Q-学習

• 行動価値を$Q(S_t,A_t)\leftarrow (1-\alpha )Q(S_t,A_t)+\alpha (R_{t+1}+\gamma {\max }_{a\prime }Q(S_{t+1},a\prime ))$ によって更新する学習方法
  • $\alpha$は学習率
• 式変形すると$Q(S_t,A_t)\leftarrow Q(S_t,A_t)+\alpha (R_{t+1}+\gamma {\max }_{a\prime }Q(S_{t+1},a\prime )-Q(S_t,A_t))$
  • 実装上はこっちを使うことが多いかな