知识卡片

普通读书笔记卡 · 2700.e.1.a.1.c.2.a · 生成模型:未记录

λ回报混合多步目标

理解等级:中级

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?

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 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