摘要：
前面介绍了三种采样求均值的算法 ——MC ——TD ——TD(lamda) 下面我们基于这几种方法来 迭代优化agent 传统的强化学习算法 || ν ν 已经知道完整MDP——使用价值函数V（s） 没有给出完整MDP——使用价值函数Q（s，a） 可见我们的目标就是确定下来最优策略和最优价值函数 | 阅读全文
摘要：
一、Intro Prediction只是评估给定策略的表现，直白的说它是找 “在环境ENV下，AGENT按照给定的策略pai，AGENT的价值函数”。 这篇blog只介绍三种计算方法，没有涉及到 “求取ENV下的最优AGENT”！ 对于事先已经给出了ENV，也就是说我们有完整的MDP，知道所有的st 阅读全文