论文部分内容阅读
讨论平均准则控制马氏链的强化学习算法。目的是寻找使得长期每阶段期望平均报酬最大的最优控制策略，由于事先未知状态转移矩阵及报酬向量，故必需使用自适应控制方法，通过引入称之为行动器和评判器的神经网络构造，使得学习单元在不断学习中，最终能发现最优策略。行动器的参数在学习中不断被修正，每一时刻的参数的值均对应着一个随机控制策略。评判器用来估计这些参数以找出最优控制策略。