强化学习基本框架
智能体在环境中通过试错最大化累积回报。MDP、状态、动作、奖励、策略是基本词汇。
智能体在环境中通过试错最大化累积回报。MDP、状态、动作、奖励、策略是基本词汇。
1. 马尔可夫决策过程（MDP）
由五元组 (S, A, P, R, γ) 定义：状态、动作、转移概率、奖励、折扣因子。
2. 目标
学习策略 π(a|s)，最大化期望累积折扣回报：
G_t = R_{t+1} + γ R_{t+2} + γ² R_{t+3} + ...
💡
核心张力：探索（exploration）与利用（exploitation）的平衡，贯穿几乎所有 RL 算法。