xd_xumaomao

摘要： 策略梯度算法 在强化学习领域，早期有基于值函数的方法，如 Q-learning 等，这些方法通过估计状态-动作对的值函数来确定最优策略。然而，当动作空间是连续的或者非常大时，基于值函数的方法会面临一些挑战。REINFORCE 算法，也被称为策略梯度算法（Policy Gradient Algorit 阅读全文