DMP(马尔可夫决策过程)

DMP 一 累积回报 智能体的目标是最大化长期受到的累积回报（cumulative reward）。如何定义累计回报呢？如果在时间t时刻之后，智能体接受到的回报序列表示成 . 那么，我们寻求的是最大化期望回报（expected return），这里用Gt表示特定的回报序列函数。回报的表示方法之一是将回报累加，即： 考虑到实际场景，在计算累积回报时都会引入一个折扣因子（用γ表示)。智能体尝试选择一个

>>阅读原文<<