Each step of the Q-learning update

Each step of the Q-learning update algorithm is defined by the following expression:
Q(st,at) = Q(st,at) + α[rt+ γ maxQa(st+1,a)-Q(st,at)] (1)
- where st corresponds to the current state;
- at is the action taken at state st;
- rt is the reward received by taking the action at at the state st;
- st+1 is the next state;
- γ(gama) is the discount factor (0< γ

ผลลัพธ์ (ไทย) 1:

แต่ละขั้นตอนของอัลกอริทึมปรับปรุงคิวการเรียนถูกกำหนด โดยนิพจน์ต่อไปนี้:Q(st,at) = Q(st,at) + α [rt + γ maxQa(st+1,a)-Q(st,at)] (1)-เซนต์ที่สอดคล้องกับสถานะปัจจุบัน-เป็นการดำเนินการที่รัฐเซนต์-รางวัลที่ได้รับ โดยการกระทำที่รัฐเซนต์ คือ rt-เซนต์ + 1 เป็นสถานะต่อไป-Γ(gama) เป็นตัวคูณส่วนลด (0 < γ < 1);-Α(alpha) คือ อัตราการเรียนรู้ (0 < =α < 1)

ผลลัพธ์ (ไทย) 2:

ขั้นตอนของขั้นตอนวิธีการปรับปรุง Q-การเรียนรู้แต่ละครั้งจะถูกกำหนดโดยการแสดงออกต่อไปนี้:
Q (เซนต์ที่) = Q (St, ที่) + α [RT + แกมมา maxQa (เซนต์ + 1, ก) -Q (St, ที่)] (1)
- ที่ ST สอดคล้องกับสถานะปัจจุบัน;
- อย่างคือการดำเนินการที่รัฐ ST;
- RT คือการตอบแทนที่ได้รับจากการดำเนินการที่รัฐเซนต์;
- St + 1 เป็นรัฐต่อไป;
- γ ( Gama) เป็นปัจจัยส่วนลด (0 <γ <1);
- α (alpha) เป็นอัตราการเรียนรู้ (0 <= α <1)

ผลลัพธ์ (ไทย) 3:

ในแต่ละขั้นตอนของ q-learning ปรับปรุงอัลกอริทึมกำหนดโดยการแสดงออกดังต่อไปนี้ :Q ( ST ) = Q ( ST ) + α [ RT + γ maxqa ( เซนต์ + 1 ) - q ( ST ) ] ( 1 )- ที่ทันสมัยสอดคล้องกับสภาพปัจจุบัน- เป็นการกระทำที่รัฐเซนต์ ;- RT เป็นรางวัลที่ได้รับจากการกระทำที่รัฐเซนต์ ;- เซนต์ + 1 เป็นรัฐหน้า- γ ( กามา ) เป็นปัจจัยส่วนลด ( 0 < γ < 1 )- α ( Alpha ) คืออัตราการเรียนรู้ ( 0 < = α < 1 )