论文部分内容阅读
一个激励学习Agent通过学习一个从状态到动作映射的最优策略来解决策问题。激励学习方法是Agent利用试验与环境交互以改进自身的行为。Markov决策过程（MDP）模型是解决激励学习问题的通用方法。文章 提出了一种新的算法，这个算法通过牺牲最优性来获取鲁棒性，重点给出了一组逼近算法和它们的收敛结果。利用广义平均算子来替代最优算子max（或min)，对激励学习中的两类最重要的算法－－动态规划算法和Q－学习算法－进行了研究，并讨论了它们的收敛性，其目的就是为了提高激励学习算法的鲁棒性 。