“强化学习的精髓之一,就是解决无模型的马尔科夫决策问题。”——《深入浅出强化学习》第四章
蒙特卡罗方法:在无模型(状态转移概率未知)的强化学习中,随机地从状态出发,经过许多次试验,最终到达终止状态,如图(蒙特卡罗中的经验):
利用蒙特卡罗方法求状态处的值函数时,又可以分为第一次访问蒙特卡罗方法和每次访问蒙特卡罗方法。
第一次访问蒙特卡罗方法是指,在计算状态s处值函数时,只利用每次试验中第一次访问到状态s时的返回值。如图3.3中第一次试验所示,计算状态处的均值时只利用 。因此第一次访问蒙特卡罗方法的计算公式为:
每次访问蒙特卡罗方法是指,在计算状态处的值函数时,利用所有访问到状态时的回报返回值,即:
蒙特卡罗方法伪代码: