原书出处
深入浅出强化学习:原理入门
07 第7章 基于策略梯度的强化学习方法
:利用参数化的线性函数或非线性函数(如神经网络)表示策略,寻找最优的参数,使强化学习的目标——累积回报的期望 最大。
在值函数的方法中,我们迭代计算的是值函数,再根据值函数改善策略;而在策略搜索方法中,我们直接对策略进行迭代计算,也就是迭代更新策略的参数值,直到累积回报的期望最大,此时的参数所对应的策略为最优策略。
在正式了解策略搜索方法之前,我们先比较一下值函数方法和直接策略搜索方法的优缺点。其实正是因为直接策略搜索方法比值函数方
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深入浅出强化学习:原理入门/_epub-src/OEBPS/text00017.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57