Internship_ESTECO

实习_ESTECO 政策评估：用于解决预测问题。 给定特定策略π时，它用于查找状态值函数$ v _ {\ pi} $。 策略改进：通过使用状态值函数和策略改进定理来改进策略。 策略迭代：一种迭代算法，其中使用策略评估和策略改进以返回最佳策略和状态值函数。 价值迭代：找到最优的状态价值函数，并从中提取最优政策。 Sarsa：基于策略的学习算法。 使用错误和学习率来更新动作值函数。 它遵循特定的政策。 Q Lerning：非政策学习算法。 它能够更改策略。 Hedger：对连续状态和动作空间的第一种方法，其中使用函数逼近来扩展Q-Learning算法。 在这里，近似值是使用局部加权回归获得的。 DQN：用于连续状态和动作空间的RL算法。 Q学习的扩展，其中使用神经网络来近似Q动作值函数。