文章 "您应当知道的 MQL5 向导技术（第 47 部分）：配合时态差异的强化学习"

新评论
 

新文章 您应当知道的 MQL5 向导技术（第 47 部分）：配合时态差异的强化学习已发布：

时态差异是强化学习中的另一种算法，它基于智顾训练期间预测和实际奖励之间的差异更新 Q-值。它专门驻守更新 Q-值，而不介意它们的状态-动作配对。因此，我们考察如何在向导汇编的智能系统中应用这一点，正如我们在之前文章中所做的那样。

强化学习中的时态间差异（TD）简介，是理解 TD 如何与其它诸如蒙特卡洛（Monte Carlo）、Q-学习和 SARSA、等算法区分开来的门户。本文旨在通过强调 TD 学习的独特能力，来揭示 TD 学习的复杂性，即基于来自局次的部分信息，增量更新估值的能力，而非像蒙特卡洛方法中那样等待局次完成。这种区别令 TD 学习成为一种强大的工具，尤其是处于环境动态、且需及时更新学习政策的情况下。

在上一篇强化学习文章中，我们研究了蒙特卡洛算法，其每局执行单次更新之前，会在多个周期内收集奖励信息。然而，时态差异（TD）就是从部分和不完整的情节中学习，就像我们之前在此处和此处讨论的 Q-学习和 SARSA 算法一样。


作者：Stephen Njuki

新评论