大浪淘沙、

摘要： Actor-Critic算法 在之前的Policy Gradient算法中，其运行结果不够稳定的至少一条原因是：奖励项不够稳定。 下图中，蓝色实现标记的当前和随后的奖励累积和，作为评判𝜋生成的轨迹的好坏度量，即通过累积和修正𝑙𝑜𝑔𝑝_𝜃。 但是，该累积和受到了策略网络𝜋的影响很大。在相 阅读全文