你好，时光的博客

import gymimport torchfrom torch import nnfrom torch.distributions import Categoricalclass Agent(nn.Module): def __init__(self): super(Agent, self).__init__() self.net = nn.Sequential( nn.Linear(4, 32), nn.R

文章目录Q-table衰减因子计算策略的价值蒙特卡洛方法时间差分方法Sarsa算法 On-policy TD ControlQ-learning Off-policy TD Control总结Q-table在多次尝试和熊打交道之后，人类就可以对熊的不同的状态去做出判断，我们可以用状态动作价值来表达说在某个状态下，为什么动作 1 会比动作 2 好，因为动作 1 的价值比动作2 要高，这个价值就叫 Q 函数。Q 表格是一张已经训练好的表格的话，那这一张表格就像是一本生活手册。我们就知道在熊发怒

一、 强化学习及MountainCar-v0 Example强化学习讨论的问题是一个智能体 (agent) 怎么在一个复杂不确定的环境 (environment) 里面去极大化它能获得的奖励。下面是它的示意图：示意图由两部分组成：agent 和 environment。在强化学习过程中，agent 跟 environment 一直在交互。Agent 在环境里面获取到状态，agent 会利用这个状态输出一个动作 (action)，一个决策。然后这个决策会放到环境之中去，环境会根据 agent 采取的决