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
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
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