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
从Python实现中我们看到Sarsa算法的行动和评估策略都是ε-greedy策略,对评估策略进行评估的方法是TD方法。
下面我们提供异策略的Qlearning算法伪代码和Python实现。 如图5.14所示为Qlearning算法的伪代码和Python实现。与Sarsa算法不同的是,Qlearning 是异策略强化学习算法,即行动策略为ε-greedy策略评估策略为贪婪策略。
图5.14 Qlearning伪代码及Python实现 在 Qlearning 算法中,最关键的代码实现包括:行为值函
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