本文深入探讨了Q-learning算法，这是一种离策略的强化学习方法。与SARSA的on-policy策略不同，Q-learning使用ε-greedy策略进行行动选择，而在更新Q表时采用贪婪策略。核心思想是平衡当前奖励与未来潜在奖励。通过Q-table进行状态-动作值的更新，并通过伪代码和实际应用示例展示了Q-learning的工作流程。同时，文章对比了Q-learning与SARSA的主要区别，指出Q-learning无需知道下一步具体动作，直接按照最优策略更新。
Ⅰ：Q Learning：
- Learning是Value-Based的强化学习算法，强化学习五个部分为：Agent（智能体）Environment（环境）State（状态）Action（行动）Reward（奖励）而Q算法的额外在于他的统计方式-Q表格（矩阵）Q-Value（State, Action）。
Q-Learning是off-policy的，因为它的行动策略和评估策略不是一个策略。这也是它跟SARSA的一个差别，SARSA是on-policy。差别为：
Q-Learning中每次采取Action的行动策略是ε-greedy策略，而在学习更新Q表的时候使用的评估策略是
最低0.47元/天 解锁文章
953
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
