Reinforcement Learning_By David Silver笔记二: Markov Decision Processes

本文探讨了马尔可夫过程的基本概念,包括马尔可夫过程、马尔可夫奖励过程及其时间复杂度。此外,还介绍了针对大规模马尔可夫奖励过程的迭代方法,如动态规划、蒙特卡洛评估与时序差分学习。文中进一步解释了马尔可夫决策过程的概念及策略定义,并阐述了状态价值函数与动作价值函数。

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

  1. Markov Process
  2. Markov Reward Process




    直接求解的时间复杂度是O(N^3), 对于small MRPs,可使用直接计算的方法,对于large MRPs使用如下迭代法:动态规划,蒙特卡洛评估,时序差分学习

  3. Markov Decision Process (Markov reward process with decisions)

  4. a policy is a distribution over actions given states. GIven an MDP and policy, the state sequence is Markov process, the state and reward sequence is Markov reward process.

  5. state-value function of an MDP is the expected return starting from state and then following policy
  6. action-value function is the expected return starting from state, taking action and following policy
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