Q Learning

#播种

Q-Learning 是一个 异策（off-policy）基于价值的强化学习方法，使用 Temporal Difference 策略更新价值函数。是一种运用表格的方法。

缘由

[!note] 记录为什么有这个概念/想法/事实/观点，属于 why 的部分

说明

Q 指当前状态执行的动作质量（Quality），Q 函数使用 Q-table 来记录每个状态所对应动作的价值

1. 初始化 Q-table，每个状态 - 动作的值初始化为 0
2. 根据 Epsilon-Greedy Policy 选择将要执行的动作
3. 执行动作 $A_t$，得到奖励 $R_{t+1}$ 和新状态 $S_{t+1}$
4. 更新 Q-table，即更新 $Q(S_t, A_t)$ 的值

Q-Learning 的伪代码如下

实例

[!note] 记录概念的应用实例，属于 how 的部分

类比

[!note] 记录与该概念类似的概念，属于 how 的部分

对比

[!note] 记录与该概念进行对比的概念，属于 how 的部分

效果

[!note] 记录该概念如何解决实际问题，属于 how good 的部分

备注

[!note] 记录相关链接等其他补充内容