知识卡片
SARSA与Q学习更新目标
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?
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
- · 第8章 强化学习
原书出处 · 1 处
- 强化学习 · 查看原书依据
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。
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。