在【强化学习笔记】7.1 基于策略梯度的强化学习方法中介绍的策略梯度方法存在步长选取的难题,Abbeel提出基于置信域策略优化的强化学习方法(TRPO),正面解决步长问题。首先需要确定什么是合适的步长,最基本的想法,合适的步长是当策略更新后,回报函数的值不能变差。
公式的推导还是请看原版书的作者博客吧!自己也没有看懂!。。。有时间再更新!
强化学习进阶 第七讲 TRPO
参考书籍:
欢迎关注微信公众号:AITBOOK
在【强化学习笔记】7.1 基于策略梯度的强化学习方法中介绍的策略梯度方法存在步长选取的难题,Abbeel提出基于置信域策略优化的强化学习方法(TRPO),正面解决步长问题。首先需要确定什么是合适的步长,最基本的想法,合适的步长是当策略更新后,回报函数的值不能变差。
公式的推导还是请看原版书的作者博客吧!自己也没有看懂!。。。有时间再更新!
强化学习进阶 第七讲 TRPO
参考书籍:
欢迎关注微信公众号:AITBOOK