Andrew于晏的博客

强化学习与监督学习的一些区别

1，首先是pursuit方法，一直选择当前贪婪的action；2，柯西-贪婪方法：以一定概率探索，随机选择非当前最优的action；3，softmax ：在以一定概率探索的基础上，根据当前的action_value estimates，利用Gibbs函数对剩余action做grade，对第二种方法随机选择非最优的一个改进；4，interval estimation：以上方法是在acti

DP方法中常见的如值迭代和策略迭代，可以统称为GPI，Generalized Policy Iteration，包括两个主要部分，evaluation 和 improvement。在此方法中我们需要知道状态转移的概率分布，相当于对环境有了一个先验知识，而蒙特卡洛方法只有样本，需要什么自己计算什么，也可以叫做model free的方法。