机构名称：
¥ 1.0
马尔可夫决策过程（MDP）是我们解决强化学习问题的框架。一组状态s，动作A和奖励有限元素构成了框架的主要组成部分。在时间步骤t上，环境具有状态s，代理商根据其观察结果选择了动作。环境现在更改为新状态S t +1，代理接收R t +1。这将继续t = 0，1，。。。，t时终端状态在时间t处发生。由于国家和奖励的有限要素，我们可以根据先前的状态建立对它们的概率分布，并在等式（1）中显示的动作。
Q功能近似与径向基础...
主要关键词
相关文件推荐
