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
策为 控制决策也是一个随机变量。 联合分布: 滤波器预测步: 其中 。 14.3.2 有向探索PILCO算法 如前所述,
PILCO 是一个贪婪优化的过程,只有 exploitation (利用) 没有exploration(探测)。该特征具体表现在图14.7PILCO算法的第7行,即只优化累积代价的均值函数,而没有利用它的方差。
累积代价的方差函数携带不确定性信息(探索信息),因此,能平衡利用和探索的算法应该既要考虑累积代价的均值函数,也要考虑累积
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