你好,
对于第一个问题,我认为这是与你的回报函数和L2正规化,实际上可能。
对于第二个问题,代理是寻找最好的策略获得最大回报的价值,这样的算法是尝试不同的状态和行动。q0是一个指标,在培训结束时,收敛相同的值与awerage奖励所需的条件。
对于第三个问题,我可以说,你应该分享你的模型和网络算法,工程,更多明确的建议,第一,第二和第三问题相互依赖。
最后一个问题,随机初始条件帮助我们更有效地培训代理(过度学习等),减少过度拟合初始条件是随机的,和算法,不同的声音可以被添加到实现这一点。
如果你能分享你的模型中,或许可以给出更明确的建议。
