知识卡片
策略参数直接决定动作分布
策略搜索把待学习对象改成动作的概率分布。例如离散动作可以用 softmax,连续动作可以用状态相关均值和尺度的高斯分布。策略梯度调参数以增加预期回报,执行时可直接采样,省去对连续动作逐个比较 Q。梯度优化只提供局部更新方向,通常没有全局最优保证。
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
- 随机策略梯度 8.1 随机策略梯度简介 · 查看原书依据
因此,可直接将策略参数化,利用线性函数或非线性函数表示策略,即πθ(s),以寻找最优的参数θ,使得累积回报的期望最大,这就是策略搜索方法。而策略搜索方法中最先发展起来的就是策略梯度方法,即在求解优化目标时,采用梯度上升法。
参考来源
- 位置:《强化学习》第08章《随机策略梯度》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-017.xhtml#isbn9787302538295_8_1_1`)
- 结论依据:原文从连续动作难以枚举出发引入策略参数化,并举高斯策略例。
- 原始内容:因此,可直接将策略参数化,利用线性函数或非线性函数表示策略,即πθ(s),以寻找最优的参数θ,使得累积回报的期望最大,这就是策略搜索方法。而策略搜索方法中最先发展起来的就是策略梯度方法,即在求解优化目标时,采用梯度上升法。