摘要：
我们通过参数θ定义偏好函数$h(s,a,\theta)$，通过h的softmax表示$\pi(a|s)$，然后根据$\pi(a,s)$计算优劣度$\eta(\theta)=v_{\pi_{\theta}}(s_0)$，最后，通过计算$\eta$对$\theta$的梯度，来实现$\theta$的更新。 阅读全文
2017年10月8日
摘要：
资格迹Eligibility Traces是RL中一项基本技术，Sarsa, Q-Learning等一切TD类方法，都可以用资格迹来提升学习效率。提升效率的方式是不用等到n-step再去更新n步前的value。 资格迹和n-步Bootstrap一样，将MC和TD进行了统一。 12.1 λ回报 在第七 阅读全文
2017年10月7日
摘要：
10.1 片段性任务的半梯度控制 10.2 n步Sarsa控制 10.3 平均奖励：连续任务的新设定 定义一个策略的优劣函数：依照该策略执行的平均奖励 其中和起始状态无关，称为各态遍历性。早期任何决策的影响都是暂时性的，长期的平均收益仅仅取决于策略本身和环境的转移概率 $\eta$函数用来评估一个策 阅读全文
2017年10月5日
摘要：
对于状态空间太大的问题，表格类方法无法存储这么大的价值表，也没有办法穷尽这么多的状态。考虑到很多状态是相似的，知道一个状态的价值也就大概知道类似状态的价值，因此可以采用函数近似的方法，函数近似是监督学习的一个应用。 这一章我们主要做价值函数的近似。我们定义一个N维参数$\boldsymbol \th 阅读全文
摘要：
8.1 模型与规划 规划，指利用已有经历对环境提炼模型，减少对环境交互的依赖。 8.2 Dyna框架 8.3 当模型不对时 第一种情况，原路已经行不通，在堵塞处往返多次后，value会被慢慢修正，并找到正确的路 第二种情况，发现新的短路，这种情况吧Dyna-Q几乎找不到这条路，但是Dyna-Q+作了 阅读全文
摘要：
多步TD是介于单步TD和MC之间的一种方法 7.1 多步TD预测 首先，定义n-step return: 得出n步迭代更新： 其中$G_t^{(n)}$满足下列误差递减性质： 当n取一个折衷值的时候，平方误差最小 7.2 n步Sarsa 将状态价值换为动作价值，重新描述$G_t^{(n)}$： 以及 阅读全文
2017年10月3日
摘要：
TD是一个结合DP和MC之间的方法。TD不需要环境模型，但是又可以bootstrap。 6.1 TD预测 典型的TD(0)预测方程： 看第三章关于状态价值的等式： MC用的是第一行，它之所以为估计，因为不知道$G_t$的期望值，而使用的采样来做的平均。 DP用的是最后一行，它之所以为估计，是因为不知 阅读全文
摘要：
5.1 蒙特卡洛预测 分为两种：First-Visit MC和Every-Visit MC，前者用的更多。后者用于函数近似和Eligibility Traces 5.2 蒙特卡洛评估action value 如果没有模型（即不知道每个a会得到什么样的s），则应该使用action value而不是st 阅读全文
摘要：
最优价值函数满足下列条件： 4.1 策略评估 策略评估通过反复迭代的方式来进行： 4.2 策略改进 4.3 策略迭代 综合4.1和4.2，得到策略迭代算法： 4.4 价值迭代 对4.3进行简化，两步合为一步： 4.5 异步动态规划 通过安排迭代顺序，而不是每次都整个扫一遍，来更快地获得我们想要的状态 阅读全文
摘要：
2.1 k臂赌博机问题 定义action value为期望奖励： 通常用平均值来估算： 2.2 action value方法 贪心法是一直估算值最大的action $\epsilon$贪心是指以$\epsilon$的概率随机选择一个action。对于方差较大的问题来说，选择较大的$\epsilon$ 阅读全文
