一、介绍 回顾以下以前 value-based的方法：在value-based方法中，他们都是去学习一个动作的价值函数，然后根据这个动作的价值函...

一、介绍 Actor-Critic 算法有两部分组成：actor 和 critic。其中 action 就是Policy Gradient 算法...

一、介绍 Q-learning 算法本质上是在求解函数Q(s,a). 如下图，根据状态s和动作a, 得出在状态s下采取动作a会获得的未来的奖励，...

Sarsa 的名称来源与上图所描述的序列：针对一个状态，个体通过行为策略产生一个行为，执行该行为进而产生一个状态行为对，环境收到个体的行为后会告...

马尔可夫决策过程（MDP） 一：介绍 马尔可夫决策过程是用来形式化地描述强化学习中的环境 其中环境是完全可以观测的 值得注意的是，大部分强化学习...

目的 本文介绍一个简单的案例。目标如下： 定义状态空间 我们对地图上的小方格进行编号： 1 - 8 代码简单表示如下： 同时定义终止状态： 定义...

首先，导入库文件（包括gym模块和gym中的渲染模块） 我们生成一个类，该类继承 gym.Env. 同时，可以添加元数据，改变渲染环境时的参数 ...