原书出处
深入浅出强化学习:原理入门
11 第11章 逆向强化学习
们可以理解为立即回报函数为 时所对应的值函数。最后我们得到的行为值函数其实是不同立即回报函数所对应的值函数的线性组合。
为了避免迭代计算MDP解,我们可以这样考虑问题:对于一个行为空间很小的问题(比如网格世界,状态空间可以有很多,但行为空间只有上下左右四个动作),最终的策略其实是找到每个状态所对应的最优动作。
用分类的思想去考虑最优的策略,每个动作看做一个类标签,那么所谓的策略其实就是把所有的状态分成四类,分类的表示是值函数,最
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/text00022.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57