基於policy gradient的強化學習算法

基於policy gradient的強化學習算法相比於value function方法的優缺點： 優點： 直接策略搜索是對策略進行參數化表示，與值函數相比，策略化參數的方法更簡單，更容易收斂。 值函數的放法無法解決狀態空間過大或者不連續的情形 直接策略的方法可以採取隨機策略，隨機策略可以將探索直接集成到算法當中 缺點： 策略搜索的方法更容易收斂局部極值點 在評估單個策略時，評估的並不好，方差容易過

>>阅读原文<<