机构名称：
¥ 1.0
我们研究了无限 - 奖励马尔可夫决策过程（MDP）的无模型增强学习（RL）算法，这更适合涉及不持续操作的应用不分为情节。与情节/折扣的MDP相反，对于平均奖励设置，对无模型RL算法的理解理解相对不足。在本文中，我们考虑使用模拟器的在线设置和设置。与现有结果相比，我们开发了具有计算高效的无模型算法，以备受遗憾/样本的复杂性。在在线设置中，我们基于降低方差降低Q学习的乐观变体设计算法，UCB-AVG。我们表明UCB- AVG达到了遗憾的束缚e O（S 5 A 2 SP（H ∗）√
平均无模型的强化学习 -
主要关键词
相关文件推荐
