281
个编辑
更改
跳到导航
跳到搜索
第144行：
第144行： − + 第152行：
第152行： − +
无编辑摘要
====策略与价值函数====
====策略与价值函数====
*'''策略 π(a∣s)<math> π(a | s) </math>'''：在状态 <math>s</math>下选择动作 <math>a</math> 的概率分布。
*'''策略 <math> π(a | s) </math>'''：在状态 <math>s</math>下选择动作 <math>a</math> 的概率分布。
*'''状态值函数<math> V_{π}(s) </math>'''：在策略 <math>π</math> 下，从状态<math>s</math> 开始，期望获得的累计奖励。
*'''状态值函数<math> V_{π}(s) </math>'''：在策略 <math>π</math> 下，从状态<math>s</math> 开始，期望获得的累计奖励。
*'''动作值函数 <math> Q_{π}(s, a) </math>'''：在策略<math>π</math>下，从状态 <math>s</math>开始，采取动作 <math>a</math> 后，期望获得的累计奖励。
*'''动作值函数 <math> Q_{π}(s, a) </math>'''：在策略<math>π</math>下，从状态 <math>s</math>开始，采取动作 <math>a</math> 后，期望获得的累计奖励。
===Q 值函数的定义与更新公式===
===Q 值函数的定义与更新公式===
====定义====
====定义====
Q 值函数 Q(s, a) 表示智能体在状态 s 下采取动作 a 后，遵循某一策略所能获得的期望累积奖励。
Q 值函数 '''<math> Q(s, a) </math>''' 表示智能体在状态 <math>s</math>下采取动作 <math>a</math> 后，遵循某一策略所能获得的期望累积奖励。
====更新公式====
====更新公式====