我目前正在尝试了解TD-Gammon的工作原理并有两个问题:
1)我找到了一篇文章,该文章解释了重量更新。它由三部分组成。最后一部分是V(s)相对于w的差异。在文本中,它称为"运行总和"。如何计算该值?(我只对从输出到隐藏层的重量变化感兴趣,而不是进一步的重量更改)
2)阅读了更新权重的程序后,出现了一个问题:为什么我们不只是使用强化学习为状态创建目标价值,并将该价值赋予我们的神经网络,以便它学习返回当前状态的值?为什么有一个额外的更新规则直接操纵权重?
实际上,您只需要实现一个使用基本的平方错误总和的ANN即可。然后,用TD -Error值替换目标网络输出:e = r gamma*v(t 1)-v(t)
从那里,您只需使用典型的ANN BACKPROP权重更新规则。
因此,简而言之,我认为您的描述实际上是通过ANN算法进行的RL。它正在训练ANN学习状态/行动值函数。