full_adder的博客

强化学习入门-2⊳\rhd⊳ 优化问题⊳\rhd⊳ Prediction 与Control⊳\rhd⊳ 动态规划(DP)策略迭代价值迭代⊳\rhd⊳ 蒙特卡洛策略(MC)first-visitevery-visit⊳\rhd⊳ 时序差分TD(0)Q-Learening 2020.12.8 ⊳\rhd⊳ 优化问题 上回书说到，我们需要解决以下优化问题： Vπ(s)=∑aπ(a∣s)(R(s,a)+γ∑s′(P(s′∣a,s)Vπ(s′)))V_{ \pi }(s)=\sum_a \pi(a|s)(

强化学习入门-1背景马尔可夫决策模型（MDP）价值迭代与策略迭代价值函数Bellman期望方程参考 2020.12.7 背景 人类学习的基本动力是菜——沃.兹基硕德 强化学习是近年较当红的炸子鸡。所谓 强化学习 ，表示的是一种实体与环境的交互，是寻找一个得到最优态势策略的问题。白话言，如何在每个命运的节点，都能做出最正确的选择？ 一个例子，作为命定的主角，上小学的你兜里有五块钱，你路过小卖铺，非常想吃可爱多冰淇淋，但你一个月只有这五块零花钱，世界线在此分开。 短期收益：你一咬牙一跺脚，买了！你收获了吃