In this paper, SARSA, a well-known

In this paper, SARSA, a well-known TD algorithm (see Fig. 3), is used. It is based on evaluation of action-value function denoted by Q(s, a). This latter estimates the expected future reward to the agent when it performs a given action, a, in a given state, s, and follows the policy  thereafter. At every time step, SARSA updates the action-value function Qusing the quintuple (st, at, rt, st+1, at+1),which gives rise to the name of the algorithm. SARSA is an on-policy RL algorithm. It uses the learned policy not only to take decisions

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ SARSA อัลกอริทึมการ TD รู้จัก (ดู Fig. 3), ใช้ โดยมีการประเมินค่าการกระทำฟังก์ชันสามารถบุจาก Q (s คำ) หลังนี้ประเมินตัวแทนรางวัลในอนาคตคาดไว้เมื่อทำการกระทำที่กำหนดให้ การ การกำหนด s และดังนี้นโยบายหลังจากนั้น ในทุกขั้นตอนเวลา SARSA ปรับปรุงฟังก์ชันการดำเนินการค่า Q ที่ใช้ในห้องสแตน (st ที่ rt เซนต์ + 1, at + 1), ให้ที่ขึ้นชื่อของอัลกอริทึม SARSA เป็นอัลกอริทึม RL ในนโยบายการ ใช้นโยบายการเรียนรู้ไม่เพียงแต่การตัดสินใจ

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ SARSA, TD อัลกอริทึมที่รู้จักกันดี (ดูรูปที่. 3) ถูกนำมาใช้ มันขึ้นอยู่กับการประเมินผลการทำงานของการดำเนินการตามตัวอักษรแสดงโดย Q (S, A) หลังนี้ประมาณการผลตอบแทนที่คาดว่าไปยังตัวแทนเมื่อจะดำเนินการกระทำที่กำหนดในรัฐที่กำหนด s และตามนโยบายหรือไม่ หลังจากนั้น ในทุกขั้นตอนเวลา SARSA ปรับปรุงฟังก์ชั่นการกระทำที่มีมูลค่า Q? ใช้ห้าเท่า (ST ที่, RT, St + 1, ที่ + 1) ซึ่งก่อให้เกิดชื่อของอัลกอริทึม SARSA เป็นนโยบายขั้นตอนวิธี RL จะใช้นโยบายการเรียนรู้ไม่เพียง แต่จะใช้เวลาในการตัดสินใจ

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , ซอส , ขั้นตอนวิธี TD ที่รู้จักกันดี ( ดูรูปที่ 3 ) , ใช้ มันขึ้นอยู่กับการกระทำของการประเมินค่าฟังก์ชันเขียนแทนด้วย Q  ( s ) หลังนี้ประมาณการคาดว่าในอนาคตบำเหน็จตัวแทนเมื่อดำเนินการให้การกระทำ เพื่อให้รัฐ และตามนโยบาย  หลังจากนั้น เวลาที่ทุกขั้นตอน , ซอสปรับปรุงฟังก์ชันค่าปฏิบัติการ Q  ใช้เท่า ( St , ที่ , RT , เซนต์ 11 ) ซึ่งจะช่วยให้เพิ่มชื่อของขั้นตอนวิธี ซอสเป็นขั้นตอนวิธี RL ในนโยบาย มันใช้เรียนรู้ไม่เพียง แต่จะใช้เวลาในการตัดสินใจนโยบาย