在之前的基于策略的学习中,更新神经网络参数的trajectories是更新后就直接丢掉的,用新的trajectories来更新新的网络参数。实际上我们可以将所有trajectories回收用来更新后续的参数
我们可以采用Importance Sampling的方式来计算期望回报提高计算效率,f是关于reward函数
但是re-weight factor会很容易变成0或者无穷大,这在PPO算法中得以解决
强化学习&基于策略7.7 | Importance Sampling
最新推荐文章于 2023-10-27 23:05:26 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)