知识卡片
效用迹在线回传误差
每步将所有状态的迹乘 γλ,并给正在访问的状态加一。用本步 TD 误差乘各状态的迹和步长更新其价值。常经过且刚经过的状态权重较大。在线更新用到不断变化的估计,与回合结束后一次性计算前向回报的结果可能不同。
关联:[[λ回报混合多步目标]]。在线维护路径权重对应前向多步分配。
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
当某一状态连续出现时,E值会在一定衰减的基础上有一个单位数值的提高
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 37
- 结论依据:原文解释效用迹如何同时反映新近和频繁的访问。
- 原始内容:当某一状态连续出现时,E值会在一定衰减的基础上有一个单位数值的提高