本文深入解析了TD算法，一种将DP和MC算法相结合的RL核心算法。TD算法无需等待最终结果即可更新估计值，通过bootstrap方式自我迭代。此外，文章还介绍了Q-learning，一种离策略TD控制方法。
temporary
英 ['temp(ə)rərɪ]美 [ˈtempəreri]
adj. 临时的，暂时的;短暂的
n. 临时工，临时雇
TD算法是RL的核心算法。TD是DP和MC算法的结合。Like DP, TD methods without waiting for a final outcome (they bootstrap)。
TD(0), or one-step TD
Advantages of TD Prediction Methods
TD methods update their estimates based in part on other estimates. They learn a guess from a guess，they bootstrap.
Q-learning: Off-policy TD Control
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
