原书出处
强化学习
05 时序差分 5.3 Sarsa:在线策略TD
Sarsa的名称来源如图5-4所示,序列描述:基于状态S,遵循当前策略,选择一个行为A,形成第一个状态行为对(S,A)。与环境交互,得到回报R,进入下一个状态S',再次遵循当前策略,产生一个行为A',产生第二个状态行为对(S',A')。利用后一个状态行为对(S',A')的行为值函数Q(S',A')值更新前一个状态行为对(S,A)的Q(S,A)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/1-014.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae