知识卡片
无模型控制直接估计动作值
估计状态价值后,仍要知道动作可能转向哪些状态、拿到多少即时奖励,才能比较动作。未知模型时,可以直接把每个状态与动作的组合当作记录键,统计首次选该动作之后直到回合结束的回报。这样得到的 Q 可以直接供贪心选动作使用。更新要依赖该状态动作对被采到,特别是那些当前估计较低的动作。
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
- · 第4章 蒙特卡罗
原书出处 · 1 处
- 蒙特卡罗 3.估计行为值函数Q代替估计值函数V · 查看原书依据
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。
参考来源
- 位置:《强化学习》第04章《蒙特卡罗》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-013.xhtml#isbn9787302538295_4_1_2_1_3`)
- 结论依据:原文比较从状态值推导动作值所依赖的模型量,与通过回报样本直接估计动作值的方法。
- 原始内容: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。