知识卡片
多步目标延后自举
把从 t 起的 n 个奖励按 γ 折扣求和,再加 γ 的 n 次方乘第 n 步之后的状态估值。若先到终点,直接使用这段完整回报。n 小能更快更新,n 大让目标纳入更多真实奖励,也会带入更多路径随机性。
关联:[[一步时序差分即刻更新]]。多步延长真实奖励片段后复用单步自举思想。
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
- 4.3 n步时序差分学习 · 查看原书依据
使用这n个状态产生的即时奖励(Rt+1,Rt+2,…,Rt+n)以及状态St+n预估价值
参考来源
- 位置:《强化学习入门:从原理到实践》第4章《4.3 n步时序差分学习》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter29.xhtml`,body 子元素 3
- 结论依据:原文从一步扩展到 n 步真实奖励并保留一个后继估计。
- 原始内容:使用这n个状态产生的即时奖励(Rt+1,Rt+2,…,Rt+n)以及状态St+n预估价值