Reinforcement Learning Exercise 4.10

本文深入探讨了强化学习中Q值迭代更新公式的推导过程,基于第3.17题的结果,详细解释了如何从状态价值函数的迭代更新公式(4.10)推导出动作价值函数q_k+1(s,a)的迭代更新公式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Exercise 4.10 What is the analog of the value iteration update (4.10) for action values,qk+1(s,a)q_{k+1}(s, a)qk+1(s,a)?
Use the result of exercise 3.17:
Qπ(s,a)=∑s′Rs,s′aPss′a+γ∑s′[∑a′Qπ(s′,a′)π(s′,a′)]Ps,s′a Q_\pi(s,a) = \sum_{s'} R_{s,s'}^a P_{ss'}^a + \gamma \sum_{s'} \bigl[ \sum_{a'} Q_\pi(s',a') \pi(s',a') \bigr] P_{s,s'}^a Qπ(s,a)=sRs,saPssa+γs[aQπ(s,a)π(s,a)]Ps,sa
easily, we have the iteration for qk+1(s,a)q_{k+1}(s,a)qk+1(s,a) which is analogous to the value iteration update (4.10):
qk+1(s,a)=max⁡a{∑s′Rs,s′aPss′a+γ∑s′[∑a′qk(s′,a′)π(s′,a′)]Ps,s′a} q_{k+1}(s, a) = \max_a \biggl \{ \sum_{s'} R_{s,s'}^a P_{ss'}^a + \gamma \sum_{s'} \bigl[ \sum_{a'} q_k(s',a') \pi(s',a') \bigr] P_{s,s'}^a \biggr \} qk+1(s,a)=amax{sRs,saPssa+γs[aqk(s,a)π(s,a)]Ps,sa}

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值