摘要: Q-leraning是一种常用的强化学习方法,它的决策主体(Agent)在与环境的交互中不断更新自己对于环境的认知,以此来达到更好的依据环境决策的目的。在一个训练训练完成的模型模型火种,通过构建好的状态、动作、价值评估的映射表,Agent可以在某一特定状态下计算出当前价值最高的行动,并不断采取最高的行动链,最终达到终点。在构建过程中,Agent一边探索一边动态更新映射表(Q-table),以期最终达到收敛或者近似收敛的目的。
关键词: 强化学习、Q-learning 、特征提取、参数选择
1.1 强化学习之Q-learning的基本原理简介
强化学习与Q-learning的基本逻辑已经在上一部分简要阐述了,其中心思想便是图示的通过“探索行动”来在当前状态下走到下一个状态,同时获得环境产生的“奖励(或惩罚)”,以此来不断学习某一状态下进行某一动作的价值,以便后续在相同状态的