When state transition and reward fu

When state transition and reward functions are known, dynamic programming can be successfully applied to find an optimal policy. However, in practice, RL agents do not have a complete knowledge about their environments’ models. In such circumstances, temporal difference (TD) and Monte-Carlo (MC) RL algorithms are more suitable.

ผลลัพธ์ (ไทย) 1:

เมื่อทราบว่าฟังก์ชันและความเปลี่ยนแปลงของรัฐ การเขียนโปรแกรมแบบไดนามิกสามารถจะนำไปใช้หานโยบายเหมาะสม อย่างไรก็ตาม ในทางปฏิบัติ RL แทนได้ความรู้ทั้งหมดเกี่ยวกับรูปแบบของสภาพแวดล้อมของพวกเขา ในสถานการณ์ ความแตกต่างชั่วคราว (TD) และอัลกอริทึม Monte Carlo (MC) RL ได้เหมาะ

ผลลัพธ์ (ไทย) 2:

เมื่อฟังก์ชั่นการเปลี่ยนสถานะและผลตอบแทนที่เป็นที่รู้จักกันเขียนโปรแกรมแบบไดนามิกสามารถนำมาใช้ประสบความสำเร็จในการหานโยบายที่ดีที่สุด แต่ในทางปฏิบัติตัวแทน RL ไม่ได้มีความรู้ที่สมบูรณ์เกี่ยวกับรูปแบบสภาพแวดล้อมของพวกเขา ในกรณีดังกล่าวแตกต่างชั่วคราว (TD) และ Monte-Carlo (MC) ขั้นตอนวิธีการ RL มีความเหมาะสมมาก

ผลลัพธ์ (ไทย) 3:

เมื่อสถานะและผลตอบแทนการทำงานเป็นพลวัตรที่สามารถใช้เรียบร้อยแล้วเพื่อหานโยบายที่ดีที่สุด อย่างไรก็ตาม ในทางปฏิบัติ , RL ตัวแทนไม่ได้มีความรู้ที่สมบูรณ์เกี่ยวกับสภาพแวดล้อมของพวกเขา ' รุ่น ในสถานการณ์เช่น ความแตกต่างชั่วคราว ( TD ) และมอนติคาร์โล ( MC ) RL ขั้นตอนวิธีจะเหมาะสมกว่า