← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9869.k.2.b.2 · 生成模型:GPT-6

无模型控制直接估计动作值

理解等级:中级

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?

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》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。