摘要
本周继续学习了强化学习的相关知识，了解和强化学习的核心思想蒙特卡洛方法与策略梯度算法的原理
abstract
This week, I continued studying reinforcement learning, gaining an understanding of its core concepts, including the principles of the Monte Carlo method and the policy gradient algorithm.
基于优势函数的策略梯度方法用于训练智能体的策略网络
其核心思想是利用一系列状态-动作对 {st,at}{st,a^} 及其对应的优势值 AtAt（正数表示动作优于平均水平，负数则相反）来引导策略更新。通过构建损失函数 L，其中 en 通常为动作的负对数概率，将优势值作为权重，使得智能体在优化参数 θ 以最小化 L 的过程中，更多地学习优势高的动作，抑制优势低的动作。最终，训练好的策略网络能够根据输入状态 s输出更优的动作 a，从而提高累积奖励。这种方法结合了监督学习（给定目标动作）和强化学习（优势加权）的特点，以实现更稳定高效的学习。
蒙特卡洛方法
蒙特卡洛方法是一种基于完整回合经验评估动作价值的直观方法。它的核心思想是通过实际游戏结果来衡量动作的优劣，而不是依赖预测或估计。具体来说，当智能体在某个状态执行某个动作后，我们会等待整个游戏或任务回合结束，记录从该时刻起获得的所有奖励总和（称为回报），然后将这个实际回报与当前状态下预期的平均回报进行比较，其差值即为优势值。
Policy Gradient
策略梯度（Policy Gradient）算法的核心训练流程及其关键限制。它首先通过当前策略网络（Actor）与环境交互收集一批状态-动作对数据，并为每个动作计算优势值 AnAn 以衡量其相对优劣。随后使用这些数据构建损失函数 L，并通过梯度下降对策略参数 θθ进行一次更新，每次参数更新后，必须丢弃当前数据并重新收集完整的训练集
