qq_40145095的博客

序列决策问题。或者说是对应的模型未知,需要通过学习逐渐逼近真实模型的问题并且当前的动作会影响环境的状态,即服从马尔可夫性的问题。同时应满足所有状态是可重复到达的(满足可学习型的)。DL中的loss function目的是使预测值和真实值之间的差距最小，而RL中的loss function是使奖励和的期望最大。参考：https://zhuanlan.zhihu.com/p/162787188Model-based强化学习中所说的model-based并不是已知环境模型,或者已知状态转移概率**。而是要从经验中