原书出处
深入浅出强化学习:原理入门
08 第8章 基于置信域策略优化的强化学习方法
苦苦寻找的要更新的策略。那么如何得到它呢? 该问题可形式化为 如果利用惩罚因子C,则每次迭代步长很小,因此问题可转化为
需要注意的是,因为有无穷多的状态,因此约束条件 有无穷多,问题不可解。 (3)TRPO第三个技巧 在约束条件中,利用平均KL散度代替最大KL散度
,即 (4)TRPO第四个技巧 最终TRPO问题化简为 (8.10)式仍然很难写成代码的形式。一种更实际的方法是对TRP
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/text00018.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57