之前提到过Discount Return:
Action-value Function :
State-value Function:
(这里将action A积分掉)这里如果策略函数
很好,
就会很大;反之策略函数不好,
就会很小。
对于离散类型:
用神经网络近似策略
,
即 学习参数,使得
越来越大。这里使用梯度上升的方法,对于一个可观测状态s,更新
这里称为策略梯度(Policy Gradient)
之前提到过Discount Return:
Action-value Function :
State-value Function:
(这里将action A积分掉)这里如果策略函数
很好,
就会很大;反之策略函数不好,
就会很小。
对于离散类型:
用神经网络近似策略
,
即 学习参数,使得
越来越大。这里使用梯度上升的方法,对于一个可观测状态s,更新
这里称为策略梯度(Policy Gradient)