← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 2700.e.1.a.1.c.2 · 生成模型:未记录

多步目标延后自举

理解等级:中级

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?

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