Kama vile tathmini ya sera, urudishaji wa thamani rasmi huhitaji idadi isiyo na kikomo ya marudio ili kuungana haswa kuwa. Kwa mazoezi, tunaacha mara tu kazi ya thamani inabadilika kwa kiasi kidogo tu katika kufagia. … Kanuni hizi zote huungana na kuwa sera bora zaidi kwa MDP zenye kikomo zilizopunguzwa bei.
Je, marudio ya thamani ndiyo huamua?
Bado, marudio ya thamani ni ujumlisho wa moja kwa moja wa hali ya kubainisha. Inaweza kuwa imara zaidi katika matatizo yanayobadilika, kwa kutokuwa na uhakika juu, au nasibu kali. IWAPO hakuna mabadiliko katika sera, irudishe kama sera mojawapo, VINGINEVYO nenda kwa 1.
Je, marudio ya thamani ndiyo mojawapo?
3 Kurudia Thamani. Kurudia thamani ni mbinu ya kukokotoa sera mojawapo ya MDP na thamani yakeKuhifadhi safu ya V husababisha hifadhi ndogo, lakini ni vigumu zaidi kubainisha kitendo mojawapo, na marudio moja zaidi inahitajika ili kubaini ni hatua gani itasababisha thamani kubwa zaidi. …
Kuna tofauti gani kati ya kurudia sera na kurudia thamani?
Katika kurudia sera, tunaanza na sera isiyobadilika. Kinyume chake, kwa kurudia thamani, tunaanza kwa kuchagua kazi ya thamani. Kisha, katika algoriti zote mbili, sisi tunaboresha hadi tufikie muunganisho.
Thamani ya kurudia ni nini?
Kimsingi, kanuni ya Kuongeza Thamani hukokotoa utendakazi bora wa hali bora kwa kuboresha mara kwa mara makadirio ya V (s). Algorithm inaanzisha V(s) kwa maadili ya nasibu ya kiholela. Inasasisha mara kwa mara thamani za Q(s, a) na V hadi ziungane.
