Ⅰ：概念：一种Policy-based的方法，策略梯度不计算奖励（reward），而是输出选择所有动作的概率分布，然后基于概率选择动作。 其训练的基本原理是通过反馈调整策略，具体来说就是在得到正向奖励时，增加相应的动作的概率；得到负向的奖励时，降低相应动作的概率。
Ⅱ：改变：Policy Gradient直接输出动作的最大好处就是，他能在一个连续区间内挑选动作，而基于值的，比如Q-Learning，它如果在无穷多得动作种计算价值，计算量过于庞大，无法很好完成（pg可以更好完成分幕式与连续性的案例，主要是连续性），但pg在一整轮实验完成后才会根据回馈更改策略（蒙特卡洛方法：蒙特卡罗方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。. 将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。. 为象征性地表明这一方法的概率统计特征）
Ⅲ：基本组成：对象系统：策略梯度的学习对象；Policy策略：
表示在状态s和参数θ条件下发生动作a的概率；Episode轮次：表示从起始状态开始使用某种策略产生动作与对象系统交互，直到某个终结状态结束；
最低0.47元/天 解锁文章
1595
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
