文档摘要

8.3 从马尔可夫决策过程到强化学习 本节摘要：马尔可夫决策过程（MDP）用状态、动作、转移、奖励四件套刻画序贯决策，贝尔曼最优方程给出最优值函数。本节在网格世界手写值迭代与 Q-learning，前者吃已知模型、后者只靠试错样本，对照两者揭示强化学习的本质——用采样数据逼近贝尔曼方程的解，并以探索与利用的权衡收尾。 罬最后一块地基 第 1 章埋的会师伏笔在此兑现。 会员。《8.3 从马尔可夫决策过程到强化学习》收录于灏天文库文集《运筹学与控制论》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/430-%E8%BF%90%E7%AD%B9%E5%AD%A6%E4%B8%8E%E6%8E%A7%E5%88%B6%E8%AE%BA

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流