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
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
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