在强化学习中,政策上和政策外方法在如何处理用于学习和决策的策略上有所不同。
On-policy方法了解代理当前遵循的策略的值。在这些方法中,代理使用由其正在探索的策略生成的数据来更新其策略。这方面的一个例子是SARSA,其中代理的当前策略直接影响其学习。
另一方面,非策略方法独立于代理的当前行为来学习最优策略的值。这允许代理从不同策略生成的数据中学习,从而使其能够探索各种策略。Q-learning是策略外学习的一个示例,其中代理从过去的经验或另一种策略中学习,同时仍以最佳策略为目标。
在强化学习中,政策上和政策外方法在如何处理用于学习和决策的策略上有所不同。
On-policy方法了解代理当前遵循的策略的值。在这些方法中,代理使用由其正在探索的策略生成的数据来更新其策略。这方面的一个例子是SARSA,其中代理的当前策略直接影响其学习。
另一方面,非策略方法独立于代理的当前行为来学习最优策略的值。这允许代理从不同策略生成的数据中学习,从而使其能够探索各种策略。Q-learning是策略外学习的一个示例,其中代理从过去的经验或另一种策略中学习,同时仍以最佳策略为目标。
本内容由AI工具辅助生成,内容仅供参考,请仔细甄别