知识卡片
Q学习回推后继最大值
真实动作可按 ε 贪婪选取。得到 s′ 后,用 r+γmax Q(s′,a′) 构造目标。下次实际走的动作仍可随机偏离这个最大值。悬崖场景下,贪婪策略的好坏和持续探索时的平均训练表现是两项不同指标。
关联:[[Sarsa按将执行的动作回推]]。两者使用同类转移,下一动作的取值规则不同。
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
- 5.5 异策略Q学习算法 · 查看原书依据
将朝着St+1状态下贪婪策略确定的最大行为价值的方向做一定比例的更新
参考来源
- 位置:《强化学习入门:从原理到实践》第5章《5.5 异策略Q学习算法》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter44.xhtml`,body 子元素 13
- 结论依据:原文以贪婪目标更新探索数据中的状态动作对。
- 原始内容:将朝着St+1状态下贪婪策略确定的最大行为价值的方向做一定比例的更新