1. 是否理解环境
1.1 不理解环境（Model-Free RL）
不理解环境，也不理解环境给的反馈
1.2 理解环境（Model-Based RL）
通过过往经验，理解环境，理解环境的反馈，构建虚拟世界（想象力，预判断反馈，执行下一步）
2. 基于XX
2.1 基于概率（Policy-Based RL）
基于感知，生成事件概率，根据概率采取行动。（任何行动都有可能）
可以适用于连续的
ex：policy gradients
2.2 基于价值 (Value-based RL)
基于感知，生成价值，只选择价值最高的。（只有价值最高的才会被选）
不适用于连续的
ex: Q learning, Sarsa
2.3 基于概率与基于价值相结合（Actor-Critic）
Actor基于概率生成动作，Critic会对各个动作给出价值
3. 更新频率
3.1 回合更新（Monte-Carlo update）
游戏开始-游戏进程-游戏结束-更新行为准则
一般用于阶段性任务
ex：基础版Policy Gradients， Monte-Carlo Learning
3.1 单步更新 （Temporal-Difference update）
游戏开始-游戏进程（每个步骤进行更新）-游戏结束
可以进行连续学习
ex
最低0.47元/天 解锁文章
2066
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
