machine-learning - 为什么强盗问题在强化学习中也被称为一步/状态 MDP？

Question

1 步/状态 MDP（马尔可夫决策过程）是什么意思？

Answer 1

让我们考虑一个n动作1状态 MDP。无论您采取何种行动，您都将保持相同的状态。但是，您将获得仅取决于您采取的行动的奖励。如果您希望在此设置中最大化长期奖励，您需要做的只是判断n 个可用选项（动作）中哪个是最好的。

这正是老虎机问题。

Answer 2

在老虎机中，过去拉动杠杆不会影响杠杆的输出或奖励。

奖励仅取决于拉动的杠杆，过去没有。

所以只有一种状态。