2019年2月14日
强化学习-策略迭代
摘要： 1. 前言 在 "强化学习 MDP(马尔可夫决策过程)算法原理" 中我们已经介绍了强化学习中的基石 MDP，本文的任务是介绍如何通过价值函数，去寻找到最优策略，使得最后得到的奖励尽可能的多。 2. 回顾MDP 通过学习MDP我们得到了2个Bellman公式： 状态值函数： $$ v_{\pi}(s_ 阅读全文
posted @ 2019-02-14 22:49 hyc339408769 阅读(5242) 评论(0) 推荐(1) 编辑