Vπ是Qπ关于动作a的期望。状态价值函数是动作价值函数的期望，评价当前状态和策略网络的好坏，给定状态S，策略网络越好V就越大。
用策略网络来近似策略函数。
关于状态S求期望，相当于对策略网络做评价。策略梯度就是价值数V关于 的导数
离散情况：
连续情况：
估算目标价值函数：
用Ut的观测值ut来近似Qπ，REINFORCE算法就是用观测到的ut来代替动作价值函数，需要玩完整局游戏观测到所有奖励才能更新策略网络
相关推荐
RainCity4 天前
Java Swing 自定义组件库分享（十二）LinXunFeng11 天前
Obsidian - 使用 Share Note 分享笔记并自部署通信小呆呆15 天前
当算法有了“五感”：多模态数据融合如何向人体感官协同学习？H__Rick15 天前
自动对焦学习-3Daisy Lee15 天前
量化学习-第1章-什么是量化金融Alsn8615 天前
等待学习-学习目录：Docker 容器安全攻防YM52e15 天前
买菜计算器小应用 - HarmonyOS ArkUI 开发实战-PC版本小雨下雨的雨15 天前
HarmonyOS ArkUI训练营入门-组件掌握系列-Animation 动画效果实现-PC版本闪闪发亮的小星星15 天前
高斯光以及高斯光公式解释cqbzcsq15 天前
CellFlow虚拟细胞论文阅读