知识卡片
SARSA与Q学习选择不同目标
SARSA 的后继目标包含行为策略实际选的下一步 Q(s′,a′)。Q-learning 使用下一状态各动作估值中的最大者。前者评价当前行为,后者学习贪心目标而可用探索行为采样。终止时不再加后继价值。
两种算法都用时序差分,差别在自举目标中的动作选择。参见 [[时差用后继估值立即更新]]。
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
原书出处 · 1 处
- 深度强化学习 · 查看原书依据
SARSA是State–Action–Reward–State–Action的缩写
参考来源
- 位置:《机器学习观止:核心原理与实践》第15章《深度强化学习》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter15.xhtml`)。
- 结论依据:图 15-16 和 15-17 的后继项对照展示同策略和异策略。
- 原始内容:SARSA是State–Action–Reward–State–Action的缩写