七月算法強化學習 第三課 學習筆記

Unknown Environment MDP Control 基本思路：廣義策略迭代（策略評估＋策略改進） 如何保證每個狀態行爲對(Q,a)都可以被訪問到？ 確保歷經每個狀態行爲對, π(a|s) > 0 for all a, s 每次迭代確保 π’≥π（回顧policy ordering） 實時在線決策： 1）ExploitaAon:基於之前所有的信息做出最優選擇&收集更多信息 2）最好的長遠

>>阅读原文<<