1回答
我正在做一个边项目，就是建立一个倒立摆问题的模型，然后用一个强化学习算法来解决它，最显著的是Q-学习。我已经为网格世界设计了一个简单的MDP解决程序--简单的东西。
浏览 7提问于2013-01-22得票数 0
2回答
我正在研究强化学习的强化算法。我很难理解如何计算奖励。📷从步骤t返回到步骤T1，即R_t + R_(t+1) +.
浏览 0提问于2018-09-13得票数 4
回答已采纳
1回答
我从概念上理解它。你有一个代理和一个环境。然后你有一组状态，每个状态都有一个值。然后，智能体要么选择“探索”，要么选择“利用”，并根据发生的事情修改其知识。我正在试着为俄罗斯方块写一个RL代理，但我似乎找不到答案。如果有人能用ELI5就好了。如果有人能帮我，我会很感激的。谢谢:)
浏览 1提问于2013-11-13得票数 2
4回答
我正在使用Sutton &Barto的电子书“强化学习:学习强化学习的介绍”。我遇到了一些问题，试图在上模拟结果(图)。
更具体地说，如何模拟每个任务的greedy值？
浏览 9提问于2013-07-29得票数 6
回答已采纳
主要是，我有一个问题，我在任何地方都找不到答案，关于一个人工智能机器学习游戏。
我是否有可能创建一个AI，它可以学习一个我自己没有创建的游戏，没有任何源代码或API？我指的是打开一个游戏，而不是一个下载的游戏，一个在google上可用的游戏，如上面提到的，运行我的代码，它将开始玩和学习这个游戏。只是创建一个算法来学习多个简单的2D谷歌游戏，这样的事情是否有可能与图像处理？
浏览 0提问于2019-09-20得票数 1
2回答
对于四连胜的游戏，强化学习的最佳算法是什么？我想构建一个四连排的游戏，它将使用RL算法之一来玩: Q-Learning，MinMax等。
考虑到我使用的是Java，什么是最好的。
浏览 1提问于2012-01-08得票数 0
回答已采纳
Barto和Sutton的《强化学习导论》一书中提到了以下关于非平稳RL问题的内容：
“我们经常遇到强化学习问题，这些问题实际上是非平稳的。在这种情况下，将最近的奖励比长期奖励更重地加权是有意义的。”
浏览 1提问于2016-05-08得票数 2
1回答
我目前正在阅读萨顿关于强化学习的介绍。在进入第10章(基于近似的政策预测)之后，我现在想知道如何选择函数q的形式，其中最优权重w将被近似。我指的是Sutton下面伪代码的第一行:如何选择一个好的可微函数
浏览 6提问于2017-07-25得票数 4
回答已采纳
2回答
我已经尝试将盖伊添加到我的A2C实现中已有一段时间了，但我似乎不太明白它是如何工作的。我试着自己计算数学，最后我在整个展示中有一个优势，对吗？通常，我们在推出时的每一个时间步骤都有一个优势。
有人能解释一下GAE的直觉吗？
浏览 0提问于2018-06-01得票数 11
回答已采纳
1回答
206在Barto和Sutton的强化学习中，关于标量积的结果有一种奇怪的说法：在我的解释中，A是二维向量的标量乘积的期望:哪个应该是标量，对吗？那么他们是如何得到dxd矩阵的呢？
浏览 0提问于2020-09-17得票数 1
回答已采纳
3回答
我理解为什么机器学习是这样命名的，除此之外，还有监督学习和无监督学习背后的术语。那么，关于强化学习，reinforced是什么？
浏览 63提问于2018-05-28得票数 4
回答已采纳
2回答
我目前正在阅读Sutton & Barto的“强化学习”，我正在尝试自己编写一些方法。
策略迭代就是我目前正在做的工作。
浏览 12提问于2017-08-01得票数 3
我在用Windy用lambda =1测试SARSA，如果探测导致相同的状态-动作对在达到目标之前被多次访问，那么资格跟踪就会在没有任何衰减的情况下每次增加，因此它会爆炸并导致一切溢出。如何才能避免这种情况？
浏览 4提问于2017-07-24得票数 0
回答已采纳
我刚开始使用强化学习，我只读了R.Sutton的前几章(所以我有一个小的理论背景)。我正在寻找网格(量子计算机)上点(量子位)的最佳配置。据我所知，我不需要Q-学习或深强化学习，因为我只需要学习策略？
我也不会介意使用毕道尔或其他什么的。有了这么少的信息，你建议选择什么？更重要的是，我如何设置自己的价值函数？
浏览 8提问于2022-09-21得票数 0
1回答
我正在尝试为Othello构建一个时差学习代理。虽然我的其余实现似乎可以正常运行，但我想知道用于训练网络的损失函数。在Sutton的“强化学习:简介”一书中，均方误差(MSVE )被描述为标准损失函数。它基本上是均方误差乘以开策略分布。(所有状态的求和s( onPolicyDistribution(s) * V(s) - V'(s，w)²))
我现在的问题是:当我的策略是一个学习的值函数的贪婪函数时，我如何在策略分布上获得它？
浏览 5提问于2017-10-11得票数 3
for other options.不巧的是，我仍然在学习lisp，所以虽然我感觉到有些东西没有被完全定义，但我并不真正理解如何读取这些错误消息。
浏览 8提问于2009-02-10得票数 7
回答已采纳
我正在阅读Sutton和Barto的强化学习，对于Dyna-Q的一个例子，他们使用了一个迷宫问题。算例表明，在n=50步规划下，算法仅需3集即可达到最优路径。 这是对50步Q学习的改进吗？看起来你真的只是在每集运行一堆50步的Q学习算法，所以说它在3集内找到最优路径是误导的。 另外，我想最大的问题是，当你没有环境模型时，我认为Dyna-Q是有用的，但在这个例子中，我们没有环境模型吗？
浏览 37提问于2019-12-20得票数 0
回答已采纳
2回答
我正在阅读Sutton & Barto关于强化学习的2018年的书，我想知道将MDP的一步动态定义为
`p(s',r|s,a) = Pr(S_{t+1},R_{t+1}|S_t=s, A_t=a) #qcStackCode
浏览 0提问于2019-03-16得票数 5
回答已采纳
1回答
Q-学习表收敛到-inf
、、、
我尝试用我自己的Q学习实现来解决问题。 action = np.random.choice(max_indexes)
为了学习
浏览 0提问于2018-01-19得票数 2
云服务器
ICP备案
对象存储
腾讯会议
云直播
腾讯云开发者
