强化学习 之 蒙特卡洛价值预测

（1）蒙特卡洛增量更新推导 （2）为什么蒙特卡洛算法只能用于可分片段的马尔可夫决策过程？ “可分片段"的含义是该马尔可夫决策过程长度有限，这样才能计算”总折扣奖励“，在实际操作中，如果遇到非常长的马尔可夫链或者无限马尔可夫链，会考虑”时序差分学习“。 （3）蒙特卡洛特性 蒙特卡洛方法：直接从经验片段进行学习。 蒙特卡洛是模型无关的：未知马尔科夫决策过程的状态转移/奖励。 蒙特卡洛从完整的片段中进行

>>阅读原文<<