机构名称：
¥ 1.0
交互协议：在每个时间步骤 h ∈ [ H ] 中，代理和规划器观察状态 skh ∈S 并选择自己的动作 akh 和 bkh 。然后，下一个状态由环境 skh +1 ∼ P h ( · | skh , bkh ) 生成，并且它们观察
马尔可夫交换经济的强化学习
主要关键词
相关文件推荐
