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
其导数为0,可以得到 最后得到拥有最大熵的概率为 其中参数 对应着回报函数中的参数,该参数可以利用最大似然的方法求解。
一般而言,利用最大似然的方法对式(11.15)中的参数进行求解时,往往会遇到未知的配分函数项 ,因此不能直接求解。一种可行的方法是利用次梯度的方法,如(11.16)式所示。
(2)第二种方法:基于相对熵的逆向强化学习[26] 。 在式(11.16)中需要利用轨迹的概率 。该轨迹的概率可表示为
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