智能体的目标是最大化期望累计奖励
我们把在时间t的回报定义为Gt,在t时间的时候智能体会选择动作At来使期望Gt最大化。通常智能体无法完全肯定地预测未来的奖励怎么样,他必须依赖于预测和估算
我们可以给公式乘上折扣率,来表示对未来回报的关注度,当gama靠近0表示只关注与眼前的利益,当gamma靠近1表示
对未来的回报和当前回报一样地注重。这在连续性任务中是十分重要滴,因为没有停止点,折扣率防止了智能体无限地关注未来的回报。
在连续性任务中,折扣率显得十分重要。因为要最大化累计奖励,在无限的feature状况下是很困难的,所以我们使用折扣率避免“看得过远”。
强化学习&基础1.4 | reward奖励
最新推荐文章于 2024-03-21 12:35:08 发布
本文介绍了强化学习中智能体如何通过选择动作来最大化期望累计奖励,并探讨了折扣率在连续性任务中的作用,解释了其如何平衡当前与未来奖励的权衡。
摘要由CSDN通过智能技术生成