《强化学习：原理与Python实现》 ── 强化学习一线研发人员撰写，涵盖主流、实用强化学习算法与基于TensorFlow2.0的Python实现
作者：肖智清 著
在所有笔记中搜索你感兴趣的关键词!
作者：肖智清 著
| 符号 | 名称 | 说明 |
|---|---|---|
| O | 观测（observation） | 可以获得环境的观察。 |
| A | 动作（action） | 根据决策对环境施加的动作。 |
| S | 状态（state） | 环境的状态。 |
| R | 奖励（reward） | |
| t | 时间 | |
| St | t时刻的状态 | |
| Ot | t时刻的观察 | |
| At | t时刻的动作 | |
| Rt | t时刻的奖励 | |
| S | 状态空间（state space） | St∈S |
| O | 观察空间（observation space） | Ot∈O |
| A | 动作集合 | At∈A |
| R | 奖励空间（reward space） | Rt∈R |
| T | 步数 | 到达终止状态的步数 |
| Gt | t时刻的回报 | 未来奖励的和 |
| P | 状态转移概率 | |
| p(s',r|s,a) | 动力（dynamics） | Markov决策过程的动力 |
| p(s'|s,a) | 状态转移概率 | |
| r(s,a) | “状态-动作”的期望奖励 | |
| r(s,a,s') | “状态-动作-下一状态”的期望奖励 | |
| π(a|s) | 策略（policy） | 从状态到动作的转移概率 |
| π* | 最优策略（optimal policy） | |
| γ | 折扣（discount） | γ∈[0,1] |
| vπ(s) | 状态价值函数（state value function） | 从状态s开始采用策略π的期望回报。 |
| qπ(s,a) | 动作价值函数（action value function） | 在状态s采取动作a后，采用策略π的预期回报。 |
| v*(s) | 最优状态价值函数（optimal state value function） | |
| q*(s,a) | 最优动作价值函数（optimal action value function） |
评论 (0)