← 返回卡片

原书出处

深入浅出强化学习:原理入门

13 第13章 值迭代网络

核验版本的摘录快照 · 导入于 2026-11-19T06:04:54.443Z

大部分的研究都是直接用这种网络结构表示策略。Tamar等称,这种策略被称为reactive policy(反应式策略)。

从字面意思很容易理解,即给出一个状态,得到一个反应动作。从强化学习要解决的任务来看,反应式策略并非好策略。强化学习通常要解决的马尔科夫决策问题本质上是序列决策问题,即当前的决策需要考虑后续的决策,以使整个决策总体最优。

很显然,反应式策略并不能表达后续策略对当前策略的影响。从这个意义上来说,反应式策略并不是一个好的网络结构。 那么什么样的

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/text00024.html

EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57