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
,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是用三种方法估计值函数的异同点。
从中可以看到,蒙特卡罗的方法使用的是值函数最原始的定义,该方法利用所有回报的累积和估计值函数;动态规划方法和时间差分方法则利用一步预测方法计算当前状态值函数,它俩的共同点是利用了bootstrapping 方法;不同的是,动态规划方法利用模型计算后继状态,时间差分方法利用试验得到后继状态。
图5.5 三种方法的异同 从统计学的角来看,蒙特卡罗方法(MC)和时间差分方法(TD)都是利用样本估计值函数的方法,哪
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