AYE89

摘要： 一、任务与奖赏 我们执行某个操作a时，仅能得到一个当前的反馈r（可以假设服从某种分布），这个过程抽象出来就是“强化学习”。 强化学习任务通常用马尔可夫决策过程MDP来描述： 强化学习任务的四要素 E = <X, A, P, R> E：机器处于的环境 X：状态空间 A：动作空间 P：状态转移概率 R： 阅读全文