知识卡片
SARSA按实际策略自举
SARSA 使用行为策略选出的下一动作 a′,以 r+γQ(s′,a′) 作为更新目标,因此学习的是当前行为策略的价值;Q 学习用下一状态的最大 Q 值作为目标。两者目标不同,Q 学习的最大值并非计算错误;谁更适合取决于探索、风险与任务。
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
- 强化学习 · 查看原书依据
用我们的策略选择一个单元格
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第26章《强化学习》26.7(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0034_split_007.html`)
- 结论依据:用我们的策略选择一个单元格。
- 原始内容:用我们的策略选择一个单元格(而不是选择Q值最大的单元格),并记住这个选择(也就是最后的“A”)。之后,当我们需要选择新动作时,直接选择先前计算并保存的动作。