原书出处
强化学习
05 时序差分 5.4 Q-learning:离线策略TD方法
应用这种思想表现最好的方法是Q-学习(Q-learning)方法。Q-learning方法由Watkins和Dayan于1992年提出。它的要点在于,更新一个状态行为对的Q值时,采用的不是当前遵循策略(行为策略μ)的下一个状态行为对的Q值,而是待评估策略(目标策略π)产生的下一个状态行为对的Q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