本文介绍了强化学习中的动态规划算法，包括策略迭代和价值迭代。通过走格子问题，详细阐述了如何应用这两种算法来找到从起点到奖杯的最佳路径。在策略迭代中，通过迭代更新每个格子的行动概率以获取最高分数；而在价值迭代中，只考虑最大值，简化了过程。实验证明，在该示例中，价值迭代可能表现更优。
第一篇链接：强化学习入门到不想放弃-1 (qq.com)
上节课我们用CMU的经典问题，多臂老虎机讨论了，无状态物体的探索和利用，这节课我们用走格子来做一下动态规划算法
上节课的问题，我们完全不知道这些老虎机的中奖概率，而这节课我们考虑环境是已知的，说白了，我们可以开启上帝视角，动态规划算法，一般也被定义为有模型的算法
那么先说问题，假如我有一个人物（不是勇者），在一个地图上奔跑为了得到最终的奖杯，因为不是勇者所以看到哥布林打手就会被揍死，所以必须要走没有哥布林的格子才能拿到奖杯
现在再给点附加条件玩家初始只有100分，每经过一个格子会扣1分，要求通过强化学习生成一个模型， 从起点到拿到奖杯，分数保留越高越好
1-策略迭代算法 policy-based
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
