文档摘要

3.2 蒙特卡洛方法：用整条轨迹估计价值 本节摘要：模型未知时，价值可以从经验里统计出来：让智能体跑很多条完整轨迹，把"经过状态 s 的那些轨迹的回报"取平均，大数定律保证这个平均收敛到真值 V(s)。这就是蒙特卡洛（MC）方法。本节讲清两种计数口径（首次访问与每次访问）、增量式平均的实现、MC 控制怎么配合 ε-软策略，最后用一张对照表把 DP 与 MC 的优缺点摆在一起，为时序差分的登场清场。 会员。《3.2 蒙特卡洛方法：用整条轨迹估计价值》收录于灏天文库文集《强化学习与智能体训练：从 Q-Learning 到深度强化学习》，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/540-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%99%BA%E8%83%BD%E4%BD%93%E8%AE%AD%E7%BB%83%E4%BB%8E-q-learning-%E5%88%B0%E6%B7%B1%E5%BA%A6%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0

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