Explore_OuO的博客

Agent在探索中寻找最优策略的过程包括两部分：它在面对State的时候选择哪个Action去行动(选择的依据跟价值函数有关)，这叫做行为策略。如何使用新得到的经验去更新价值函数，这叫做优化策略(注意这是个名词)。Q-Learning使用 ε\varepsilonε-贪婪法作为行为策略，使用贪婪法作为优化策略来更新Q表。Q-Learning算法概述Q-Learning算法的拓扑图如下，白色远点表示状态，黑色圆点表示状态-行为对(即在状态下执行动作)如上图，先基于状态StS_tSt​，用 ε

[环境]CartPole-v0关于此环境的介绍下面三篇就已经足够了，尤其是最后一篇gym GitHub的官方wiki。OpenAI Gym: the CartPole-v0 environmentOpenAI Gym 经典控制环境介绍–CartPole（倒立摆）_思绪无限的博客-CSDN博客_cartpoleopenai/gym...

马尔可夫性系统的下一个状态只与当前状态有关。马尔可夫过程是一个二元组(S,P)(S,P)(S,P)，SSS是有限状态集合，PPP是状态转移概率P=[P11⋯P1n⋮⋮Pn1⋯Pnn]P=\begin{bmatrix}P_{11} &\cdots&P_{1n}\\ \vdots&&\vdots\\P_{n1}&\cdots&P_{nn}\end{bmatrix}P=⎣⎢⎡​P11​⋮Pn1​​⋯⋯​P1n​⋮Pnn​​⎦⎥⎤​如一个学生的状态S=娱乐,

聊一聊我对强化学习的理解对应的代码请访问我的GitHub：fxyang-bupt(可能你进去之后发现什么都没有，那是因为我注册了新的账号还在整理，这并不影响你先follow一下我的GitHub~)目前正在把我的文字内容和代码整理成网络书籍的方式发布出来，敬请期待…我很想把它做成一套简单易懂的白话系列，奈何做这种事真的不简单。我参考了很多资料，比如：《白话强化学习与PyTorch》《深入浅出强化学习：原理与入门》《强化学习入门：从原理到实践》“莫烦Python”博客园 “刘建平Pinar.

聊一聊我对强化学习的理解对应的代码请访问我的GitHub：fxyang-bupt(可能你进去之后发现什么都没有，那是因为我注册了新的账号还在整理，着并不影响你先follow一下我的GitHub~)目前正在把我的文字内容和代码整理成网络书籍的方式发布出来，敬请期待…我很想把它做成一套简单易懂的白话系列，奈何做这种事真的不简单。我参考了很多资料，比如：《白话强化学习与PyTorch》《深入浅出强化学习：原理与入门》《强化学习入门：从原理到实践》“莫烦Python”博客园 “刘建平Pinar.