qq_51324662的博客

离散时间Makov决策过程 离散时间的Markov决策过程模型可以在离散时间的智能体/环境接口的基础上进一步引入具有Markov性的概率模型得到。 奖励,汇报和价值函数 对于回合制任务，驾驶某一回合在第t步达到终止状态，则从步骤t(t<T)以后的回报（return）Gt可以定义为未来奖励的和： Gt=Rt+1+Rt+2+…+Rt 但是对于连续性任务，上述Gt的定义会带来一些麻烦。由于连续性的任务没有终止时间，所以Gt会包括t时刻以后的所有奖励信息。但是如果这样对未来的信息进行求和，那么未来奖励信息的总

GYM库 gym基础 GYM库版本：0.18.0 导入gym环境 env=gym.make("CartPole-v0") 查看Gym库注册的环境 from gym import envs env_specs=env.registry.all() 所有环境 dict_values([EnvSpec(Copy-v0), EnvSpec(RepeatCopy-v0), EnvSpec(ReversedAddition-v0), EnvSpec(ReversedAddition3-v0), EnvSpec(Du