Value-Based

文章目录

• 蒙特卡洛(监督学习方法)
• TD(单步更新)(更常用)有时候游戏太长了,玩不到结尾
• Q value

蒙特卡洛(监督学习方法)

让 $V^π$Vπ无限接近$G_a$Ga​(也就是$\sum_{t=1}^{n}r^t$∑t=1n​rt)

TD(单步更新)(更常用)有时候游戏太长了,玩不到结尾

$loss$loss = $V^π(S_t)-V^π(S_{t+1})$Vπ(St​)−Vπ(St+1​)

Q value