尧图网络科技YAOTU DIGITAL 获取报价
获取报价
首页 / 资讯中心 / 文章详情

RL-赵-(五)-不基于模型1:MC算法05【MC ε-Greedy】【把只能从(s,a)对开始的条件去掉】【软策略:每个动作都有可能;通过ε平衡exploitation与exploration】

发布时间:2026/9/24 17:55:37

资讯中心
01
ARTICLE

RL-赵-(五)-不基于模型1:MC算法05【MC ε-Greedy】【把只能从(s,a)对开始的条件去掉】【软策略:每个动作都有可能;通过ε平衡exploitation与exploration】

RL-赵-(五)-不基于模型1:MC算法05【MC ε-Greedy】【把只能从(s,a)对开始的条件去掉】【软策略:每个动作都有可能;通过ε平衡exploitation与exploration】
四、MC ε-Greedy(MC without exploring starts )1、Soft Policies(软策略)什么是Soft policies?如果一个策略采取的每一个action的概率是positive,也就是这些action都有可能被采取,那么这个策略就称为soft policy。为什么要引入软策略?使用软策略,一些足够长的回合就能够足够多次地访问每个状态-动作对。【soft policy,a few episodes that are sufficiently long can visit every state-action pair for sufficiently many times.】因此,我们不需要必须将每个state-action pair作为出发点进行始大量的episodes。因此,exploring starts的前提要求可以被removed。那么我们使用什么样的 soft policies 呢?答案是ϵ-greedy policies。2、ϵ\epsilonϵ-greedy policiesπ(a∣s)={ 1−ϵ∣A(s)∣(∣A(s)∣−1),forthegreedyaction,ϵ∣A(s)∣,fortheother∣A(s)∣−1actions,\left.\pi(a|s)=\left\{\begin{array}{ll}1-\dfrac{\epsilon}{|\mathcal{A}(s)|}(|\mathcal{A}(s)|-1),\text{for the greedy action,}\\\\\dfrac{\epsilon}{|\mathcal{A}(s)|},\text{for the other }|\mathcal{A}(s)|-1\text{ actions,}\end{array}\right.\right.π(a∣s)=⎩⎨⎧​1−∣A(s)∣ϵ​(∣A(s)∣−1),∣A(s)∣ϵ​,​forthegreedyaction,fortheother∣A(s)∣−1actions,​ε-Greedy algorithm在statesss,有一个greedy actiona∗a^*a∗,该action 对应的action valueqπ(s,a∗)q_π(s,a^*)qπ​(s,a∗)是最大的,这时,根据ε-Greedy算法:给greedy actiona∗a^*a∗的选择概率为1−ε∣A(s)∣(∣A(s)∣−1)1-\cfrac\varepsilon{|\mathcal{A}(s)|}(|\mathcal{A}(s)|-1)1−∣A(s)∣ε​(∣A(s)∣−1);给其他不是greedy actiona∗a^*
02
RELATED NEWS

相关资讯

更多网站建设与数字化升级内容

03
WHY YAOTU

想打造同款高转化官网?

懂行业、懂生意,从建站到增长一站式陪跑

场景化定制

不做模板站,围绕你的业务场景量身设计,小众不撞款。

营销型架构

以转化目标组织内容与路径,让官网真正带来询盘。

全周期服务

设计、开发、运营、运维一体,上线只是开始。

免费获取你的建站方案

留下需求,专属顾问 24 小时内为你输出方案建议。