強化學習之蒙特卡洛方法

MC 預測：狀態值 解決預測問題的算法會確定策略 \piπ 對應的值函數 v_\pivπ​（或 q_\piqπ​）。 通過與環境互動評估策略 \piπ 的方法分爲兩大類別： 在線策略方法使智能體與環境互動時遵守的策略 \piπ 與要評估（或改進）的策略相同。 離線策略方法使智能體與環境互動時遵守的策略 bb（其中 b\neq\pib≠π）與要評估（或改進）的策略不同。 狀態 s\in\mathca

>>阅读原文<<