PyTorch强化学习实战（29）——深入解析强化学习中的探索策略

0. 前言

在本节中，我们将讨论强化学习 (Reinforcement Learning, RL) 中的探索问题。探索/利用困境是 RL 的基础性问题，对高效学习至关重要。然而在之前的学习中，我们使用的是相对简单的环境探索方法——大多数情况下采用𝜖-贪婪动作选择。现在我们将深入 RL 的探索子领域，因为更复杂的环境可能需要比𝜖-贪婪策略更高效的探索策略。
我们将通过实现所述方法来解决一个看似简单但仍具挑战性的问题——MountainCar 环境。这将帮助我们更好地理解这些方法的原理、实现方式及其行为特征。此后，我们将尝试解决Atari游戏环境中的更具挑战性的问题。

1. 探索策略的重要性

本专栏已经讨论了许多环境和方法，在几乎每一节中都提到了探索的重要性。我们已经对有效环境探索的重要性有所理解，本节我们将重点阐述其主要原因。
在此之前，可能有必要先达成一致，定义一下“有效探索”这个术语。在理论

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/LOVEmy134611/article/details/160152498