原书出处
强化学习
11 学习与规划 11.3.1 Dyna-Q
由图11-4可见,真实经验部分是整个算法的启动器,它是智能体和环境交互的结果。向左的箭头代表学习过程,通过真实经验数据直接更新值函数或策略函数。向右下方的箭头代表规划过程,先通过真实经验数据更新模型,再通过模型产生“模拟数据”。搜索和控制是指为模型经验数据选择初始状态和初始动作的过程。最后的规划更新把模拟数据当成真实发生的数据,在其上应用强化学习算法,更新值函数或策略函数。值函数或策略函数的最终值是规划和学习共同作用的结果。
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/1-020.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae