← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 2700.f.3.a.2 · 生成模型:未记录

SARSA与Q学习更新目标

理解等级:中级

SARSA 使用下一状态按当前行为策略实际选出的动作价值作为 TD 目标;Q-learning 使用下一状态可行动作中的最大价值作为目标。二者都可由交互样本更新,但收敛结论依赖充分探索、步长等条件;固定有限训练不保证找到最优策略。

这张卡片看不懂?

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

    参考来源

    - 位置:《现代人工智能技术》第8章《强化学习》(来源项目:book-source;源文件:extracted/现代人工智能技术/_epub-src/EPUB/xhtml/chapter10.xhtml) - 结论依据:原文比较 SARSA 实际下一动作与 Q-learning 最大价值的更新,并列收敛条件。 - 原始内容:Q-Learning算法不需要借助明确的环境模型,可以通过智能体与环境的交互来对动作价值进行迭代估计。