介绍

传统的RL由于部分信息不可见、连续状态空间和高维动作空间，导致在机器人、电机领域实用性差、无法保证收敛，而若使用部分可见的马尔科夫模型建模，则计算成本过高。

PG可以处理连续和离散的动作空间，在不确定的状态空间下依然可以输出最优解（至少能输出局部最优）。Policy的自定义可以结合具体的领域知识从而具有能强的泛化能力。PG可用于model-free或model-based。

缺点是容易陷入局部最优，根据重要性来采样只能稍微减轻该问题，且由于需要快速迭代以避免学习器的偏置，导致数据的利用率较低。PG也要求使用者对具体使用领域有非常深的知识。

由于这些特性，PG通常用于机器人的应用如多足机器人的移动。

算法

由于MD不太支持MathML语法，所以大白话说了。
记：

• 状态：s - 下一个s的分布由当前的(s,a)决定
• 动作：a - 服从π的概率分布
• 当前奖励：r - 由当前的s和a决定，记作r(s,a)
• 策略：π - 是一个由s决定的各个a的概率分布模型，通常形式为π(a|s)
• 轨迹：t - 从0到最终所有的(s,a)的序列
• 未来折扣率：γ - 即下次得到的奖励折算到现在的价值时需要乘以γ
• 当前步数：k
• 期望奖励（目标函数）：J=Σγ^k·r，k从0到结束
• 估计器参数：θ
• 学习率：α(k) - 需满足Σα>0且Σα²=const，才能保证至少收敛到局部最优
• 截断点：提前结束的点，因为未来的奖励再也无关紧要

梯度下降法即通过J对θ的导数×学习率，来一次次更新θ，其中更新次数通常远小于步数（即走若干步后再更新）。

此方法的主要问题是如何获得好的估计器。在机器人和控制论中，通常使用deterministic model-based方法来获得梯度。

评估

主要用于评估在给定样本数n下，算法能将误差压缩到n的何种级数下。包含有限差分法、相似性比例法、自然梯度策略等。