Q学习代理
Q学习算法是一种无模型，在线，禁止策略加强学习方法。Q学习代理是一个基于价值的强化学习代理，可以训练批评奖励或未来奖励。
有关不同类型的强化学习代理商的更多信息，请参阅加固学习代理人。
Q学习代理可以在具有以下观察和动作空间的环境中培训。
| 观察空间 | 行动空间 |
|---|---|
| 连续或离散 | 离散的 |
Q代理商使用以下批评者表示。
| 评论家 | 演员 |
|---|---|
Q值功能评论家q（s，a），您创建使用 |
Q代理商不使用演员。 |
在培训期间，代理商使用epsilon-贪婪的探索来探讨动作空间。在每个控制间隔期间，代理使用概率选择随机动作ε.否则，它对具有概率1的值函数贪婪地选择了一个动作 -ε.。这种贪婪的行动是价值函数最大的动作。
批评功能
要估计价值函数，Q学习代理维护评论家问：（S.那一种），这是一个表或函数近似剂。评论家采取观察S.和行动一种作为输入并返回相应的长期奖励期望。
有关创建值函数近似的批评者的更多信息，请参阅创建策略和值函数表示。
培训完成后，培训的值函数近似器存储在评论家中问：（S.那一种）。
代理创作
要创建Q学习代理：
使用一个批评评论家
rlqvalueerepresentation目的。使用一个指定代理选项
rlqagentoptions.目的。使用一个创建代理
rlqagent.目的。
培训算法
Q学习代理使用以下培训算法。要配置培训算法，请使用arlqagentoptions.目的。
初始化评论家问：（S.那一种）随机值。
对于每次训练集：
设置初始观察S.。
对集发集的每个步骤重复以下内容S.是终端状态。
目前的观察S.，选择一个随机动作一种有概率ε.。否则，选择批评值函数最大的操作。
指定ε.及其衰减率，使用
epsilongredyexpliation.选项。执行动作一种。遵守奖励R.和下一次观察S'。
如果S'是终端状态，设置值函数目标y到R.。否则，将它设置为
设置折扣因素γ.， 使用
贴纸物选项。计算批评批评参数更新。
使用学习率更新评论家α.。
通过设置创建批评批评表示时，请指定学习率
学习选项在rlrepresentationOptions.目的。设置观察S.到S'。
也可以看看
相关话题
您还可以从以下列表中选择一个网站：
