强化学习常用算法的分类
模型未知的强化学习方法包括：蒙特卡洛学习，TD学习，Q学习，SARSA学习，Dyna框架，直接策略学习和Actor-Critic方法。根据Bellman方程，通过策略迭代和策略评估交替进行，求取最优策略。3）值函数迭代方法。通过一种逐次逼近方式，将有限时段的动态规划算法推广到无限时段上。在模型已知的情况下，采用动态规划的方法来寻找最优的策略。常用的动态规划方法有四种。近似强化学习的基本方法，包括带
·
强化学习常用算法分类
在模型已知的情况下，采用动态规划的方法来寻找最优的策略。常用的动态规划方法有四种
1) 线性规划方法。根据Bellman方程，将值函数的求取转换为一个线性规划问题求解
2）策略迭代方法。根据Bellman方程，通过策略迭代和策略评估交替进行，求取最优策略
3）值函数迭代方法。通过一种逐次逼近方式，将有限时段的动态规划算法推广到无限时段上。
4）广义策略迭代方法。结合策略迭代和值迭代的一种强化学习方法。
模型未知的强化学习方法包括：蒙特卡洛学习，TD学习，Q学习，SARSA学习，Dyna框架，直接策略学习和Actor-Critic方法
近似强化学习的基本方法，包括带值函数TD学习、近似策略迭代和最小二乘策略迭代。
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
2
0- 0
已为社区贡献37条内容
所有评论(0)