Policy gradient 算法思想

强化学习中基于值与基于策略算法的思想异同点：

---

相同点：

  都是为了找到正确的策略，以便能够获得最大的奖励

---

不同点：

   Policy gradient 不通过奖励值，直接输出行为。可以在一个连续的区间内选择动作。其没有误差来参与反向传递，而是通过reward来增加下一次选中该动作的概率 (如果该动作是积极的话)

  而 基于值的算法 比如 Q-learning 会在无穷多个动作中计算价值，选择行为的话，吃不消。由于Q函数能够得到哪个行为是在某一状态下执行的最佳行为，因此，使用 Q 函数来寻找最优策略。

---