Episode Q0 increases exponentially

19 ビュー (過去 30 日間)
DAMODARAN B.K
DAMODARAN B.K 2021 年 2 月 16 日
編集済み: DAMODARAN B.K 2021 年 2 月 17 日
Can anyone explain why episode Q0 in RL increases exponentially after convergence of reward to a suboptimal policy?

サインインしてこの質問に回答する。

回答 (1 件)

Emmanouil Tzorakoleftherakis
Emmanouil Tzorakoleftherakis 2021 年 2 月 16 日
Hello,
Please take a look at this answer for some suggestions. Normalizing observations, rewards, and actions can also help avoid situations like these.
Hope this helps
  1 件のコメント
DAMODARAN B.K
DAMODARAN B.K 2021 年 2 月 17 日
編集済み: DAMODARAN B.K 2021 年 2 月 17 日
is episode Q0, criticnetwork output or target value?

サインインしてコメントする。

カテゴリ

Help Center および File Exchange で Training and Simulation についてさらに検索

タグ

製品

Community Treasure Hunt

Find the treasures in MATLAB Central and discover how the community can help you!

Start Hunting!

Translated by