【强化学习——AI问答】在强化学习部分遇到的模糊概念

---

强化学习中DQN算法是基于价值学习的。怎么理解基于价值呢？ 我是这样理解的：DQN是要学一个最优动作价值函数，而最优动作价值函数是在t时刻动作和环境下的，回报期望最大值。那么价值就是回报期望的意思？

---

状态价值函数(State-value function)，是不是任何一个策略pi，执行下一步所有可能的动作所带来的动作价值的期望。理解为，当前状态下，执行所有可能动作的带来的收益，一定程度上反映了当前状态的优劣？我理解的对不对

---

解释为什么：首先我们获取到一些观测到真实数据：x1,x2,…,xn。然后在这些观测值中加入一些均值为0的随机噪声Q1,Q2,…,Qn。由于噪声的均值为0，所以对Q的均值求期望，就等于对x求期望。然而，Q最大值的期望却会大于等于x的最大值，且Q最小值的期望也会小于等于x的最小值。

---

---

---