tokamak9000

摘要： a 是动作，s 是环境，R 是奖励，$t$ 是时间步，$\tau$ 是“轨迹”（步骤序列，$\tau = (s_0, a_0, s_1, a_1, ...).$），$\gamma$ 是折扣系数（大多数介于0.95 - 0.99)，k作为指数，让早期的奖励更重要。 $$ R(\tau) = \sum_ 阅读全文