原书出处
强化学习
08 随机策略梯度 8.3.1 REINFORCE方法
由公式可见,REINFORCE使用的是从时间t开始到结束的完整轨迹的回报,因此属于一种蒙特卡罗算法,并且仅适用于完整轨迹情况。算法流程如下。
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/强化学习/_epub-src/OEBPS/Text/1-017.xhtml
EPUB SHA-256:09d029c3e00ed3f65d67041527ebdeec43f6860c9e329632f76265063e65d5ae