声子晶体和超材料中的机器学习和深度学习—2022年综述（3）

       强化学习网络基于环境交互的原理工作。它由三部分组成，即智能体、环境和奖励，见图6。当前状态的新值基于奖励值存储在系统中。奖励过程促使智能体执行更好的动作，从而提高网络的准确性。目前，Q-learning和SARSA 是这种学习过程中使用的两种主要算法。在这里，Q函数是状态值，奖励存储在Q表中。这两种算法的主要区别在于Q表中奖励的存储机制。Q-learning算法基于下一个动作（同策略学习）存储Q值，而SARSA通过选择当前动作（异策略学习）来更新它。