原书出处
强化学习
06 资格迹 6.7.2 后向Watkins's Q(λ)方法
对于所有状态行为对(s,a)的资格迹,更新分两部分:首先,如果当前选择行为at是贪婪行为,资格迹乘以系数γλ,否则资格迹变成0;其次,对于当前正在访问的(st,at),其资格迹单独加1。
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/1-015.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae