时间差分方法(TD)的不同之处。 图5.5是用三种
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/text00014.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57