原书出处
强化学习
04 蒙特卡罗 3.估计行为值函数Q代替估计值函数V
蒙特卡罗这种无模型方法难以通过上面两个方法求解策略,于是考虑将估计对象从值函数V改为行为值函数Q,也就是说蒙特卡罗方法估计的是行为值函数的值。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-013.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae