强化学习——值函数与Bellman方程

在强化学习中，agent和环境之间进行一系列交互：在每一个时刻 t ，根据环境的状态和奖励，agent采起某一行为；这个行为会做用到环境中，环境改变状态并对agent进行奖励。web agent的目标是最大化累积奖励。svg 1 MDP 马尔可夫决策过程(Markov Decision Process, MDP)是对环境的建模。函数 MDP是一个五元组 <S,A,P,R,γ> ，其中 - S 是一

>>阅读原文<<