原书出处
强化学习
08 随机策略梯度 8.4 TRPO方法
TRPO算法的总体思路如下:首先证明了最大化某个替代回报函数可以保证策略的单调不减改进。然后,对这个理论上正确的替代算法进行一系列近似,得到一个实用的算法,我们称之为置信域策略优化(TRPO)。通过求解该算法,可以获得策略更新的方向和步长。
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