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
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:行为值函数的表示,探索环境的策略,值函数更新时贪婪策略,值函数更新。下面我们一一介绍。
(1)Qlearning的行为值函数表示。 对于表格型强化学习算法,值函数是一张表格。对于行为值函数,这张表可以看成是
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