文章目录
- 总结
-
- **问题1：贝尔曼方程递归优化策略，是用来求解最优动作奖励的么？**
- **问题2：贝尔曼方程递归优化策略，是迭代出当前时间步的最优动作么？通过当前状态，多次比较不同的动作而比较出一个整体奖励最优的动作么？**
- **问题3：贝尔曼方程递归优化策略和树搜索是否类似？都是要遍历所有选项么？**
- **问题4：贝尔曼方程递归优化策略，长期奖励计算的部分是一个估计值么？状态转移概率是一个可变的加权值，通过调整状态转移概率让估计值尽可能接近真实值么？**
- **问题5：在计算机通过多次训练MDP模型，目的是找到一个状态转移概率组，使模型每次决策都是最优解么？**
- **问题6：状态转移概率组和策略的区别是什么？**
- **问题7：策略是规则和目标，而状态转移概率组是契合规则的动作选择结果，对么？**
- **问题8：环境的状态转移概率是不变的，而智能体的决策会对状态转移概率进行加权值，通过加权值的不断迭代，使决策选择的动作越来越趋近于最优值，对么？**
- **问题9：值函数是状态转移概率的权重值么？**
总结
问题1：贝尔曼方程递归优化策略，是用来求解最优动作奖励的么？
- 回答：是的，贝尔曼方程的目标是通过递归计算值函数 V ( s ) V(s) V(s) 或动作值函数 Q ( s , a ) Q(s, a) Q(s,a)，最终找到每个状态下的最优动作以及对应的长期累积奖励。
问题2：贝尔曼方程递归优化策略，是迭代出当前时间步的最优动作么？通过当前状态，多次比较不同的动作而比较出一个整体奖励最优的动作么？
- 回答：是的，贝尔曼方程通过对当前状态下所有动作的价值 Q ( s , a ) Q(s, a)
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
