一種用于估計(jì)對象的成本函數(shù)和價值函數(shù)的逆向強(qiáng)化學(xué)習(xí)的方法包括:獲取表示限定所述對象的行為的狀態(tài)變量的改變的數(shù)據(jù);將通過方程(1)給出的修改后的貝爾曼方程應(yīng)用至所獲取的數(shù)據(jù):q(x)+gV(y)?V(x)=?ln{pi(y|x))/(p(y|x)}(1),其中,q(x)和V(x)分別指代狀態(tài)x下的成本函數(shù)和價值函數(shù),g表示貼現(xiàn)因子,并且p(y|x)和pi(y|x)分別指代學(xué)習(xí)前和學(xué)習(xí)后的狀態(tài)轉(zhuǎn)變概率;估計(jì)方程(1)中的密度比率pi(y|x)/p(y|x);根據(jù)所估計(jì)的密度比率pi(y|x)/p(y|x),使用最小二乘法來估計(jì)方程(1)中的q(x)和V(x);以及輸出所估計(jì)的q(x)和V(x)。
聲明:
“通過密度比率估計(jì)的逆向強(qiáng)化學(xué)習(xí)” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學(xué)習(xí)研究,如用于商業(yè)用途,請聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)