a704838294的博客

马尔科夫决策过程-MDP由五元组组成，该过程并不是自发的按照某个概率进行转移，而是通过选择某个动作来进行转移 ；组成S,R,A,P,γ（折扣因子）P=S×A×S P(s,a,s')表示状态s下执行动作a到达状态s‘的概率 R=S×A 即时奖励函数...

强化学习本质是智能体（agent）以试错的方式进行学习，通过与环境进行交互获得奖励指导行为，目标是寻找一个最优策略，使智能体获得最大的奖励。（注意，agent的动作的影响不止立即获取得到的奖励，而且还影响接下来的动作和最终的奖励）关键要素envirnment ，reward，action，state，policy（确定策略和随机策略：以一定的概率执行某一动作）具体策略把用来指导个体产生于...