1. on-policy(同策略)： 要learn的agent和环境互动的agent是同一个时，对应的policy。
2. off-policy(异策略)： 要learn的agent和环境互动的agent不是同一个时，对应的policy。
3. important sampling（重要性采样）： 使用另外一种数据分布，来逼近所求分布的一种方法，在强化学习中通常和蒙特卡罗方法结合使用。
4. policy（策略）： 每一个actor中会有对应的策略，这个策略决定了actor的行为。具体来说，Policy 就是给一个外界的输入，然后它会输出 actor 现在应该要执行的行为。
5. Return（回报）： 一个回合（Episode）或者试验（Trial）所得到的所有的reward的总和，也被人们称为Total reward。
6. Reward function： 根据在某一个 state 采取的某一个 action 决定说现在这个行为可以得到多少的分数，它是一个 function。
7. Reinforce： 基于策略梯度的强化学习的经典算法，其采用回合更新的模式。
5. 策略梯度（Policy Gradients） 本文主要包含几个方面： 策略梯度算法介绍。 策略梯度如何工作。...
强化学习基础篇（三十）策略梯度(二)MC策略梯度算法 1、Score Function 假设策略是可微分的，并且在...
强化学习基础篇（三十一）策略梯度(3)Actor-Critic算法 1.引入Baseline 在使用策略梯度方法更...
本文首发于行者AI[https://link.zhihu.com/?target=https%3A//xingzh...
梯度下降的场景假设梯度梯度下降算法的数学解释梯度下降算法的实例梯度下降算法的实现Further reading 本...
PPO是2017年由OpenAI提出的一种基于随机策略的DRL算法，它不仅有很好的性能（尤其是对于连续控制问题），...
强化学习基础篇（三十二）基于模型的强化学习算法 在策略梯度算法中，智能体是直接从经验中去学习策略。之前value-...
策略梯度Policy Gradient类的算法，如DDPG等，可以处理连续动作空间continuous actio...
代价函数及梯度下降算法的应用 /#1 Consider the following training set of...
1. 从Actor-Critc算法中抛开策略梯度 首先回顾下之前的actor-critic算法，其中的优势函数体现...
本文标题：策略梯度及 PPO 算法
本文链接：https://www.haomeiwen.com/subject/dyhrvktx.html
网友评论