知识卡片

普通读书笔记卡 · 2700.d.2.a.1 · 生成模型:未记录

状态价值平均动作价值

理解等级:中级

Qπ(s,a) 对第一步动作设定为 a 的未来回报取期望。Vπ(s) 第一动作也按 π 选择,因此对 Qπ 以动作概率加权。若动作估值分别为 10 和 4,各占一半的策略状态价值为 7。这里算的是固定策略的价值。

关联:[[固定策略诱导奖励过程]]。同一策略给动作价值加权并决定状态价值。

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 25 - 结论依据:原文用行为价值与策略概率表达状态价值。 - 原始内容:一个状态的价值可以用该状态下所有行为价值来表达