← 返回卡片

原书出处

深入浅出强化学习:原理入门

06 第6章 基于值函数逼近的强化学习方法

核验版本的摘录快照 · 导入于 2026-11-19T06:04:54.436Z

时间差分方法。根据方程(6.5),TD(0)方法中目标值函数为 ,即目标值函数用到了bootstrapping的方法。

我们注意到此时要更新的参数 不仅出现在要估计的值函数 中,还出现在目标值函数 中。若只考虑参数 对估计值函数 的影响而忽略对目标值函数 的影响,这种方法就不是完全的梯度法(只有部分梯度),因此也称为基于半梯度的TD(0)值函数评估算法,如图6.4所示。

图6.4 基于半梯度的TD(0)值函数评估算法 如图 6.5 所示为基于半梯度的 Sarsa 算法。与表格型强化学习相

此预览只包含定位所需的摘录和上下文。

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/text00015.html

EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57