原书出处
深入浅出强化学习:原理入门
08 第8章 基于置信域策略优化的强化学习方法
下所有动作值函数关于动作概率的平均值。而动作值函数 是单个动作所对应的值函数, 能评价当前动作值函数相对于平均值的大小。
所以,这里的优势指的是动作值函数相比于当前状态的值函数的优势。如果优势函数大于零,则说明该动作比平均动作好,如果优势函数小于零,则说明当前动作不如平均动作好。
回到正题上来,我们下面给出公式(8.2)的证明。 证明 此处详细讲解如下。 第一个等号是代入优势函数的定义; 第二个等
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/text00018.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57