原书出处
深入浅出强化学习:原理入门
14 第14章 基于模型的强化学习方法:PILCO及其扩展
从预测步可知,当前步的均值 和协方差 与上一步的均值 和协方差 以及当前步的策略参数 有关。因此对参数的导数可以写为
该计算式其实是个迭代计算,将前一步的梯度 代入当前步梯度的计算。 除此之外,就剩下如何计算当前步的均值和协方差对参数的偏导数 和 。
从当前步的均值预测我们得到 将该链式规则代入上面的 可以得到当前步的梯度。 最后将所有步的梯度相加就是值函数对参数的梯
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/text00025.html
EPUB SHA-256:ae4f315e52c24fa9ecced8c7659f4c69287c6fc9158f48f7899711e24ebd8d57