← 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

方法一定要明白两个概念——异策略和时间差分,以及这两个概念在Qlearning算法是中如何体现的。下面我们一一介绍。

异策略,是指行动策略(产生数据的策略)和要评估的策略不是一个策略。在图6.6 的Qlearning 伪代码中,行动策略(产生数据的策略)是第5行的ε-greedy策略,而要评估和改进的策略是第6行的贪婪策略(每个状态取值函数最大的那个动作)。

时间差分方法,是指利用时间差分目标来更新当前行为值函数。在图6.6 的Qlearning伪代码中,时间差分目标为 。

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