这是来自 Ng, Russell (2001) 的论文“逆强化学习算法”

我们假设我们有能力在 MDP 中模拟轨迹（从初始状态$s_0$) 在最优策略下，或在我们选择的任何策略下。对于每项政策$\pi$我们将考虑（包括最优的），我们将需要一种估计方法 $V^{\pi}(s_0)$对于任何设置$\alpha_i$的。为此，我们首先执行$m$ $\underline{\text{Monte Carlo}}$下的轨迹 $\pi$.

很抱歉引述过长。最后一句中的“蒙特卡洛”是什么意思？

我的第一个想法是一次又一次地运行模拟$m$次。但是再想一想，我可能就大错特错了。