Rl 实现过程

• Agent 接收到环境状态 $S_0$
• 根据 $S_0$，Agent 执行动作 $A_0$
• 此时根据 Agent 所执行的动作，环境状态改变为 $S_1$
• 根据此时的环境状态 $S_1$，给出一定奖励 $R_0$

WHY

通过不断循环这一过程，使得累积的奖励（reward）达到最大，称作 expected return。

强化学习的中心思想就是通过最大化累计奖励，得到解决问题的最优方案。（reward hypothesis）

WHAT

reward：单次状态改变所获得的奖励

expected return：从开始到当前状态下的累积奖励

HOW

实例

HOW GOOD

ref.

#待整理笔记