一、Policy Gradients算法
在强化学习(二)中讲过的Q learning算法是根据分析Q值来选取动作,那么本节介绍一个直接输出动作的算法:Policy Gradients。该算法可以在一个连续区间输出动作(输出的动作可以是连续值)。Policy Gradients通过更新神经网络来决定输出策略,那神经网络是如何进行更新呢?利用reward值来引导某一个动作是否应该增加被选的概率(基于概率的算法)。通常在数学上的做法是:给定一个目标函数,找出使目标函数最大的取值。
其中是在状态s采取动作a的概率,
为评价指标,用reward作为导向。依照上图所示公式来更新神经网络的参数
。但Po