- 博客(3)
- 收藏
- 关注
RSS订阅原创 强化学习笔记（三）
动态规划一、策略评估根据上节内容，我们可以得到对于任意的s∈Ss \in Ss∈S有：vπ(s)=Eπ[Gt∣St=s]=Eπ[Rt+1+γGt+1∣St=s]=Eπ[Rt+1+γvπ(St+1)∣St=s]=Eπ[Rt+1+γvπ(s′)∣St=s]=∑aπ(a∣s)∑s′,rp(s′,r∣s,a)[r+γvπ(s′)]\begin{aligned}v_\pi(s) & =E_\pi[G_t|S_t=s]\\ & =E_\pi[R_{t+1}+\gamma G_{t+1}|S_
2021-02-05 10:22:37
112
原创 强化学习笔记（二）
一、有限马尔科夫决策（MDP）过程MDP就是一种通过交互式学习来实现目标的理论框架。进行学习及实施决策的机器被称为智能体（agent)，智能体之外的所有与其相互作用的事物被称为环境（environment)。智能体选择动作，环境对动作产生响应，并向智能体呈现新的状态，并产生一个收益。（图片来源于网络）有限MDP的几个要素：状态SSS，动作AAA，回报RRR由于MDP中的下一状态及回报仅由当前状态和选择动作决定，故我们用下一状态与回报的条件概率来描述MDP的动态特性：p(s′,r∣s,a)=Pr(
2021-01-17 17:09:23
227
1
原创 强化学习笔记（一）
强化学习笔记（一）一、多臂赌博机问题多臂赌博机问题简述：设有 一台多控制杆的赌博机，每一个控制杆都有不同的预期回报值（你从给定机器所得到的预期净收入）。但你不知道每个控制杆带来的预期回报值。你可以在玩的过程中随时更换控制杆，也可以在任意相同控制杆上玩任意次数。那么最优的策略是什么？二、问题理解这个问题给人的第一感觉就是一个统计方面的问题，就是通过自己的操作获得数据，然后去估计每个杆的回报期望。然后就是一直选择期望高的控制杆就好了，我们要做的就是如何又快又准确的去估计每根杆上的回报期望。三、基本术
2021-01-10 23:16:37
201
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人