机构名称：
¥ 4.0
平均奖励强化学习（RL）为捕获目标提供了合适的框架（即长期平均奖励）对于持续的任务，通常没有自然的方法来识别折扣面。但是，现有的平均奖励rl al-gorithms具有样本复杂性保证是不可行的，因为它们将马尔可夫决策过程（MDP）的（未知）混合时间输入。在本文中，我们在解决此开放概率方面取得了初步的进展。我们设计一个可行的平均奖励Q-学习框架，不需要任何问题参数作为输入。我们的框架基于折扣Q-学习，同时我们动态地调整了分歧因子（以及有效的地平线），以逐步近似平均值。在同步设置中，我们解决了三个任务：（i）学习一种策略至最佳，（ii）估计具有ϵ准确度的最佳平均值，并且（iii）估计偏差函数（类似于q uncuntion dissed cunction cunction cunciented cunction cunction cunciented cunction cunciented cuntioncracy）。我们表明，通过精心设计的适应方案，（i）可以通过E O（SAT 8 Mix ϵ8）样品来实现，
可行的Q学习，用于平均奖励加强...
主要关键词
相关文件推荐
