强化学习导论 第五章 蒙特卡洛模拟

这一章讲蒙特卡洛方法在强化学习中的应用。 在这一章，我们将接触第一个用于估计value functions，并发现最优policies的方法。和前几章不一样的是，这次假设我们并非完全知道环境的动态信息（转移概率啦那些）。蒙特卡洛方法只需要经验知识，即：来自线上或者模拟环境交互过程的样本序列（包括状态序列、动作序列、奖励序列）。从在线的经验中学习非常酷，因为它不需要任何关于环境动态性质的先验知识，却

>>阅读原文<<