知识卡片
一步时序差分即刻更新
观察到一步转移即可用 r+γV(s′) 作为当前估计的目标,目标与 V(s) 的差叫 TD 误差。终止时后继价值为零。后继值是已有估计,因此可以在回合未结束时更新,也会传播现有估计误差。
关联:[[贝尔曼递推拆分一步]]。以单条实际后继替代贝尔曼期望中的模型平均。
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
- 4.2 时序差分强化学习 · 查看原书依据
用离开该状态的即刻奖励Rt+1与下一时刻状态St+1的预估状态价值乘以衰减系数γ
参考来源
- 位置:《强化学习入门:从原理到实践》第4章《4.2 时序差分强化学习》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter28.xhtml`,body 子元素 3
- 结论依据:原文给出 TD 目标值由真实奖励和后继预估组成。
- 原始内容:用离开该状态的即刻奖励Rt+1与下一时刻状态St+1的预估状态价值乘以衰减系数γ