知识卡片
只对可选动作取最大
第 3 节课可选择学习或泡吧。泡吧即时奖励为 1,后继价值 6、8、10 分别以 0.2、0.4、0.4 出现,γ 为 1 时泡吧的 Q 值为 9.4。学习动作的 Q 值为 10,才在动作层比较并选择学习。若先把随机后继选成最好,就把环境随机性误当成了可控动作。
关联:[[状态价值平均动作价值]]。固定策略对动作平均,控制的最优回推改为对动作取最大。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 2.3 马尔可夫决策过程 · 查看原书依据
一个行为的奖励和后续状态并不由个体决定
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 57
- 结论依据:原文最优方程对动作取最大,对随机后继取期望。
- 原始内容:一个行为的奖励和后续状态并不由个体决定