タグ付けされた質問 「rl-an-introduction」

私は「強化学習：リチャードS.サットンとアンドリューG.バルトによる序論（完全なドラフト、2017年11月5日）」という本を読んでいました。 271ページに、一時的なモンテカルロポリシー勾配法の疑似コードが示されています。この疑似コードを見ると、なぜ割引率が2回表示されるように見えるのか理解できません。1回は更新状態で、2回目は返品内です。【下図参照】 ステップ1の後のステップの戻りは、最初のステップの戻りの単なる切り捨てのようです。また、本の上の1ページだけを見ると、割引率が1つだけの方程式（戻り値内の方程式）が見つかります。 では、なぜ疑似コードが異なるように見えるのですか？私は何かを誤解していると思います： θt + 1 =˙ θt+ α Gt∇θπ（At|St、θt）π（At|St、θt）。（13.6）（13.6）θt+1 =˙ θt+αGt∇θπ（あt|St、θt）π（あt|St、θt）。 {\mathbf{\theta}}_{t+1} ~\dot{=}~\mathbf{\theta}_t + \alpha G_t \frac{{\nabla}_{\mathbf{\theta}} \pi \left(A_t \middle| S_t, \mathbf{\theta}_{t} \right)}{\pi \left(A_t \middle| S_t, \mathbf{\theta}_{t} \right)}. \tag{13.6}

11 reinforcement-learning  algorithm  rl-an-introduction  reinforce