增强学习（强化学习）算例之Q-learning
我认为本文是学习率为1的Q-learning。为什么这么讲呢？根据Q-learning算法：更新一个状态行为对的Q价值时，采用的不是当前遵循策略的下一个状态行为对的Q价值，而是采用的待评估策略产生的下一个状态行为对的Q价值。公式如下：式中，红色部分的TD目标是基于另一个评估策略产生的行为得到的价值。Q学习最主要的表现形式是：个体遵循的策略是基于当前状态行为价值函数的一个策略，而目标策略是基于当前状...
