← 返回卡片

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

核验版本的摘录快照 · 导入于 2026-11-19T06:04:54.438Z

以进一步减小方差,此处不再介绍。 引入基线后,策略梯度公式变成 其中,b取(7.9)式。我们进一步分析公式(7.10)。

在公式(7.10)中,每个动作 所对应的 都乘以相同的该轨迹的总回报 ,如图7.5所示。 图7.5 REINFORCE方法 然而,当前的动作与过去的回报实际上是没有关系的,即 因此,我们可以修改(7.10)中的回报函数,有两种修改方法。

第一种方法称为G(PO)MDP,如图7.6所示。 图7.6 G(PO)MDP方法 第二种方法称为策略梯度理论,如图7.

此预览只包含定位所需的摘录和上下文。

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