← 返回卡片

原书出处

深入浅出强化学习:原理入门

10 第10章 基于引导策略搜索的强化学习方法

核验版本的摘录快照 · 导入于 2026-11-19T06:04:54.441Z

用高斯分布的二阶矩计算。有了任意两个高斯分布的KL散度,再计算第三项,去掉常数项得到 其中(10.8)的第三项可以写成

最后从(10.5)(10.6)(10.8)式,我们得出轨迹优化相的目标函数 这时每步的代价函数为 然后利用轨迹最优方法,如DDP或LQR便可以得到最优的q。

监督相可以利用两个正态分布的KL散度公式(10.7)得出: 利用随机梯度下降或者LBFGS方法训练神经网络。 最后更新

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/text00020.html

EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57