该算法通过考虑采样轨迹，克服了模型未知给策略估计造成的困难。此类算法需在完成一个采样轨迹后再更新策略的值估计，而基于动态规划的策略迭代和值迭代算法在每执行一步策略后就进行值函数更新。
两者相比，蒙特卡洛算法的效率要低得多，这里的主要问题是蒙特卡洛强化学习算法没有充分利用强化学习任务的MDP结构。
时序差分TD(Temporal Difference)学习则结合了动态规划与蒙特卡罗方法的思想，能做到更高效的免模型学习。
标签：策略,迭代,学习,算法,蒙特卡罗,蒙特卡洛,强化 来源： https://blog.csdn.net/MusicDancing/article/details/120352303
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。