知识卡片
时序差分用一步样本自举
观察状态 s、下一状态 s′ 和一步奖励 r 后,时序差分(TD)用 r+γV(s′) 作为更新目标,把 V(s) 向它移动步长 α。目标减当前估计是 TD 误差,正误差使当前估计升高,负误差使它降低。真实终止的后继价值设为零。只需一步样本便可更新,大部分后续回报用估计代替。
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5章 时序差分
原书出处 · 1 处
- 时序差分 5.1 时序差分简介 · 查看原书依据
V(st)←V(st)+α(Rt+1+γ V(St+1)-V(st))
参考来源
- 位置:《强化学习》第05章《时序差分》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-014.xhtml#isbn9787302538295_5_1_1`)
- 结论依据:原文定义一步目标和 TD 误差,并把它与等待回合结束的完整回报区分。
- 原始内容:V(st)←V(st)+α(Rt+1+γ V(St+1)-V(st))