原书出处
深入浅出强化学习:原理入门
14 第14章 基于模型的强化学习方法:PILCO及其扩展
其均值和方差为 其中 为多变量预测输出的协方差,上面已经求得,唯一没有计算的是输入输出之间的协方差,该协方差计算如下。
经过①~④四个步骤,我们得到后继状态 的分布 ,将 作为输入再计算 的状态分布,以此类推,计算得到所有后继状态的分布 。最后计算策略评估时,要将所有的状态分布乘以相应的回报函数累加起来。
即值函数为 (3)顶层:策略更新 策略更新采用基于梯度的策略搜索方法。当策略利用线性或者非线性参数化后,要得到最优策略就
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/text00025.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57