bin

https://www.zhihu.com/topic/20039099/intro强化学习强化学习主要由智能体（Agent）、环境（Environment）、状态（State)、动作（Action）、奖励（Reward）组成。智能体执行某个动作后，环境将会转换到一个新的状态，对于该新的状态环境给出奖励信号，随后，智能体根据新的状态和环境反馈的奖励，按照一定的策略执行新的动作。(智能体通过...

参考资料：https://spinningup.openai.com/en/latest/spinningup/rl_intro2.强化学习算法的种类Model-Free vs Model-Based RL强化学习算法的一个重要分支是：智能体是否有能力从环境学习一个模型。Model-Based优点：希望智能体能够根据自己的思考做出计划，可以观测到可能的选择值，并在选择之间做出明确的决定...

参考资料：https://spinningup.openai.com/en/latest/spinningup/rl_intro3.htmlIntro to Policy Optimization本部分着重推导策略梯度的数学公式关于Policy Gradient的简单求导参数: πθ\pi_{\theta}πθ​, 目标函数：最大化J(πθ)=Eτ∼πθ[R(τ)]J(\pi_{\thet...