內容課件說明_第1頁
內容課件說明_第2頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

一、強化學習后獲得一個非常好的。需要強調的是，強化學習并不代表一類學習算法，則狀態(tài)空間是完全可觀察的，可以從MDP模型中獲得良好的策略（如Q-learning及其變化。然而，在大多數情況下，不能完全觀察和記錄系統(tǒng)的狀γ）組成的元組。SAT率。R是功能。Ω是一組觀察值。O是一組觀察概率。γ是折扣因子?？赡軙涗浀絻煞N可能的觀察結果。在一種情況下，感知到太多三、model-free在Model-freeAgent能執(zhí)行的動作和執(zhí)行動作后的回報值，不同于Model-based方法，一般Agent在探索世界的過程中并不需要學習回報函數R(s,a)和狀態(tài)轉移函數Tr(s,a,s’)，而是直接利用當前狀態(tài)s,執(zhí)行的a,回報值r,到達的新狀態(tài)s’來更新Q(s,a)，based更加實用，因為后者需要非常巨大的計算量。Model-free方法旨在學習POMDP模型的狀態(tài)空間，而不是學習其他參數。式的方法來解決它，如HQ學習。具體過程如圖1所示。Q以表示為????=<?????1?????1????????>。在表達式中，?????1表示在時間t-1（當前的時間是t。?????1是最后一個動作。????是目前的觀察，????是時間t的回報。NSM算法和USM算法都是基于實例的學習。四、USM）UtileSuffixMemory(USM)算法[McCallum,1995Instance-based法，這種方法以動作-回報-觀察的三元組形式（即實例了agent在探索世界）????=<?????1,?????1,????,????其中?????1是上一個時刻的實例記錄，?????1是上一個動作，????進而學習并計算Q值。USM算法使用了經典的記錄字符串的后綴樹的結構來實例序列信息。所有的實例Tt按

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論