知识卡片
连续策略直接产生动作
在某状态下直接给出控制向量,或生成分布后抽样。PuckWorld 的水平、竖直推力都可连续变化。Q 函数仍可评价给定向量,困难在于对全部可能向量求最大。直接策略学习试图从参数中得到这个选择。
关联:[[动作价值近似的输入输出]]。连续动作无法靠有限输出一一枚举,演员直接产生候选动作。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 7.1 基于策略学习的意义 · 查看原书依据
参数θ决定了策略的具体形式
参考来源
- 位置:《强化学习入门:从原理到实践》第7章《7.1 基于策略学习的意义》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter67.xhtml`,body 子元素 11
- 结论依据:原文由连续动作无法枚举引出直接参数化动作分布。
- 原始内容:参数θ决定了策略的具体形式