其他分享
首页 > 其他分享> > n步自举法

n步自举法

作者:互联网

n步时序差分方法是单独的蒙特卡罗和时序差分方法更一般的推广,性能通常优于那两种极端形式。

n步TD预测

MC使用完整奖赏序列

一步TD基于下一步奖赏,将一步后的状态值作为剩余奖赏的近似值进行引导更新

n步自举将MC与TD统一,灵活选择用未来n步的数据进行引导更新。更新是基于中间数量的奖赏值

n步Sarsa

利用n步方法进行控制,主要思想是将状态值函数换成状态-动作值函数,然后使用一个\(\varepsilon-greedy\)策略

一步法只强化导致高回报的动作序列的最后一个动作,而n步法加强序列的最后n个动作,因此能从一个片段中学到更多。

n步期望Sarsa

与一步类似只是G不同

利用重要性采样进行n步异策略学习

【为了能够使用从b获得的数据,我们必须考虑两个策略之间的差异,这种差异用采取被采用动作的相对概率表示(重要性采样系数)】

只是多加了一个系数,表示的是样本序列产生的概率(条件概率套出来的)

标签:动作,步自,一步,举法,奖赏,状态值,序列,TD
来源: https://www.cnblogs.com/yuyuanliu/p/14815070.html