文档摘要

4.1 蒙特卡洛方法 本节摘要：MC 用完整 episode 的实际回报 Gt 估计 V^π 或 Q^π，无 bootstrapping。First-visit 与 every-visit 两种平均。仅 episodic 任务；需等回合结束才更新。 本节目标 写回报 Gt = r{t+1} + γ r{t+2} + ... 会员。《4.1 蒙特卡洛方法》收录于灏天文库文集《强化学习入门：探索智能体的决策之路》，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/481-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8%E6%8E%A2%E7%B4%A2%E6%99%BA%E8%83%BD%E4%BD%93%E7%9A%84%E5%86%B3%E7%AD%96%E4%B9%8B%E8%B7%AF

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