《強化學習》 DP動態規劃

獎賞設計 累計獎賞和折扣累計獎賞 數學上看，折扣獎賞機制可以將累計回報轉化爲遞推的形式： Gt=Rt+γ(Rt+1+γRt+2+...)=Rt+γGt+1 G t = R t + γ ( R t + 1 + γ R t + 2 + . . . ) = R t + γ G t + 1 折扣是一種固定效應模型 獎賞設計：不要平移，獎勵做什麼而不是怎麼做 獎賞設計：縮放，塑形 貝爾曼等式 狀態值函數 值

>>阅读原文<<