论文部分内容阅读
目的 讨论平均准则下控制马氏链的强化学习算法，在事先未知状态转移矩阵及报酬函数的条件下，通过试凑法寻找使得长期每阶段期望平均报酬最大的最优控制策略． 方法 结合平均报酬问题的一步学习算法和即时差分学习算法，提出了一种多步强化学习算法——— Ｒ（ λ） 学习算法． 结果与结论 新算法使得已有的 Ｒ 学习算法成为其λ＝ ０ 时的特例． 同时它也是折扣报酬 Ｑ（λ） 学习算法到平均报酬问题的自然推广． 仿真结果表明λ取中间值的 Ｒ（ λ） 学习算法明显优于一步的 Ｒ 学习算法．