前面介绍了三种采样求均值的算法

——MC

——TD

——TD(lamda)

下面我们基于这几种方法来 迭代优化agent

传统的强化学习算法

||

ν

ν

已经知道完整MDP——使用价值函数V（s）

没有给出完整MDP——使用价值函数Q（s，a）

可见我们的目标就是确定下来最优策略和最优价值函数

　　|

　　|——有完整MDP &&  用DP解决复杂度较低                                     

　　|   　　　　　　　　　　　　　　　　　　　 ====》  使用贝尔曼方程和贝尔曼最优方程求解

　　|——没有完整MDP(ENV未知) or 知道MDP但是硬解MDP问题复杂度太高

　　|   　　　　　　　　　　　　　　　　　　　 ====》  policy evaluation使用采样求均值的方法

　　|    　　　　　　　　　　　　　　　　　　　　　　　　　　|——  ON-POLICY MC

　　|        　　　　　　　　　　　　　　　　　　　　　　　　　|——  ON-POLICY TD

　　|   　 　　　　　　　　　　　　　　　　　　　　　　　　　|____ OFF-POLICY TD

 1. ON-POLICY 和OFF-POLICY

 on policy  :基于策略A采样获取episode，并且被迭代优化的策略也是A

 off policy  :基于策略A采样获取episode，而被迭代优化的策略是B

 2.为什么ε-greedy探索在on policyRL算法中行之有效？