知识卡片

普通读书笔记卡 · 2700.d.2.a · 生成模型:未记录

固定策略诱导奖励过程

理解等级:中级

在状态 s,先按策略抽动作,再按环境的转移概率抽后继。把各动作造成某一后继的概率以策略权重相加,得到只依赖 s 的转移概率。奖励也做同样的动作平均。改变策略会改变诱导过程,即便环境规则不变。

关联:[[确定性策略与随机策略]]。动作概率决定诱导过程如何对不同动作的转移加权。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《强化学习入门:从原理到实践》第2章《2.3 马尔可夫决策过程》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter12.xhtml`,body 子元素 17 - 结论依据:原文给出在动作维度使用策略概率进行平均的关系。 - 原始内容:马尔可夫决策过程中的一个策略对应一个马尔可夫过程和一个马尔可夫奖励过程