知识卡片
λ回报混合多步目标
前向观点把 1 步、2 步等目标分别乘 (1−λ)λ^(n−1)。遇到终点时,其余权重都乘实际完整回报。λ=0 只取一步,λ=1 全给回合回报。γ 控制每笔奖励的时间折扣,λ 控制目标由多长的采样片段组成。
关联:[[多步目标延后自举]]。多个固定 n 步目标是 λ 回报的组成项。
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
未分配的权重(右侧阴影部分)全部给予终止状态的实际收获值
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 21
- 结论依据:原文以几何衰减和回合末余量构造归一权重。
- 原始内容:未分配的权重(右侧阴影部分)全部给予终止状态的实际收获值