テトリスのための強化学習

Question

私はそれを行う方法の要点を得ていますが、テトリスが（状態、値）のペアをどのように保存するか分かりません。メモリのために。たぶんあなたは異なる州を1つにマップすることができますか、別のトリックがありますか？それとも間違っているのですか？

Answer 1

テーブルベースのRLは大きな状態空間に拡張されません。完全に正しいです。これは、の近似が、非常に単純で、状態を値にマッピングする線形モデルのように、深い（時には再帰的な）ニューラルネット（Deep Q-Networksなど）のようにかなり複雑なものです。言い換えれば、マッピング状態 - >値の代わりに、Q値（例えばQ値）をQ（状態|パラメータ）=値とすることによって、これら2つの間の依存性をモデル化して機能をモデル化し、 /値の対が観察された。これはメモリだけではないことに注意する価値があります。実際に表形式のアプローチを行っている場合は、のすべての状態を確認してください。は、機能的な/近似的なアプローチで、良いモデルを持っています。利用可能な状態空間の構造。